第26讲：协方差矩阵估计 (Estimating Covariance Matrices)

1. 协方差基础概念#

1.1 什么是协方差？#

协方差衡量两个随机变量的联合变化程度。数学表达式为：

Cov(X,Y) = E[(X - E[X])(Y - E[Y])]

当X和Y的协方差：

正值：同向变动
负值：反向变动
零值：无线性关系

示例计算：

code

import numpy as np

X = np.random.normal(size=1000)
epsilon = np.random.normal(0, 3, 1000)
Y = 5*X + epsilon

cov_manual = np.mean((X - X.mean())*(Y - Y.mean()))
print(f"手动计算协方差: {cov_manual:.2f}")

cov_numpy = np.cov(X, Y)[0, 1]
print(f"NumPy计算协方差: {cov_numpy:.2f}")

1.2 协方差矩阵#

对于N个资产，协方差矩阵是N×N的对称矩阵：

对角线：各资产的方差
非对角线：资产间的协方差

code

# 四只股票的协方差矩阵示例
import yfinance as yf

symbols = ['AAPL', 'MSFT', 'GS', 'SBUX']
data = yf.download(symbols, start='2022-01-01', end='2023-01-01')['Adj Close']
returns = data.pct_change().dropna()

cov_matrix = returns.cov()
print("协方差矩阵:\n", cov_matrix)

2. 现代投资组合理论中的挑战#

2.1 样本协方差的缺陷#

当资产数量P > 观测数T时，样本协方差矩阵：

变得不稳定
包含极端值
导致投资组合权重剧烈波动

2.2 可视化问题案例#

code

import seaborn as sns

# 生成高维随机数据
np.random.seed(42)
P = 50  # 资产数量
T = 60  # 观测次数
returns = np.random.randn(T, P)

# 计算样本协方差
sample_cov = np.cov(returns, rowvar=False)

# 绘制协方差分布
plt.figure(figsize=(10,6))
sns.histplot(sample_cov.flatten(), bins=50, kde=True)
plt.title("样本协方差分布 (P=50, T=60)");

3. 收缩估计量（Shrinkage Estimator）#

3.1 核心思想#

将样本协方差矩阵向目标矩阵收缩：

\hat{\Sigma}_{\text{shrunk}} = \delta F + (1-\delta)S

其中：

$\hat{\Sigma}_{\text{shrunk}}$ 是收缩后的协方差矩阵
$\delta$ 是收缩强度参数(0到1之间)
$F$ 是目标矩阵(通常是结构化的先验矩阵)
$S$ 是样本协方差矩阵

3.2 Ledoit-Wolf 最优收缩#

自动计算最优δ，平衡偏差与方差：

code

from sklearn.covariance import LedoitWolf

# 使用Ledoit-Wolf估计
lw = LedoitWolf().fit(returns)
lw_cov = lw.covariance_

# 比较收缩强度
print(f"最优收缩系数: {lw.shrinkage_:.2f}")

4. 实战比较：样本 vs Ledoit-Wolf#

4.1 误差对比分析#

code

# 划分训练集和测试集
train = returns[:40]
test = returns[40:]

# 计算不同估计量
sample_train_cov = np.cov(train, rowvar=False)
lw_train_cov = LedoitWolf().fit(train).covariance_

# 计算测试集样本协方差
test_cov = np.cov(test, rowvar=False)

# 计算误差
sample_error = np.linalg.norm(sample_train_cov - test_cov, 'fro')
lw_error = np.linalg.norm(lw_train_cov - test_cov, 'fro')

print(f"样本协方差误差: {sample_error:.2f}")
print(f"Ledoit-Wolf误差: {lw_error:.2f}")

4.2 时间序列稳定性分析#

code

# 多个月份的误差追踪
errors = []
months = pd.date_range(start='2020-01-01', end='2023-01-01', freq='M')

for i in range(6, len(months)):
    train_range = months[i-6:i]
    test_month = months[i]

    # 获取数据
    train_data = yf.download(symbols, start=train_range[0], end=train_range[-1])['Adj Close']
    test_data = yf.download(symbols, start=test_month, end=test_month + pd.DateOffset(months=1))['Adj Close']

    # 计算协方差
    train_returns = train_data.pct_change().dropna()
    test_returns = test_data.pct_change().dropna()

    # 误差计算
    lw_cov = LedoitWolf().fit(train_returns).covariance_
    sample_cov = train_returns.cov()
    true_cov = test_returns.cov()

    errors.append({
        'month': test_month,
        'LW': np.linalg.norm(lw_cov - true_cov),
        'Sample': np.linalg.norm(sample_cov - true_cov)
    })

# 可视化结果
error_df = pd.DataFrame(errors).set_index('month')
error_df.plot(figsize=(12,6))
plt.ylabel('Frobenius范数误差');

5. 进阶应用：投资组合优化#

5.1 最小方差组合#

code

from scipy.optimize import minimize

def portfolio_variance(weights, cov_matrix):
    return weights.T @ cov_matrix @ weights

n_assets = len(symbols)
initial_weights = np.ones(n_assets)/n_assets

# 使用不同协方差矩阵进行优化
for cov_matrix, label in [(cov_matrix.values, "样本协方差"), (lw_cov, "Ledoit-Wolf")]:
    res = minimize(
        portfolio_variance,
        initial_weights,
        args=(cov_matrix,),
        bounds=[(0,1) for _ in range(n_assets)],
        constraints={'type': 'eq', 'fun': lambda w: np.sum(w) - 1}
    )

    print(f"\n使用{label}的权重分布：")
    print(pd.Series(res.x.round(3), index=symbols))

5.2 回测表现对比#

code

# 初始化权重
sample_weights = ... # 来自样本协方量的优化结果
lw_weights = ... # 来自Ledoit-Wolf的优化结果

# 计算组合收益
backtest_data = yf.download(symbols, start='2023-01-01', end='2024-01-01')['Adj Close']
returns = backtest_data.pct_change().dropna()

sample_portfolio = (returns * sample_weights).sum(axis=1)
lw_portfolio = (returns * lw_weights).sum(axis=1)

# 绘制累计收益
cumulative_returns = pd.DataFrame({
    '样本协方差': (1 + sample_portfolio).cumprod(),
    'Ledoit-Wolf': (1 + lw_portfolio).cumprod()
})

cumulative_returns.plot(figsize=(12,6))
plt.title("组合累计收益对比");

6. 练习与思考#

尝试用不同的目标矩阵（如对角矩阵、等方差矩阵）实现自定义收缩估计量
研究不同市场状态（牛市/熊市）下协方差矩阵的稳定性差异
扩展使用OAS（Oracle Approximating Shrinkage）等其他收缩方法
在投资组合优化中加入交易成本，比较不同协方差估计的实际效果

code

# 练习1参考代码框架
class CustomShrinkage:
    def __init__(self, target_type='diagonal'):
        self.target_type = target_type

    def fit(self, X):
        sample_cov = np.cov(X, rowvar=False)
        # 实现你的目标矩阵
        if self.target_type == 'diagonal':
            target = np.diag(np.diag(sample_cov))
        elif self.target_type == 'identity':
            target = np.eye(sample_cov.shape[0]) * np.trace(sample_cov)/sample_cov.shape[0]
        # 计算最优收缩系数...
        return self