风险平价模型的数学基础

说实话，很多做量化的人一看到协方差矩阵就头疼。我刚开始做风险平价的时候也一样，觉得这东西太抽象了。但后来我发现，搞懂这几个数学概念，其实就是搞懂了风险平价的核心逻辑。

今天咱们就来聊聊协方差矩阵、波动率、相关系数，还有风险贡献的计算。这些是风险平价模型的基石，绕不开的。

波动率：风险的“尺子”

波动率说白了就是资产价格的“上蹿下跳”程度。我习惯用年化波动率来衡量风险，因为这样不同资产之间才好比较。

计算波动率，最常用的就是标准差公式：

import numpy as np

# 假设我们有某资产的日收益率数据
returns = np.array([0.01, -0.005, 0.02, -0.01, 0.015])

# 计算日波动率（标准差）
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}")

相关系数：资产之间的“默契度”

相关系数衡量的是两个资产之间“同涨同跌”的程度。取值范围在-1到1之间。1表示完全正相关，-1表示完全负相关，0表示没关系。

你想想看，如果两个资产相关系数很高，那分散风险的效果就大打折扣了。我在做风险平价时，最怕遇到的就是“伪分散”——表面上配了很多资产，结果一跌全跌。

# 计算两个资产的相关系数
asset_a = np.array([0.01, -0.005, 0.02, -0.01, 0.015])
asset_b = np.array([0.008, -0.003, 0.015, -0.008, 0.012])

corr_matrix = np.corrcoef(asset_a, asset_b)
print(f"相关系数矩阵:\n{corr_matrix}")

协方差矩阵：风险的全貌

协方差矩阵是波动率和相关系数的“合体版”。它既包含了每个资产自身的波动，也包含了资产之间的联动关系。

我个人觉得，协方差矩阵是风险平价模型里最重要的输入。为什么？因为它决定了你最终的风险分配结果。

概念	含义	计算公式
方差	单个资产的风险	σ² = E[(R - μ)²]
协方差	两个资产之间的联动	Cov(A,B) = E[(R_A - μ_A)(R_B - μ_B)]
相关系数	标准化的协方差	ρ = Cov(A,B) / (σ_A × σ_B)

# 构建协方差矩阵
cov_matrix = np.cov(asset_a, asset_b)
print(f"协方差矩阵:\n{cov_matrix}")

# 从协方差矩阵提取波动率和相关系数
vols = np.sqrt(np.diag(cov_matrix))
corr = cov_matrix[0,1] / (vols[0] * vols[1])

print(f"资产A波动率: {vols[0]:.4f}")
print(f"资产B波动率: {vols[1]:.4f}")
print(f"相关系数: {corr:.4f}")

风险贡献：拆解风险的“手术刀”

风险平价的核心，就是让每个资产对组合的风险贡献相等。那风险贡献怎么算呢？

假设组合权重为 w，协方差矩阵为 Σ，那么组合的方差就是 wᵀΣw。第 i 个资产的风险贡献（RC）是：

RC_i = w_i × (Σw)_i / √(wᵀΣw)

其中 (Σw)_i 是协方差矩阵乘以权重向量的第 i 个分量

说白了，风险贡献就是“权重 × 边际风险”。边际风险衡量的是：增加一点点这个资产的权重，组合风险会变化多少。

def risk_contribution(weights, cov_matrix):
    """
    计算每个资产的风险贡献
    """
    portfolio_var = weights @ cov_matrix @ weights
    portfolio_vol = np.sqrt(portfolio_var)
    
    # 边际风险
    marginal_risk = cov_matrix @ weights / portfolio_vol
    
    # 风险贡献
    rc = weights * marginal_risk
    
    return rc / portfolio_vol  # 归一化，总和为1

# 示例
weights = np.array([0.5, 0.5])
rc = risk_contribution(weights, cov_matrix)
print(f"资产A风险贡献: {rc[0]:.2%}")
print(f"资产B风险贡献: {rc[1]:.2%}")

知识体系总览

下面这张图帮你理清这几个概念之间的关系：

避坑指南

最后分享几个我踩过的坑：

• 协方差矩阵奇异：当资产数量大于时间窗口长度时，矩阵不可逆。我一般用收缩估计（Shrinkage）来处理。
• 相关系数不稳定：市场环境变了，相关系数也会变。我建议用滚动窗口重新估计，别用全历史数据。
• 忽略尾部风险：波动率只衡量了“正常”波动，极端情况它管不了。可以结合 VaR 或 CVaR 来补充。

嗯，数学基础就这些。搞懂了协方差矩阵、波动率、相关系数和风险贡献，风险平价模型的门槛就跨过去一半了。剩下的就是怎么优化权重，让风险贡献相等——这个咱们后面再聊。

---