第二章：多资产做市组合的构建：资产选择、相关性矩阵与组合分散化

做市交易做到一定阶段，你会发现一个残酷的事实：单一品种的做市，赚的是辛苦钱。你盯着盘口，吃着点差，偶尔被大单捅一下，一天白干。真正能让资金曲线平滑、让夏普比率好看的，是多资产组合。

这一章，我们就来聊聊怎么搭这个组合。说白了，就是选哪些资产、它们之间怎么联动、以及如何通过分散化来降低整体风险。我个人的经验是，这一步如果没做好，后面再精妙的对冲策略都是空中楼阁。

2.1 资产选择：别什么垃圾都往里装

很多新手做市商有个误区：觉得资产越多越分散，风险就越低。其实不然。你想想看，如果你选了10个相关性极高的资产，比如全是纳斯达克100的成份股，那跟只做一个品种有什么区别？

我个人习惯把资产分为三类：

• 核心流动性资产：比如BTC/ETH、EUR/USD、TSLA。这些品种流动性极好，点差小，是做市的基本盘。我建议这类资产占比不低于60%。
• 低相关性卫星资产：比如黄金、国债期货、某些商品。它们与核心资产的相关性低，能在核心资产暴跌时提供缓冲。
• 波动性套利资产：比如某些小币种、深度较差的期权。这类资产风险高，但收益也高。我只用不超过10%的资金去博。

2.2 相关性矩阵：你的组合体检报告

选好了资产，下一步就是算相关性。这里我用的不是简单的皮尔逊相关系数，而是滚动相关性矩阵。为什么？因为相关性是时变的。今天两个资产的相关性是0.2，明天可能就变成0.8。

来看一段我实际在用的代码：

import numpy as np
import pandas as pd

def rolling_correlation_matrix(price_df, window=60):
    """
    计算滚动相关性矩阵
    price_df: DataFrame, 列名为资产名称，行为时间序列价格
    window: 滚动窗口期数（日）
    """
    returns = price_df.pct_change().dropna()
    corr_dict = {}
    
    for date in returns.index[window:]:
        # 取过去window天的收益率数据
        window_data = returns.loc[:date].tail(window)
        corr_matrix = window_data.corr()
        corr_dict[date] = corr_matrix
    
    return corr_dict

# 使用示例
# 假设我们有 BTC, ETH, GOLD, SPY 四个资产的价格数据
# corr_dict = rolling_correlation_matrix(price_data, window=60)
# 查看最新一天的相关性矩阵
# latest_corr = list(corr_dict.values())[-1]
# print(latest_corr)

这段代码的核心逻辑是：每来一个新数据点，就重新算一次过去60天的相关性。这样你就能看到相关性的动态变化。我建议至少用60个交易日的数据，太短了噪声大，太长了反应迟钝。

下面是一个典型的滚动相关性矩阵示例（假设数据）：

资产	BTC	ETH	GOLD	SPY
BTC	1.00	0.85	-0.12	0.45
ETH	0.85	1.00	-0.08	0.38
GOLD	-0.12	-0.08	1.00	0.15
SPY	0.45	0.38	0.15	1.00

看到没？BTC和ETH相关性高达0.85，说明它们基本是一家人。而GOLD与BTC是负相关，这就是我们想要的分散化效果。

2.3 组合分散化：别把鸡蛋放在一个篮子里

有了相关性矩阵，我们就可以量化组合的分散化程度了。这里我常用的是有效资产数量（Effective Number of Assets, ENA）。这个指标告诉你，你的组合实际上相当于多少个等权重的独立资产。

计算公式很简单：

def effective_number_of_assets(corr_matrix, weights):
    """
    计算有效资产数量
    corr_matrix: 相关性矩阵
    weights: 资产权重向量
    """
    # 计算组合方差
    portfolio_variance = np.dot(weights.T, np.dot(corr_matrix, weights))
    # 计算等权重下的方差
    n = len(weights)
    equal_weights = np.ones(n) / n
    equal_variance = np.dot(equal_weights.T, np.dot(corr_matrix, equal_weights))
    # ENA = 等权重方差 / 组合方差
    ena = equal_variance / portfolio_variance
    return ena

# 假设我们有4个资产，权重分别为 [0.4, 0.3, 0.2, 0.1]
weights = np.array([0.4, 0.3, 0.2, 0.1])
ena = effective_number_of_assets(latest_corr.values, weights)
print(f"有效资产数量: {ena:.2f}")

如果ENA接近你的实际资产数量，说明分散化效果很好。如果ENA远小于实际数量，说明你的组合其实很集中，风险并没有分散开。

举个例子：你有10个资产，但ENA只有3.5。这意味着你的组合风险特征只相当于3.5个独立资产。那剩下的6.5个资产基本是摆设。

2.4 知识体系总览

为了让你更直观地理解这一章的核心逻辑，我画了一张图：

这张图把整个流程串起来了：先选资产，再算相关性，最后做分散化。而且这是一个闭环——你得根据市场变化动态调整权重。

2.5 实战中的几个坑

最后，分享几个我在实战中踩过的坑：

• 别迷信历史相关性：历史数据只能告诉你过去，不能预测未来。我见过太多人拿着过去三年的相关性矩阵做组合，结果市场风格一变，直接崩盘。
• 注意流动性分层：有些资产平时流动性很好，但一到危机时刻就枯竭。比如某些小盘股，平时点差很小，但暴跌时根本卖不出去。这类资产在组合中要控制比例。
• 权重再平衡的频率：我个人的习惯是每周做一次再平衡。太频繁了交易成本高，太慢了风险暴露会失控。

好了，这一章的内容就到这里。记住：资产选择是骨架，相关性矩阵是体检报告，分散化是健康管理。三者缺一不可。