3、协方差矩阵估计：历史协方差、指数加权协方差（EWMA）、收缩估计量（Shrinkage）

协方差矩阵，说白了就是资产之间联动关系的「心电图」。你想想看，做风险预算模型，如果连资产之间怎么互相影响都搞不清楚，那后面的配置全是瞎蒙。我见过不少新手，上来就用历史协方差，结果回测漂亮，实盘一跑就崩——为什么？因为市场变了，过去的联动关系早就不作数了。

这一章，咱们就聊聊三种主流的估计方法。每种方法我都踩过坑，有些教训是用真金白银换来的。

3.1 历史协方差：最朴素，也最危险

历史协方差，就是直接拿过去一段时间的收益率数据，算个协方差矩阵。公式很简单：

import numpy as np

def historical_cov(returns):
    # returns: T x N 的收益率矩阵
    return np.cov(returns, rowvar=False)

嗯，代码就三行。但越简单的东西，坑越多。

历史协方差最大的问题，就是它假设「过去=未来」。但市场哪会这么听话？

3.2 指数加权协方差（EWMA）：给数据「打折」

EWMA的思路很直观：越近的数据越重要，越远的数据越不重要。用指数衰减的方式给每个时间点分配权重。

公式长这样：

def ewma_cov(returns, lambda_=0.94):
    """
    lambda_: 衰减因子，通常取0.94（日频数据）
    """
    T, N = returns.shape
    cov = np.zeros((N, N))
    # 权重：最近的数据权重最大
    weights = np.array([(1 - lambda_) * lambda_**(T-1-i) for i in range(T)])
    weights /= weights.sum()  # 归一化
    
    mean = np.average(returns, axis=0, weights=weights)
    centered = returns - mean
    # 加权协方差
    cov = np.dot((centered * weights[:, np.newaxis]).T, centered)
    return cov

EWMA的好处是能快速响应市场变化。但坏处也很明显——如果最近几天市场异常波动（比如闪崩），EWMA会过度反应，导致协方差矩阵「抽风」。

3.3 收缩估计量（Shrinkage）：中庸之道

历史协方差噪声大，EWMA又太敏感。那有没有折中方案？有，就是收缩估计量。

核心思想：把样本协方差矩阵往一个「先验目标」上拉一拉。这个目标通常是一个结构简单的矩阵，比如等相关系数矩阵或单因子模型矩阵。

def shrinkage_cov(returns, alpha=0.2):
    """
    alpha: 收缩强度，0=纯样本，1=纯目标
    """
    # 样本协方差
    sample_cov = np.cov(returns, rowvar=False)
    
    # 目标矩阵：这里用等相关系数矩阵
    # 即所有资产两两之间的相关系数都取平均值
    corr = np.corrcoef(returns, rowvar=False)
    avg_corr = (corr.sum() - N) / (N * (N - 1))  # 去掉对角线
    target_cov = np.ones_like(sample_cov) * avg_corr
    # 保持方差不变
    np.fill_diagonal(target_cov, np.diag(sample_cov))
    
    # 收缩
    shrunk_cov = (1 - alpha) * sample_cov + alpha * target_cov
    return shrunk_cov

from sklearn.covariance import LedoitWolf
lw = LedoitWolf()
lw.fit(returns)
shrunk_cov = lw.covariance_

3.4 三种方法对比：什么时候用哪个？

我个人习惯：先用 Ledoit-Wolf 打底，如果策略对时效性要求高，再切换到 EWMA。但不管用哪种，一定要做稳定性检验——把协方差矩阵的特征值画出来，看看有没有异常值。

3.5 知识体系总览

下面这张图，帮你把三种方法的关系理清楚：