4. 协方差矩阵与相关性：多资产间的“关系网”
各位同学，咱们今天聊一个在组合投资里绕不开的话题——协方差矩阵与相关性。说白了，就是搞清楚你手里的几只股票、债券或者商品，它们之间到底是“同甘共苦”还是“各玩各的”。
我个人习惯把协方差矩阵看作是整个组合的“关系网”。你想想看，如果你买的两个资产总是同涨同跌，那分散风险的效果就大打折扣。反过来，如果一个涨一个跌，那组合的波动就会被平滑掉不少。嗯，这就是我们今天要深挖的核心。
4.1 为什么协方差矩阵这么重要？
我记得刚入行那会儿，有个老前辈跟我说：“小伙子，别光盯着单个资产的收益率，你得看它们怎么一起动。” 当时我还不理解，直到自己动手做了一个简单的双资产组合回测，才发现其中的门道。
假设你有两个资产A和B。单独看，A的波动率是20%，B是15%，看起来都还行。但如果A和B高度正相关（比如相关系数0.9），那组合的波动率可能还在17%左右，并没有显著降低。可如果它们负相关（比如-0.3），组合波动率可能直接降到10%以下。这就是相关性的魔力。
4.2 从协方差到相关性：标准化后的“亲密度”
协方差的值受资产自身波动率影响很大。比如股票A波动大，股票B波动小，它们之间的协方差可能看起来很大，但这不代表它们真的“很亲密”。这时候，相关性系数ρ就派上用场了。
公式很简单：
ρ_AB = Cov(A, B) / (σ_A * σ_B)ρ的取值范围在-1到1之间。1代表完全正相关，-1代表完全负相关，0代表不相关。我在项目中遇到过最极端的例子是两只同行业的ETF，相关系数高达0.95，那基本就是“穿一条裤子”。
| 相关系数范围 | 含义 | 对组合风险的影响 |
|---|---|---|
| 0.7 ~ 1.0 | 强正相关 | 分散效果差，组合风险接近加权平均 |
| 0.3 ~ 0.7 | 中等正相关 | 有一定分散效果，但有限 |
| -0.3 ~ 0.3 | 弱相关或不相关 | 分散效果较好，组合风险显著降低 |
| -0.7 ~ -0.3 | 中等负相关 | 分散效果很好，能对冲部分风险 |
| -1.0 ~ -0.7 | 强负相关 | 几乎可以完全对冲（现实中极少见） |
4.3 实战：用Python计算协方差矩阵
光说不练假把式。咱们直接上代码，看看怎么用Python算协方差矩阵和相关性矩阵。这里我习惯用pandas，因为它处理时间序列数据太方便了。
import pandas as pd
import numpy as np
# 假设我们有3只股票的历史收益率数据
# 数据格式：每列是一只股票，每行是一个时间点的收益率
data = {
'股票A': [0.02, -0.01, 0.03, 0.01, -0.02],
'股票B': [0.01, 0.02, -0.01, 0.03, 0.01],
'股票C': [-0.01, 0.01, 0.02, -0.02, 0.03]
}
df = pd.DataFrame(data)
# 计算协方差矩阵
cov_matrix = df.cov()
print("协方差矩阵：")
print(cov_matrix)
# 计算相关性矩阵
corr_matrix = df.corr()
print("\n相关性矩阵：")
print(corr_matrix)
输出结果会告诉你每对资产之间的协方差和相关系数。比如股票A和股票B的协方差是正数，说明它们倾向于同向变动；如果是负数，那就是反向变动。
np.linalg.eigvals() 检查一下特征值是否都非负。
4.4 知识体系：一张图看懂协方差与相关性
为了让你更直观地理解，我画了一张SVG图，把今天讲的核心逻辑串起来。
从这张图你可以看到，整个流程就是从原始收益率数据出发，先算协方差矩阵，再标准化成相关性矩阵，最后应用到组合风险计算和资产配置中。每一步都有它的意义，缺一不可。
4.5 相关性对组合风险的影响：一个简单例子
咱们用个具体数字来感受一下。假设你有两个资产，权重各50%。资产1的波动率是20%，资产2的波动率是15%。
- 如果相关系数ρ = 0.9：组合波动率 ≈ 17.1%
- 如果相关系数ρ = 0.0：组合波动率 ≈ 12.5%
- 如果相关系数ρ = -0.5：组合波动率 ≈ 9.0%
看到了吧？同样的权重，仅仅因为相关性不同，组合风险可以差一倍。这就是为什么我们在做多资产配置时，一定要把相关性考虑进去。我个人的经验是，尽量找那些相关性低甚至负相关的资产类别，比如股票+债券、A股+美股、或者商品+债券。
好了，今天的内容就到这里。记住，下次你看到别人给你推荐一个“低风险高收益”的组合，先别急着信，拿协方差矩阵算一算，看看里面的相关性是不是在“捣鬼”。