2、风险度量基础：波动率、协方差矩阵、边际风险贡献（MRC）、风险贡献（RC）的定义与计算
各位同学，咱们今天聊点实在的。做风险预算，你首先得知道风险长什么样，怎么量它。说白了，就是得有一把尺子。
这把尺子，就是波动率、协方差矩阵，还有边际风险贡献和风险贡献。这四个概念，是风险预算的基石。我在做组合优化的时候，经常发现很多人只盯着波动率看，忽略了协方差结构，结果组合一遇到市场异动就崩了。嗯，咱们今天就把这几个概念彻底捋清楚。
2.1 波动率：风险的“体温计”
波动率，大家都很熟悉。它衡量的是资产收益率的离散程度。我个人习惯用年化波动率，因为这样不同时间频率的数据可以放在一起比较。
计算方式很简单：
# 假设我们有一组日收益率数据
import numpy as np
returns = np.array([0.01, -0.02, 0.015, -0.005, 0.008])
# 日波动率
daily_vol = np.std(returns, ddof=1)
# 年化波动率（假设252个交易日）
annual_vol = daily_vol * np.sqrt(252)
print(f"日波动率: {daily_vol:.4f}")
print(f"年化波动率: {annual_vol:.4f}")
这里有个坑，我必须要提醒你。用 np.std 时，默认是除以 N 的，但样本标准差应该除以 N-1。我曾经因为这个细节，在回测报告里算错了夏普比率，被风控部门追着问了一下午。所以，ddof=1 这个参数，一定要记住。
2.2 协方差矩阵：资产之间的“关系网”
波动率只告诉你单个资产的风险。但组合的风险，还取决于资产之间的联动关系。协方差矩阵，就是描述这种关系的。
你想想看，如果两个资产总是同涨同跌，那组合的风险并不会因为分散化而降低多少。但如果它们走势相反，那组合的波动就会被平滑掉。
协方差矩阵的计算：
# 假设有三只股票的日收益率数据
import pandas as pd
data = {
'股票A': [0.01, -0.02, 0.015, -0.005, 0.008],
'股票B': [0.005, -0.01, 0.02, -0.01, 0.012],
'股票C': [-0.005, 0.01, -0.01, 0.005, -0.008]
}
df = pd.DataFrame(data)
# 计算协方差矩阵
cov_matrix = df.cov()
print(cov_matrix)
输出结果大概长这样：
| 股票A | 股票B | 股票C | |
|---|---|---|---|
| 股票A | 0.00015 | 0.00010 | -0.00008 |
| 股票B | 0.00010 | 0.00018 | -0.00006 |
| 股票C | -0.00008 | -0.00006 | 0.00012 |
对角线是方差，也就是波动率的平方。非对角线是协方差。你看，股票A和股票C的协方差是负数，说明它们有对冲效果。
2.3 边际风险贡献（MRC）：每个资产对组合风险的“增量影响”
好了，现在我们有了组合的波动率（通过协方差矩阵和权重计算），但问题来了：组合的总风险，到底是谁贡献的？
边际风险贡献，就是回答这个问题的。它衡量的是：如果我把某个资产的权重增加一点点，组合的总风险会变化多少。
数学上，MRC 是组合风险对权重的偏导数：
# 计算边际风险贡献
import numpy as np
# 假设权重向量
weights = np.array([0.4, 0.3, 0.3])
# 协方差矩阵
cov_matrix = np.array([
[0.00015, 0.00010, -0.00008],
[0.00010, 0.00018, -0.00006],
[-0.00008, -0.00006, 0.00012]
])
# 组合方差
portfolio_variance = weights.T @ cov_matrix @ weights
# 组合波动率
portfolio_vol = np.sqrt(portfolio_variance)
# 边际风险贡献
mrc = (cov_matrix @ weights) / portfolio_vol
print(f"边际风险贡献: {mrc}")
输出的 MRC 值，可以理解为：每增加1%的权重，组合波动率会变化多少。正值表示增加风险，负值表示降低风险。
为什么会这样？因为 MRC 考虑了资产自身的波动，也考虑了它与其他资产的相关性。如果一个资产与其他资产负相关，它的 MRC 可能是负的——增加它的权重，反而能降低组合风险。
2.4 风险贡献（RC）：每个资产对组合风险的“实际贡献”
MRC 是边际概念，而风险贡献（RC）是总量概念。它告诉你：在组合的总风险中，每个资产到底占了多少份额。
计算很简单：RC = 权重 × MRC
# 计算风险贡献
rc = weights * mrc
# 风险贡献之和应该等于组合波动率
total_rc = np.sum(rc)
print(f"风险贡献: {rc}")
print(f"风险贡献之和: {total_rc:.6f}")
print(f"组合波动率: {portfolio_vol:.6f}")
你会发现，所有资产的风险贡献加起来，正好等于组合的波动率。这是一个非常重要的性质，叫做“风险分解的可加性”。
2.5 知识体系总览
为了让你更直观地理解这几个概念之间的关系，我画了一张图：
这张图把整个逻辑串起来了。从单个资产的波动率，到资产间的协方差矩阵，再到组合波动率，然后通过偏导数得到 MRC，最后乘以权重得到 RC。风险预算，就是在这个链条的末端做文章。
好了，这一节的内容就到这里。波动率、协方差矩阵、MRC、RC，这四个概念是风险预算的“四件套”。下一节，我们会用这些工具，真正开始做风险预算的分配。嗯，到时候你会看到，这些数学公式到底是怎么变成真金白银的。