基础知识：收益率、期望收益、方差、标准差、协方差、相关系数的定义与计算
在进入方差-协方差法与组合风险分解之前，必须首先建立一套统一的统计语言。金融风险管理中的每一个结论，无论是组合波动率预测、VaR（在险价值）计算，还是资产配置优化，最终都归结为对收益率的分布特征及其资产间联动关系的量化描述。本章将系统梳理六个核心概念：收益率、期望收益、方差、标准差、协方差与相关系数，并重点说明它们在组合语境下的计算逻辑与业务含义。这些概念不是孤立的数学公式，而是构成后续风险分解模型的“原子组件”。
2.1 收益率：从价格序列到可比度量
核心原理：收益率是金融分析中最基本的输入变量。之所以不直接使用价格，是因为价格水平受规模影响，而收益率实现了跨资产、跨时间的可比性。常用的收益率有两种：简单收益率（算术收益率）与对数收益率（连续复利收益率）。简单收益率定义为 R_t = (P_t - P_{t-1}) / P_{t-1}，直观反映资金增值比例；对数收益率定义为 r_t = ln(P_t / P_{t-1})，具有时间可加性，即多期对数收益率等于各期对数收益率之和。
| 特征 | 简单收益率 | 对数收益率 |
|---|---|---|
| 计算公式 | (P_t - P_{t-1}) / P_{t-1} | ln(P_t / P_{t-1}) |
| 取值范围 | ≥ -100% | (-∞, +∞) |
| 多期加总 | 需连乘后减1 | 直接相加 |
| 正态性假设 | 不支持（有下限） | 更接近正态分布 |
| 常用场景 | 业绩展示、简单回报 | 风险建模、VaR计算 |
操作流程：在实务中，处理收益率序列通常遵循以下步骤：第一步，获取经过复权调整的收盘价序列（注意分红、拆股的影响）；第二步，选择收益率类型——若用于风险模型，优先对数收益率；第三步，计算日频、周频或月频收益率；第四步，检查序列的平稳性与异常值。
2.2 期望收益：不确定性的中心趋势
核心原理：期望收益是未来收益的概率加权平均，记为 E(R)。在历史模拟法中，用样本均值 μ = (1/n)ΣR_t 作为期望收益的估计。期望收益刻画了资产的“平均表现”，但并未反映不确定性程度——这正是方差和标准差要补充的信息。
判断方法：期望收益的估计有三种途径：历史均值法（用过去n期收益率的算术平均）、情景分析法（设定乐观/中性/悲观情景及其概率）、模型估计法（如CAPM中的 E(R) = R_f + β(R_m - R_f)）。在组合风险分解中，期望收益通常作为权重优化的约束条件，而非核心风险度量。
2.3 方差与标准差：波动性的量化
核心原理：方差衡量收益率偏离期望收益的平方平均，公式为 σ² = (1/(n-1))Σ(R_t - μ)²（样本方差，分母为n-1以修正偏差）。标准差σ是方差的平方根，与收益率同量纲，更直观地表示“波动幅度”。在金融中，年化标准差通常被称为“波动率”，是风险定价、保证金计算、期权定价的核心参数。
操作流程：计算年化波动率时，需将日频标准差进行时间尺度转换：σ_年化 = σ_日 × √252（假设一年252个交易日）。同理，周频数据乘以√52，月频数据乘以√12。这一转换基于独立同分布假设，若收益率存在自相关，则需调整。
① 样本均值 μ = (0.8-0.3+1.2-0.5+0.6+0.9-1.1+0.4-0.2+0.7)/10 = 0.25%
② 各日离差平方和 = (0.55)² + (-0.55)² + (0.95)² + (-0.75)² + (0.35)² + (0.65)² + (-1.35)² + (0.15)² + (-0.45)² + (0.45)² = 4.025
③ 样本方差 = 4.025 / 9 = 0.4472 (%²)
④ 日标准差 = √0.4472 = 0.6688%
⑤ 年化波动率 = 0.6688% × √252 ≈ 10.62%
