3. 风险与收益度量：期望收益、方差、标准差、协方差、相关系数的计算与解读
做投资组合，说白了就两件事：算清楚能赚多少，搞明白会亏多少。这一章我们就把这几个最基础的度量工具掰开揉碎讲清楚。我个人习惯是，不管多复杂的策略，最后都得回到这几个数字上来——它们是整个量化大厦的地基。
3.1 期望收益：你凭什么觉得能赚钱？
期望收益，就是所有可能收益的概率加权平均。它不是预测，而是一个统计意义上的“中心点”。
公式很简单：
E(R) = Σ (pᵢ × Rᵢ)其中 pᵢ 是第 i 种情况发生的概率，Rᵢ 是对应的收益率。
举个例子：
| 市场状态 | 概率 | 收益率 |
|---|---|---|
| 牛市 | 30% | +20% |
| 震荡 | 50% | +5% |
| 熊市 | 20% | -10% |
期望收益 = 0.3×20% + 0.5×5% + 0.2×(-10%) = 6.5%
3.2 方差与标准差：风险到底有多大？
期望收益告诉你“大概能赚多少”，但没告诉你“波动有多剧烈”。方差就是用来衡量这个的。
方差公式：
σ² = Σ [pᵢ × (Rᵢ - E(R))²]标准差就是方差的平方根：σ = √σ²
还用上面的例子：
- 牛市偏差：20% - 6.5% = 13.5%，平方 = 0.018225
- 震荡偏差：5% - 6.5% = -1.5%，平方 = 0.000225
- 熊市偏差：-10% - 6.5% = -16.5%，平方 = 0.027225
方差 = 0.3×0.018225 + 0.5×0.000225 + 0.2×0.027225 = 0.01107
标准差 = √0.01107 ≈ 10.52%
关键解读： 标准差越大，收益的不确定性越高。在投资组合里，我们通常用标准差来代表“风险”。但注意——它只衡量波动，不区分向上还是向下。
我曾经犯过一个错：只看标准差小的资产就觉得安全。结果那是一只长期横盘、偶尔暴跌的股票。标准差确实不大，但尾部风险极高。所以后来我加了一条规矩：标准差必须配合最大回撤一起看。
3.3 协方差：两个资产怎么联动？
单个资产的风险好算，但组合的风险要看资产之间的“互动”。协方差就是干这个的。
公式：
Cov(Rᵢ, Rⱼ) = Σ [pₖ × (Rᵢₖ - E(Rᵢ)) × (Rⱼₖ - E(Rⱼ))]说白了，就是两个资产各自偏离期望值的乘积的加权平均。
| 状态 | 概率 | 资产A偏差 | 资产B偏差 | 乘积 |
|---|---|---|---|---|
| 牛市 | 30% | +13.5% | +10% | 0.0135 |
| 震荡 | 50% | -1.5% | +2% | -0.0003 |
| 熊市 | 20% | -16.5% | -8% | 0.0132 |
协方差 = 0.3×0.0135 + 0.5×(-0.0003) + 0.2×0.0132 = 0.00654
正值表示两个资产倾向于同向变动，负值表示反向。
3.4 相关系数：标准化后的联动关系
相关系数就是把协方差“归一化”到 [-1, 1] 区间：
ρᵢⱼ = Cov(Rᵢ, Rⱼ) / (σᵢ × σⱼ)用上面的数据，假设资产A标准差10.52%，资产B标准差8%：
ρ = 0.00654 / (0.1052 × 0.08) ≈ 0.777
这个值说明两个资产有较强的正相关。
| 相关系数范围 | 含义 | 组合效果 |
|---|---|---|
| +1.0 | 完全正相关 | 无分散化效果 |
| 0.0 ~ +0.5 | 弱正相关 | 有一定分散化 |
| 0.0 | 不相关 | 分散化效果较好 |
| -0.5 ~ 0.0 | 弱负相关 | 分散化效果明显 |
| -1.0 | 完全负相关 | 理论上可消除风险 |
3.5 知识体系总览
下面这张图把本章的核心逻辑串起来了：
3.6 实战中的坑与技巧
理论讲完了，说点实际的。这些是我在真实项目中踩过的坑：
- 样本量不够： 用20个数据点算协方差，结果毫无意义。我一般要求至少60个交易日的数据，最好是252个（一年）。
- 相关性会变： 牛市里相关系数0.9的资产，熊市里可能变成0.3。别拿历史数据当真理。
- 极端值污染： 一次股灾就能把协方差拉得面目全非。我习惯用缩尾处理或稳健估计。
- 频率不匹配： 日收益率算出来的协方差，和月收益率算出来的，完全是两码事。做组合时一定要统一频率。
我的核心建议： 别只盯着一个指标。期望收益、标准差、相关系数，这三个要放在一起看。单独看任何一个，都容易得出片面的结论。
嗯，这一章的内容就到这儿。这些度量工具是后续所有组合优化方法的基础。你想想看，如果连风险都量不准，那后面的马科维茨、风险平价、Black-Litterman，全都成了空中楼阁。