2. 协方差基础回顾
在进入动态协方差与风险模型更新之前，我们必须先把“协方差”这一基础概念彻底厘清。很多从业者在实际建模中出现的错误，并非来自复杂算法，而是源于对协方差、相关系数和协方差矩阵的基本定义与性质理解不牢。本节将系统回顾这三者的定义、性质、几何意义，并指出常见误区，为后续动态建模打下坚实基础。
一、核心原理：从协方差到协方差矩阵
协方差衡量两个随机变量共同变化的程度。设两个随机变量 X 和 Y，其协方差定义为：
Cov(X, Y) = E[(X - E[X])(Y - E[Y])]若 X 与 Y 同向偏离均值，协方差为正；反向偏离则为负；若相互独立，协方差为零。但协方差为零不代表独立，只说明不存在线性相关。
相关系数是协方差的标准化版本，消除了量纲影响：
ρ(X, Y) = Cov(X, Y) / (σ_X * σ_Y)其取值范围为 [-1, 1]，绝对值越接近 1，线性相关越强。相关系数只反映线性关系，无法捕捉非线性依赖。
协方差矩阵将多个变量的两两协方差组织成矩阵。对于 n 个资产收益率向量 R = (R₁, R₂, …, Rₙ)ᵀ，协方差矩阵 Σ 定义为：
Σ = E[(R - E[R])(R - E[R])ᵀ]其中对角线元素为各资产方差，非对角线元素为两两协方差。协方差矩阵必须是对称半正定矩阵，这是风险模型合法性的基本要求。
二、方法流程：如何正确计算与解读
在实际建模中，计算协方差矩阵通常遵循以下流程：
- 数据准备：获取各资产收益率序列，确保时间对齐、缺失值处理一致。
- 去均值：对每个资产收益率减去其样本均值，得到中心化数据。
- 计算协方差：使用样本协方差公式，注意分母为 T-1（无偏估计）或 T（有偏估计）的选择。
- 组装矩阵：将两两协方差填入矩阵对应位置，对角线填方差。
- 校验合法性：检查对称性与半正定性，必要时进行特征值修正。
import numpy as np
returns = np.array([[0.01, 0.02], [0.015, 0.018], [-0.005, 0.01]])
cov_matrix = np.cov(returns, rowvar=False)
print(cov_matrix)
# 输出 2×2 协方差矩阵三、案例/场景：组合风险中的协方差应用
假设一个投资组合包含两个资产，权重向量 w = (0.6, 0.4)ᵀ，协方差矩阵为：
Σ = [[0.04, 0.006],
[0.006, 0.09]]组合方差为 wᵀΣw = 0.6²×0.04 + 0.4²×0.09 + 2×0.6×0.4×0.006 = 0.0144 + 0.0144 + 0.00288 = 0.03168。若忽略协方差项，仅用方差加权，会得到 0.0288，低估风险约 9%。这说明协方差在组合风险中不可忽略。
在动态风险模型中，协方差矩阵并非一成不变。市场波动聚集、相关性突变都会导致 Σ 随时间变化。因此，静态协方差矩阵只能作为基准，动态更新才是实战核心。
四、误区/复盘：常见错误与纠正
| 误区 | 错误理解 | 正确认知 |
|---|---|---|
| 协方差为零即独立 | 认为 Cov=0 意味着两变量无关 | 仅表示无线性相关，可能存在非线性依赖 |
| 相关系数可比较不同量纲 | 直接用协方差比较强弱 | 必须用相关系数消除量纲影响 |
| 协方差矩阵一定可逆 | 直接求逆用于优化 | 可能奇异或病态，需正则化或收缩 |
| 静态协方差足够 | 用历史全样本估计未来风险 | 需动态更新，捕捉时变特征 |
复盘以上内容，协方差、相关系数和协方差矩阵是风险模型的三大基石。理解它们的定义、性质与几何意义，识别常见误区，才能正确构建和更新动态风险模型。下一阶段，我们将在此基础上引入指数加权、GARCH 等动态协方差估计方法。