第3章协方差矩阵与相关性

第三节：协方差矩阵与相关性——风险联动的核心工具

说实话，协方差矩阵这东西，我刚开始做量化的时候觉得它就是个数学符号。直到有一次，我管理的组合在2020年3月市场暴跌时，明明分散了仓位，却所有资产一起跳水。嗯，那才真正意识到——你看到的分散，可能只是假象。

这一节，我们就来拆解协方差矩阵和相关性。它们是你理解资产之间「怎么联动」的基础。说白了，没有它们，风险预算就是瞎算。

3.1 协方差矩阵的计算

先问个问题：为什么我们不用方差，而要用协方差？

因为单看一个资产的波动，你永远不知道它和别的资产是不是「同涨同跌」。协方差就是衡量两个资产一起变动的方向和幅度。

公式长这样：

Cov(Ri, Rj) = E[(Ri - μi)(Rj - μj)]

翻译成人话：把两个资产的收益率，各自减去自己的均值，然后乘起来，再求平均。

我习惯用Python里的numpy.cov直接算。但你要理解它背后的逻辑——正数表示同向变动，负数表示反向变动，零表示没关系。

举个例子，假设我们有三个资产：沪深300、中证500、国债。5天的收益率数据如下：

日期	沪深300	中证500	国债
Day1	0.02	0.03	-0.01
Day2	-0.01	-0.02	0.005
Day3	0.015	0.01	-0.002
Day4	-0.005	0.005	0.003
Day5	0.01	0.015	-0.004

用Python算一下：

import numpy as np

returns = np.array([
    [0.02, 0.03, -0.01],
    [-0.01, -0.02, 0.005],
    [0.015, 0.01, -0.002],
    [-0.005, 0.005, 0.003],
    [0.01, 0.015, -0.004]
])

cov_matrix = np.cov(returns, rowvar=False)
print(cov_matrix)

输出结果是一个3x3的矩阵。对角线是每个资产自己的方差，非对角线就是协方差。你会发现沪深300和中证500的协方差是正的，而它们和国债的协方差是负的。这符合直觉——股票和债券通常跷跷板。

  核心要点：协方差矩阵是对称矩阵，对角线是方差，非对角线是协方差。它完整描述了资产组合的波动结构。

3.2 相关性分析

协方差有个问题：它受量纲影响。比如一个资产收益率是0.01级别，另一个是0.1级别，协方差会被大的那个带偏。这时候就需要相关性——说白了，就是标准化后的协方差。

	沪深300	中证500	国债
沪深300	1.00	0.87	-0.62
中证500	0.87	1.00	-0.55
国债	-0.62	-0.55	1.00

3.3 协方差矩阵的估计方法

这里有个坑：你算出来的协方差矩阵，真的准吗？

我踩过这个坑。有一次我用过去3年的日数据算协方差矩阵，结果模型回测很漂亮，实盘却一塌糊涂。为什么？因为市场结构变了，过去的协方差不能代表未来。

所以，我们需要不同的估计方法。常用的有三种：

3.3.1 历史估计法

最简单粗暴。直接用过去N天的收益率数据算协方差。优点是简单，缺点是对极端值敏感，而且假设过去会重复。

# 历史估计：直接用最近252个交易日
hist_cov = np.cov(returns[-252:], rowvar=False)

我建议你至少用1年以上的数据。太短了噪声大，太长了市场结构可能已经变了。

3.3.2 指数加权估计法

这个方法更聪明。它给近期的数据更高的权重，远期的数据权重逐渐衰减。说白了，就是「最近发生的事更重要」。

公式：

Cov_t = λ * Cov_{t-1} + (1-λ) * (R_t * R_t^T)

其中λ是衰减因子，通常取0.94（RiskMetrics的标准做法）。

def ewma_cov(returns, lam=0.94):
    cov = np.cov(returns[:2], rowvar=False)
    for i in range(2, len(returns)):
        r = returns[i].reshape(-1, 1)
        cov = lam * cov + (1-lam) * (r @ r.T)
    return cov

我个人习惯用指数加权。它在市场波动突变时反应更快。比如2020年3月，历史估计法还在用过去的数据平滑，指数加权已经捕捉到了波动率的飙升。

注意：λ的选择很关键。λ=0.94相当于半衰期约11天。如果你做长线，可以调高到0.97。别照搬参数，要根据你的交易频率调整。

3.3.3 收缩估计法

这个方法解决了一个实际问题：当资产数量多、数据量少时，样本协方差矩阵会「病态」。比如你有100个资产，但只有50天的数据，算出来的矩阵可能不可逆。

收缩估计法的思路是：把样本协方差矩阵向一个「目标矩阵」收缩。目标矩阵通常是对角矩阵（假设资产不相关）或者常数相关矩阵。

公式：

Σ_shrink = δ * F + (1-δ) * S

其中S是样本协方差矩阵，F是目标矩阵，δ是收缩强度（0到1之间）。

from sklearn.covariance import LedoitWolf

lw = LedoitWolf()
shrink_cov = lw.fit(returns).covariance_

Ledoit-Wolf方法会自动计算最优的收缩强度。我遇到高维数据时，几乎必用这个方法。它虽然有点「作弊」——把矩阵往理想方向拉——但实际效果往往比纯样本估计好得多。

  我的经验：三种方法没有绝对的好坏。历史估计适合数据充足、市场稳定的情况。指数加权适合高频或波动剧烈的市场。收缩估计适合资产多、数据少的情况。我一般会同时算三种，然后看哪个在回测中表现最稳健。

知识体系总览

下面这张图，帮你理清这一节的核心逻辑：

嗯，这一节的内容就到这里。协方差矩阵和相关性，是量化交易里最基础也最容易被忽视的工具。你想想看，如果连资产之间怎么联动都没搞清楚，风险预算就是空中楼阁。

我建议你拿到真实数据后，先画个相关性热力图，再试试三种估计方法。你会发现，不同的方法算出来的组合风险可能差好几个百分点。选对方法，比选对参数更重要。

避坑指南：我曾经用历史估计法算了一个50只股票的组合，结果矩阵条件数高达10^6，根本没法求逆。后来换成收缩估计，条件数降到100以内，优化器才正常工作。记住：矩阵的「健康度」比精确度更重要。

📚 课程目录

第三节：协方差矩阵与相关性——风险联动的核心工具

3.1 协方差矩阵的计算

3.2 相关性分析

3.3 协方差矩阵的估计方法

3.3.1 历史估计法

3.3.2 指数加权估计法

3.3.3 收缩估计法

知识体系总览