1、相关性基础：为什么资产配置要看相关性？协方差与相关系数的数学定义

做量化投资这些年，我见过太多人一上来就研究各种复杂的策略。但说实话，资产配置才是决定你收益曲线的核心。而相关性分析，就是资产配置的基石。

你想想看，如果你手里拿的全是同一类资产，比如全是科技股，那市场一波动，你的账户就像坐过山车。但如果你能搭配一些相关性低的资产，比如股票+债券+黄金，那整体波动就会平滑很多。这就是我们为什么要看相关性。

1.1 协方差：两个资产到底怎么走？

先聊协方差。它的数学定义很简单：

Cov(X, Y) = E[(X - μx)(Y - μy)]

说白了，就是看两个资产相对于各自均值的偏离程度。如果它们经常一起涨一起跌，协方差就是正的。如果一个涨一个跌，协方差就是负的。

我记得刚入行时，有个老交易员跟我说：「别只看协方差，它有个大问题——量纲不统一。」

什么意思？比如你拿茅台和工商银行算协方差，茅台的股价是几百块，工行才几块钱，算出来的协方差数值会被茅台的价格尺度主导。这其实是个坑。

1.2 相关系数：标准化后的相关性

为了解决量纲问题，我们引入了相关系数。它的公式是：

ρ(X, Y) = Cov(X, Y) / (σx * σy)

这个值被压缩在[-1, 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。

我个人习惯用相关系数来做初步筛选。比如我要构建一个稳健组合，会先看各资产之间的相关系数矩阵，把那些相关系数超过0.7的资产挑出来，考虑是否要替换掉其中一个。

相关系数范围	相关性强度	配置建议
0.7 ~ 1.0	强正相关	避免同时重仓
0.3 ~ 0.7	中等正相关	可适度搭配
-0.3 ~ 0.3	弱相关	适合分散配置
-0.7 ~ -0.3	中等负相关	对冲效果明显
-1.0 ~ -0.7	强负相关	优秀的对冲工具

1.3 实战中的坑：相关性会变

嗯，这里要注意。很多新手以为算出一个相关系数就能用一辈子。但现实是，相关性是时变的。

我做过一个测试：用滚动窗口计算沪深300和国债的相关系数。结果发现，在2015年股灾期间，它们的相关系数从-0.2直接跳到了0.6。为什么？因为市场恐慌时，所有资产都在被抛售，流动性危机让相关性趋近于1。

所以我的建议是：不要只看全样本的相关系数，要看滚动窗口的动态变化。至少用60个交易日的滚动窗口，观察相关性的稳定性。

1.4 用Python快速计算

理论讲完了，上点干货。这是我常用的计算代码：

import numpy as np
import pandas as pd

# 假设有两支资产的历史收益率数据
returns = pd.DataFrame({
    '资产A': [0.02, -0.01, 0.03, 0.01, -0.02],
    '资产B': [0.01, 0.02, -0.01, 0.03, 0.01]
})

# 计算协方差矩阵
cov_matrix = returns.cov()
print('协方差矩阵：')
print(cov_matrix)

# 计算相关系数矩阵
corr_matrix = returns.corr()
print('\n相关系数矩阵：')
print(corr_matrix)

# 滚动相关系数（60日窗口）
rolling_corr = returns['资产A'].rolling(60).corr(returns['资产B'])
print('\n滚动相关系数（最后5个值）：')
print(rolling_corr.tail())

这段代码虽然简单，但我在实际项目中一直在用。特别是滚动相关系数那部分，能帮你及时发现相关性的结构性变化。

1.5 知识体系总览

为了让你更直观地理解本章的知识结构，我画了一张图：

这张图把本章的核心逻辑串起来了。从协方差和相关系数出发，最终落到实战应用上。你写代码时也可以按这个思路来：先算协方差，再看相关系数，最后做滚动分析。

好了，这一章就到这里。相关性分析是资产配置的起点，但绝不是终点。后面我们会深入探讨如何利用这些工具构建真正的投资组合。

---