该结果可直接用于后续VaR计算或组合风险预算。
2.4 协方差与相关系数：资产间的联动度量
核心原理：协方差衡量两个资产收益率如何共同变动，公式为 Cov(Rᵢ,Rⱼ) = (1/(n-1))Σ(Rᵢ,t - μᵢ)(Rⱼ,t - μⱼ)。协方差为正表示同向变动，为负表示反向变动。但协方差的数值受各自方差影响，难以直接比较，因此引入相关系数 ρᵢⱼ = Cov(Rᵢ,Rⱼ) / (σᵢσⱼ)，取值范围[-1, 1]，消除了量纲影响。
判断方法：相关系数的解读标准：|ρ| < 0.3为弱相关，0.3 ≤ |ρ| < 0.7为中等相关，|ρ| ≥ 0.7为强相关。在组合风险分解中，相关系数矩阵是协方差矩阵的标准化形式，决定了分散化效果的上限。
| ρ值 | 含义 | 组合风险影响 |
|---|---|---|
| ρ = +1 | 完全正相关 | 无分散化效果，组合波动率等于加权平均 |
| ρ = 0 | 不相关 | 分散化效果显著，组合方差 = 各资产方差加权 |
| ρ = -1 | 完全负相关 | 可构造零风险组合（需精确权重） |
| 0 < ρ < 1 | 部分正相关 | 有一定分散化，但效果受限 |
σₚ² = (0.6)²(0.20)² + (0.4)²(0.08)² + 2(0.6)(0.4)(0.2)(0.20)(0.08)
= 0.0144 + 0.001024 + 0.001536 = 0.01696
σₚ = √0.01696 = 13.02%
对比加权平均波动率 0.6×20% + 0.4×8% = 15.2%，组合波动率降低了约2.2个百分点，这就是分散化的量化体现。
2.5 协方差矩阵与组合风险的基础框架
核心原理：当资产数量超过2个时，需要将所有资产间的协方差组织为矩阵形式。对于n个资产，协方差矩阵Σ为n×n对称矩阵，对角线元素为各资产方差，非对角线元素为两两协方差。组合方差的计算公式为 σₚ² = wᵀΣw，其中w为权重向量。这一公式是后续风险分解（边际风险贡献、成分风险）的数学基础。
操作流程：构建协方差矩阵的步骤：① 收集各资产收益率时间序列；② 计算每个资产的均值与标准差；③ 计算所有资产对之间的协方差；④ 将结果填入矩阵。在Excel中可使用COVARIANCE.S函数，在Python中可使用 numpy.cov 或 pandas.DataFrame.cov。
# Python示例：计算三资产协方差矩阵
import numpy as np
import pandas as pd
# 假设三资产收益率数据（行：时间，列：资产）
returns = pd.DataFrame({
'股票': [0.01, -0.02, 0.03, 0.015, -0.005],
'债券': [0.002, 0.001, 0.003, 0.002, 0.001],
'商品': [0.005, -0.01, 0.008, -0.003, 0.006]
})
cov_matrix = returns.cov()
print(cov_matrix)
# 输出为3×3对称矩阵，对角线为方差，非对角线为协方差2.6 从基础概念到风险分解的桥梁
上述六个概念构成了组合风险分析的完整输入集：收益率提供数据基础，期望收益定义中心位置，方差/标准差度量单资产风险，协方差/相关系数刻画资产间联动。当这些概念组合为协方差矩阵后，即可通过 σₚ² = wᵀΣw 计算组合整体风险，进而分解为各资产的边际风险贡献（MRC）和成分风险贡献（CRC）。
总结复盘：本章的核心逻辑链为：收益率序列 → 单资产统计量（均值、方差） → 多资产联动统计量（协方差、相关系数） → 协方差矩阵 → 组合风险分解。在后续章节中，方差-协方差法将直接利用这些基础量计算组合VaR，而风险分解则依赖协方差矩阵的数学性质。建议读者熟练掌握矩阵运算与统计计算工具，并时刻警惕估计误差对风险结论的影响。