3. 方差-协方差方法：基于历史数据的协方差矩阵估计、组合方差分解、边际风险贡献计算
方差-协方差方法是组合风险归因的经典框架，其核心在于通过历史收益率数据估计资产间的线性依赖结构，进而将组合总风险（方差）精确分解到各资产及因子层面。本节将依次讲解协方差矩阵的稳健估计、组合方差分解的数学原理，以及边际风险贡献（MRC）的计算与解读。
3.1 基于历史数据的协方差矩阵估计
协方差矩阵是方差-协方差方法的基石。假设组合包含 N 个资产，基于 T 期历史收益率数据，样本协方差矩阵的经典估计公式为：
Σ_ij = (1 / (T-1)) * Σ_{t=1}^{T} (R_it - μ_i) * (R_jt - μ_j)其中 R_it 为资产 i 在 t 期的收益率，μ_i 为样本均值。然而，当 T 相对 N 不够大时，样本协方差矩阵存在严重的估计误差和病态问题。下表对比了三种常用估计方法：
| 估计方法 | 核心思想 | 优点 | 缺点 |
|---|---|---|---|
| 样本协方差 | 直接计算历史收益率协方差 | 无偏、计算简单 | 高维时噪声大、可能非正定 |
| 指数加权移动平均（EWMA） | 给近期数据更高权重，λ 为衰减因子 | 对市场变化反应灵敏 | 需要调参 λ，长期估计偏差 |
| 收缩估计（Ledoit-Wolf） | 将样本协方差向结构化目标（如单位矩阵）收缩 | 降低估计误差、保证正定性 | 收缩强度需数据驱动 |
实战建议：在股票数量超过 100 只、历史窗口不足 2 年时，优先使用 Ledoit-Wolf 收缩估计或 EWMA 方法，避免样本协方差矩阵的“尖峰”噪声导致风险归因失真。
3.2 组合方差分解
获得协方差矩阵 Σ 后，组合方差可表示为：
σ²_p = w' Σ w = Σ_i Σ_j w_i w_j σ_ij其中 w 为 N × 1 权重向量。方差分解的目标是将总风险拆解到每个资产或每个因子。常用的分解方式包括：
- 资产级方差分解：将 σ²_p 拆解为各资产自身方差贡献与交叉协方差贡献之和。
- 因子级方差分解：将 Σ 分解为因子载荷矩阵 B 和因子协方差矩阵 Σ_f 的形式，即 Σ = B Σ_f B' + D，其中 D 为特异方差对角矩阵。
下表展示了资产级方差分解的示例（假设 3 个资产）：
| 资产 | 权重 w_i | 方差贡献 w_i² σ²_i | 交叉贡献 2 Σ_{j≠i} w_i w_j σ_ij | 总贡献 | 贡献占比 |
|---|---|---|---|---|---|
| 资产 A | 0.40 | 0.064 | 0.032 | 0.096 | 48% |
| 资产 B | 0.35 | 0.049 | 0.028 | 0.077 | 38.5% |
| 资产 C | 0.25 | 0.025 | 0.002 | 0.027 | 13.5% |
| 合计 | 1.00 | 0.138 | 0.062 | 0.200 | 100% |
关键点：交叉贡献项反映了资产间的相关性对组合风险的放大或对冲作用。当资产间正相关时，交叉贡献为正，增加总风险；负相关时则降低总风险。
3.3 边际风险贡献（MRC）计算
边际风险贡献衡量的是：当某资产权重发生微小变动时，组合总风险的边际变化。数学上，资产 i 的边际风险贡献定义为：
MRC_i = ∂σ_p / ∂w_i = (Σ w)_i / σ_p其中 (Σ w)_i 为协方差矩阵与权重向量乘积的第 i 个分量。进一步，资产 i 对组合总风险的绝对贡献为：
RC_i = w_i * MRC_i = w_i * (Σ w)_i / σ_p且所有资产的 RC_i 之和等于组合标准差 σ_p。这一性质使得风险归因具有可加性，是风险预算和绩效归因的基础。
3.4 实战案例：三资产组合风险归因
假设一个三资产组合，权重向量 w = [0.5, 0.3, 0.2]'，协方差矩阵如下：
Σ = [[0.04, 0.01, 0.005],
[0.01, 0.09, 0.02],
[0.005, 0.02, 0.16]]计算步骤：
- 计算 Σ w： [0.04*0.5 + 0.01*0.3 + 0.005*0.2, 0.01*0.5 + 0.09*0.3 + 0.02*0.2, 0.005*0.5 + 0.02*0.3 + 0.16*0.2] = [0.0235, 0.036, 0.0405]
- 计算组合方差： σ²_p = w' Σ w = 0.5*0.0235 + 0.3*0.036 + 0.2*0.0405 = 0.01175 + 0.0108 + 0.0081 = 0.03065
- 计算组合标准差： σ_p = sqrt(0.03065) ≈ 0.1751
- 计算 MRC： MRC_1 = 0.0235 / 0.1751 ≈ 0.1342；MRC_2 = 0.036 / 0.1751 ≈ 0.2056；MRC_3 = 0.0405 / 0.1751 ≈ 0.2313
- 计算风险贡献： RC_1 = 0.5 * 0.1342 = 0.0671；RC_2 = 0.3 * 0.2056 = 0.0617；RC_3 = 0.2 * 0.2313 = 0.0463
- 验证： 0.0671 + 0.0617 + 0.0463 = 0.1751 = σ_p ✓
常见陷阱：当资产间相关性极高时，MRC 可能为负值（对冲资产），此时风险贡献 RC_i 仍可能为正，但需警惕权重与 MRC 符号相反导致的“负风险贡献”现象，这通常意味着该资产降低了组合整体风险。
3.5 方差-协方差方法的局限性
- 正态性假设：方法假设收益率服从多元正态分布，但实际金融数据常具有厚尾和偏斜特征，导致尾部风险低估。
- 线性依赖：仅捕捉线性相关性，无法刻画非线性依赖（如尾部相依性）。
- 历史依赖：估计结果对历史窗口长度和权重敏感，窗口过短则噪声大，过长则反应滞后。
在实际应用中，方差-协方差方法常作为风险归因的基准模型，并与蒙特卡洛模拟、历史模拟等方法结合使用，以更全面地刻画组合风险特征。