第4章相关性矩阵

4、相关性矩阵：协方差与相关系数、滚动相关性、尾部相关性、相关性结构突变

各位同学，今天我们来聊聊多资产配置里最核心的一个工具——相关性矩阵。

说实话，我做了这么多年量化投资，见过太多人一上来就搞复杂的机器学习模型，结果连资产之间的相关性都没搞清楚。这就像盖房子不打地基，迟早要塌。

相关性这东西，说白了就是告诉你：当A涨的时候，B是跟着涨，还是跌，还是各走各的。你想想看，如果两个资产永远同涨同跌，那配置它俩有啥意义？

  核心观点：多资产配置的本质，就是利用资产之间的低相关性来分散风险。相关性越低，分散效果越好。

4.1 协方差与相关系数

先讲基础。协方差衡量两个资产收益率的线性关系方向。正数表示同向，负数表示反向。

但协方差有个毛病——它受量纲影响。比如股票收益率的波动是百分之几，债券是千分之几，直接比协方差没意义。

所以我们要用相关系数，把协方差标准化到[-1, 1]之间。

import numpy as np

# 假设我们有两只基金的日收益率数据
returns_A = np.array([0.01, -0.02, 0.03, -0.01, 0.02])
returns_B = np.array([0.005, -0.01, 0.015, -0.005, 0.01])

# 计算协方差矩阵
cov_matrix = np.cov(returns_A, returns_B)
print("协方差矩阵：")
print(cov_matrix)

# 计算相关系数矩阵
corr_matrix = np.corrcoef(returns_A, returns_B)
print("\n相关系数矩阵：")
print(corr_matrix)

输出结果里，对角线是1（自己和自己的相关性），非对角线就是我们要的值。

我的经验：在实际项目中，我一般用60个交易日的滚动窗口来计算相关系数。太短了噪声大，太长了反应迟钝。60天是个不错的折中。

4.2 滚动相关性

静态的相关性矩阵有个大问题——它假设资产之间的关系是恒定的。但现实世界不是这样的。

我记得2018年做A股和港股的配对交易时，一开始相关性稳定在0.7左右。结果贸易战一打，相关性直接跳到0.95。如果我还用原来的参数，那策略就完蛋了。

所以我们要用滚动相关性，动态观察相关性的变化。

import pandas as pd
import numpy as np

def rolling_correlation(series1, series2, window=60):
    """
    计算滚动相关系数
    """
    return series1.rolling(window).corr(series2)

# 示例：计算沪深300和中证500的滚动相关性
# 假设df包含两列：'hs300' 和 'zz500'
# df['rolling_corr'] = rolling_correlation(df['hs300'], df['zz500'], window=60)

滚动相关性可以帮你发现几个关键问题：

趋势性变化：相关性在慢慢升高还是降低？
结构性突变：相关性突然跳到一个新水平？
极端事件：市场大跌时相关性是否骤升？

注意：滚动窗口的选择很关键。窗口太小，相关性会剧烈波动，给你很多假信号。窗口太大，又会错过重要变化。我建议至少用60个交易日，如果是周频数据，用52周（一年）。

4.3 尾部相关性

嗯，这里要重点讲一下。尾部相关性，说白了就是市场暴跌时，资产之间会不会一起崩。

我见过太多人只看普通相关性，觉得股票和债券相关性是-0.2，挺好的。结果2008年一来，两者相关性直接变成0.8，一起跌。这就是尾部相关性在作怪。

尾部相关性的计算，通常用条件概率的思路：

def tail_dependence(returns_A, returns_B, quantile=0.05):
    """
    计算尾部相关性
    quantile: 尾部阈值，0.05表示最差的5%情况
    """
    # 找出两个资产都处于尾部的情况
    tail_A = returns_A < returns_A.quantile(quantile)
    tail_B = returns_B < returns_B.quantile(quantile)
    
    # 条件概率：A在尾部时，B也在尾部的概率
    both_tail = (tail_A & tail_B).sum()
    a_tail = tail_A.sum()
    
    return both_tail / a_tail if a_tail > 0 else 0

这个值越高，说明市场暴跌时，这两个资产越容易一起跌。对于风险管理者来说，这是必须关注的指标。

  避坑指南：我曾经用普通相关性做风险预算，结果遇到2020年3月的流动性危机，组合回撤远超预期。后来加了尾部相关性约束，情况就好多了。

4.4 相关性结构突变

最后讲一个比较高级的话题——相关性结构突变。

你想想看，资产之间的相关性不是平滑变化的。它经常会在某个时间点突然跳到一个新水平，然后稳定一段时间。这就是结构突变。

检测结构突变的方法有很多，我常用的是Chow检验和Bai-Perron检验。

from statsmodels.stats.diagnostic import breaks_cusumols
import numpy as np

# 假设我们有一段时间的滚动相关性序列
# 检测是否存在结构突变
def detect_structural_break(corr_series):
    """
    使用CUSUM检验检测相关性结构突变
    """
    # 将相关性序列转为numpy数组
    data = corr_series.values.reshape(-1, 1)
    
    # CUSUM检验
    cusum_test = breaks_cusumols(data)
    
    return cusum_test

实际应用中，我发现几个常见的结构突变点：

2008年金融危机：几乎所有资产的相关性都向1靠拢
2015年A股股灾：股票和商品的相关性结构发生改变
2020年新冠疫情：避险资产和风险资产的相关性出现反转

我的建议：每季度做一次相关性结构突变检测。如果发现突变，就要重新审视你的资产配置模型。别等到回撤了才后悔。

知识体系总览

下面这张图，是我自己梳理的相关性分析知识体系。你可以把它当作一个检查清单，看看自己漏了哪一块。

好了，这一章的内容就到这里。相关性分析是资产配置的基石，但也是最容易被忽视的部分。希望你能把这些工具真正用起来，而不是停留在理论层面。

记住一句话：不要相信静态的相关性，不要忽视尾部风险，不要错过结构突变。

  课后思考：找两个你熟悉的资产，计算它们的滚动相关性。看看在过去的几次市场危机中，相关性发生了什么变化？这对你的配置有什么启示？

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

4、相关性矩阵：协方差与相关系数、滚动相关性、尾部相关性、相关性结构突变

4.1 协方差与相关系数

4.2 滚动相关性

4.3 尾部相关性

4.4 相关性结构突变

知识体系总览