3. 协方差矩阵估计：历史协方差、指数加权移动平均(EWMA)、收缩估计法(Shrinkage)

协方差矩阵是投资组合风险归因的核心输入，它刻画了资产之间的联动关系。在实际量化风控中，协方差矩阵的估计质量直接决定了风险预测的准确性。本章系统讲解三种主流估计方法：历史协方差、指数加权移动平均(EWMA)和收缩估计法(Shrinkage)，并对比其适用场景与优劣。

3.1 历史协方差估计

历史协方差是最直观的方法，直接使用样本数据计算协方差矩阵。假设有 N 个资产、T 个时间窗口的收益率数据，样本协方差矩阵为：

Σ_ij = (1/(T-1)) * Σ_{t=1}^{T} (r_{i,t} - μ_i)(r_{j,t} - μ_j)

其中 r_{i,t} 为资产 i 在时间 t 的收益率，μ_i 为样本均值。

3.2 指数加权移动平均(EWMA)

EWMA 通过赋予近期数据更高权重来捕捉时变波动与相关性，广泛应用于 RiskMetrics 等风控框架。其核心公式为：

Σ_ij(t) = λ * Σ_ij(t-1) + (1-λ) * (r_{i,t} * r_{j,t})

其中 λ 为衰减因子（通常取 0.94~0.97），控制历史数据的衰减速度。λ 越大，历史数据权重衰减越慢；λ 越小，模型对近期变化越敏感。

3.3 收缩估计法(Shrinkage)

收缩估计法通过将样本协方差矩阵向一个结构化目标矩阵（如等相关系数矩阵、单因子模型矩阵）压缩，在偏差与方差之间取得最优平衡。Ledoit-Wolf 收缩是最经典的实现：

Σ_shrink = δ * F + (1-δ) * S

其中 S 为样本协方差矩阵，F 为目标矩阵，δ 为收缩强度（由数据驱动估计）。

3.4 三种方法对比与选择

以下表格从多个维度对比三种协方差估计方法，帮助你在实际项目中做出选择：

3.5 实战选择建议

1. 数据量充足（T > 5N）且市场稳定：优先使用历史协方差，计算简单且无偏。
2. 需要捕捉时变波动与相关性：采用 EWMA，λ 建议在 0.94~0.97 之间调参。
3. 高维组合（T ≈ N 或 T < N）：必须使用 Shrinkage，推荐 Ledoit-Wolf 等相关系数目标。
4. 生产环境最佳实践：将 EWMA 作为主估计器，Shrinkage 作为备选或融合方案，定期回测比较。

import numpy as np
from sklearn.covariance import LedoitWolf

# 模拟收益率数据 (T=500, N=10)
np.random.seed(42)
returns = np.random.randn(500, 10) * 0.01

# 1. 历史协方差
hist_cov = np.cov(returns, rowvar=False)

# 2. EWMA
lam = 0.94
ewma_cov = np.cov(returns[0], rowvar=False)
for t in range(1, len(returns)):
    r_t = returns[t].reshape(-1, 1)
    ewma_cov = lam * ewma_cov + (1 - lam) * (r_t @ r_t.T)

# 3. Shrinkage (Ledoit-Wolf)
lw = LedoitWolf()
shrink_cov = lw.fit(returns).covariance_

print(f"历史协方差 条件数: {np.linalg.cond(hist_cov):.2f}")
print(f"EWMA 条件数: {np.linalg.cond(ewma_cov):.2f}")
print(f"Shrinkage 条件数: {np.linalg.cond(shrink_cov):.2f}")
print(f"收缩强度 δ: {lw.shrinkage_:.4f}")