4、风险度量与协方差矩阵：波动率、相关性、协方差矩阵的计算与解读、协方差矩阵的估计方法（历史法、指数加权法）
各位同学，咱们今天聊点硬核的——风险度量与协方差矩阵。
做量化投资，说白了就是在跟不确定性打交道。你买的每一份资产，背后都藏着波动。而协方差矩阵，就是把这些波动和资产之间的关系，用数学语言讲清楚。我个人习惯，每次搭建新策略前，第一件事就是先把协方差矩阵算明白。为什么？因为后面所有的风险平价、资产配置，都建立在这个矩阵之上。
核心观点：协方差矩阵是风险平价模型的“地基”。地基不稳，楼盖得再高也是危房。
4.1 波动率：风险的“体温计”
波动率，说白了就是资产价格上蹿下跳的幅度。我常用年化波动率来衡量，公式很简单：
年化波动率 = 日收益率标准差 × √252这里252是一年大概的交易天数。为什么用标准差？因为标准差衡量的是收益率偏离均值的程度。偏离越大，波动越大，风险越高。
我在项目中遇到过一件事：有次做回测，某只股票的波动率突然飙升，我一开始以为是数据出错了。后来一查，原来是公司要发财报，市场在赌业绩。嗯，波动率就是这么敏感，它像体温计，能提前告诉你市场“发烧”了。
小技巧：波动率不是越高越好，也不是越低越好。关键看你的策略能不能承受。我个人习惯，年化波动率超过30%的资产，会单独做压力测试。
4.2 相关性：资产之间的“社交关系”
相关性衡量的是两个资产之间，涨跌是否同步。取值范围在-1到1之间。
- 正相关（接近1）：同涨同跌。比如茅台和五粮液，都是白酒，走势高度同步。
- 负相关（接近-1）：你涨我跌。比如股票和国债，很多时候呈跷跷板效应。
- 零相关（接近0）：各走各的，互不干扰。
你想想看，如果组合里全是正相关的资产，那跟只买一只股票有什么区别？风险一点没分散。所以风险平价模型的核心，就是利用资产之间的低相关性，来平滑整体波动。
我曾经犯过一个错：只看短期相关性，结果遇到市场暴跌，所有资产的相关性都往1靠拢。这就是所谓的“相关性危机”。所以我现在看相关性，至少用3年以上的数据，还要做滚动窗口分析。
4.3 协方差矩阵：风险的“全景地图”
协方差矩阵，就是把波动率和相关性整合到一起的一张表。假设你有n个资产，协方差矩阵就是一个n×n的方阵：
- 对角线上的元素：每个资产自己的方差（波动率的平方）
- 非对角线上的元素：两个资产之间的协方差（相关性 × 各自标准差）
举个例子，三个资产A、B、C的协方差矩阵长这样：
| A | B | C | |
|---|---|---|---|
| A | Var(A) | Cov(A,B) | Cov(A,C) |
| B | Cov(B,A) | Var(B) | Cov(B,C) |
| C | Cov(C,A) | Cov(C,B) | Var(C) |
这个矩阵，就是组合风险的“全景地图”。你用它乘以权重向量，就能算出整个组合的方差。风险平价模型，就是在这个矩阵上做文章，让每个资产对组合风险的贡献相等。
注意：协方差矩阵必须是半正定的。如果算出来不是，说明数据有问题，或者估计方法有误。我遇到过几次，都是因为数据缺失或异常值导致的。
4.4 协方差矩阵的估计方法
算协方差矩阵，方法不止一种。我常用的有三种，各有优劣。
4.4.1 历史法（简单粗暴）
就是用过去一段时间的收益率数据，直接算样本协方差。公式不写了，Excel里用COVAR函数就能算。
优点：简单、透明、容易理解。
缺点：所有历史数据权重一样。10年前的数据和昨天的数据，对结果的影响一样大。这显然不合理。
我曾经用历史法做回测，发现模型在震荡市表现很好，但一到趋势行情就崩。后来一查，是因为历史法对近期市场变化反应太慢。嗯，这就是它的硬伤。
4.4.2 指数加权法（更聪明）
指数加权法，说白了就是给近期的数据更高的权重，远期的数据权重逐渐衰减。衰减速度由一个参数λ控制，通常取0.94或0.97。
权重_t = (1 - λ) × λ^(t-1)其中t=1表示最近一天，t=2表示前一天，以此类推。λ越大，衰减越慢，历史数据的影响越持久。
优点：对市场变化反应快，更符合实际。
缺点：λ怎么选？没有标准答案。我一般用0.94，这是RiskMetrics推荐的值。但如果你做的是长期策略，0.97可能更合适。
我的习惯：先用历史法算一遍，再用指数加权法算一遍，对比差异。如果差异很大，说明近期市场结构发生了变化，需要警惕。
4.4.3 其他方法（简单提一下）
除了上面两种，还有收缩估计法、因子模型法等。这些方法更复杂，但能解决历史法和指数加权法的一些固有问题，比如样本量不足、矩阵不稳定等。后面章节会详细讲，这里先留个印象。
避坑指南：我曾经用历史法算一个50只股票的协方差矩阵，结果矩阵不是半正定的，导致优化器报错。后来发现是因为某些股票交易不活跃，收益率全是0。所以，数据清洗比算法本身更重要。
4.5 知识体系总览
下面这张图，把本章的核心逻辑串起来了。你可以把它当作一个思维导图来看：
这张图把本章的知识结构串起来了。从波动率到相关性，再到协方差矩阵，最后落到估计方法和应用。你顺着这个逻辑走，就不会迷路。
4.6 小结
这一章我们讲了三个核心概念：波动率、相关性、协方差矩阵。以及两种常用的估计方法：历史法和指数加权法。
我个人觉得，理解协方差矩阵，是量化投资从“直觉”走向“科学”的关键一步。你不再凭感觉说“这两个资产走势差不多”，而是能用数字精确描述它们之间的关系。
下一章，我们会把这些工具用起来，开始搭建真正的风险平价模型。到时候你会发现，今天学的这些，全是基本功。
一句话总结：波动率告诉你单个资产有多“疯”，相关性告诉你资产之间有多“同步”，协方差矩阵把这两者整合成一张风险地图。而估计方法，决定了这张地图的精度。
公众号:蓝海资料掘金营，微信deep3321