3. 协方差矩阵估计：历史法、指数加权法、收缩估计法——实战中的选择与陷阱
协方差矩阵，说白了就是资产之间“联动关系”的数学快照。你用它算风险预算、做再平衡，如果矩阵本身是歪的，那后面所有漂亮公式都是白搭。
我见过太多人一上来就调优化器，结果组合波动率失控。回头一查，协方差矩阵里全是噪声。嗯，今天咱们就把三种主流方法掰开揉碎，看看它们各自在什么场景下靠谱，又在什么地方容易翻车。
3.1 历史法：最直观，也最危险
历史法就是直接拿过去 T 期的收益率数据，算样本协方差矩阵。公式很简单：
Σ_ij = (1/(T-1)) * Σ_t (r_it - μ_i)(r_jt - μ_j)你想想看，这背后有个很强的假设——过去 N 天的数据，能代表未来的协方差结构。但市场会这么听话吗？
我个人的习惯是，只有在以下三个条件同时满足时，才敢用纯历史法：
- 样本量足够大：T > 5N 是最低门槛，T > 10N 才算安全。如果你有 50 只股票，至少需要 250 个交易日（一年以上）。
- 市场环境稳定：没有结构性突变，比如 2008 年、2020 年那种极端行情。
- 资产同质性高：比如全是大型蓝筹股，而不是股票+债券+商品的大杂烩。
3.2 指数加权法（EWMA）：给近期数据更高权重
EWMA 的核心思想很简单——昨天的相关性比 100 天前的相关性更有参考价值。它用一个衰减因子 λ（通常取 0.94 或 0.97）来控制记忆长度：
Σ_t = λ * Σ_{t-1} + (1-λ) * r_t * r_t^Tλ 越大，历史数据衰减越慢。λ=0.94 时，半衰期约为 11 天；λ=0.97 时，半衰期约为 23 天。
我建议在以下场景优先考虑 EWMA：
- 高频调仓策略：比如每周甚至每日再平衡，需要捕捉近期波动变化。
- 波动率聚集明显的市场：比如股指期货、外汇市场，大波动后往往跟着大波动。
- 风险监控系统：需要实时更新 VaR 或边际风险贡献。
但 EWMA 也有个致命问题——它对初始值敏感。如果你从一段平静期开始算，突然遇到一个极端收益，矩阵会被瞬间拉偏。我记得有一次做商品期货组合，原油一天跌了 8%，EWMA 给出的波动率直接翻倍，但实际市场并没有那么恐慌。
3.3 收缩估计法：小样本下的救星
收缩估计法的思路很巧妙——既然样本协方差矩阵噪声太大，那我就把它往一个“更稳定”的目标矩阵拉一拉。最经典的是 Ledoit-Wolf 收缩：
Σ_shrink = δ * F + (1-δ) * S其中 S 是样本协方差矩阵，F 是目标矩阵（比如常数相关系数模型），δ 是收缩强度，由数据自动决定。
为什么说它是救星？ 你想想看，当你只有 60 个交易日却要估计 100 只股票的协方差矩阵时，样本矩阵几乎是奇异的。收缩估计法通过引入先验结构，让矩阵变得可逆且稳定。
我个人在以下场景几乎必用收缩法：
- 高维组合：资产数量接近或超过样本天数。
- 多资产配置：股票+债券+商品+另类投资，相关性结构复杂。
- 风险平价策略：对协方差矩阵的稳定性要求极高。
| 方法 | 优点 | 缺点 | 最佳场景 |
|---|---|---|---|
| 历史法 | 无偏、计算简单、可解释性强 | 噪声大、对异常值敏感、需要大样本 | 长历史、低维、稳定市场 |
| EWMA | 捕捉时变波动、适应性强 | 对初始值敏感、λ 选择主观 | 高频、波动率聚集、风险监控 |
| 收缩法 | 稳定、可逆、小样本下表现好 | 有偏、依赖目标矩阵选择 | 高维、短历史、组合优化 |
3.4 实战中的选择框架
说了这么多，到底怎么选？我一般按这个流程走：
- 先看维度：如果 N > T/3，直接上收缩法，别犹豫。
- 再看频率：如果是日频或更高频调仓，用 EWMA；如果是月频或季度调仓，历史法或收缩法更合适。
- 最后看稳定性：如果市场有明显 regime switching（比如牛熊转换），考虑用滚动窗口的收缩法，或者混合模型。
3.5 避坑指南：我踩过的三个大坑
坑一：忽视非平稳性。 协方差矩阵假设数据是平稳的，但资产收益率的波动和相关性都在变。我曾经用 5 年日数据算历史协方差，结果 2018 年贸易战一来，矩阵里的相关系数全部失效。后来我改用 1 年滚动窗口 + 收缩法，才稳住。
坑二：过度依赖 EWMA 的 λ=0.94。 RiskMetrics 推荐 λ=0.94 是针对日频数据的，但如果你用的是周频或月频数据，这个值就不合适了。我记得有一次做月频再平衡，用了 λ=0.94，结果矩阵几乎不衰减，跟历史法没区别。
坑三：收缩目标选错。 收缩法的目标矩阵 F 如果选得太简单（比如单位矩阵），会过度压缩真实信号。我建议用“常数相关系数模型”或“单因子模型”作为目标，既稳定又不失合理性。