7.3 金融与经济领域：量化分析工具链

7.3 金融与经济领域：量化分析工具链

本节摘要：金融业自八十年代末引入 Matlab，围绕时间序列分析、组合优化与风险度量长出专门工具链。本节用一条从收益率数据到组合配置的主线，讲金融数据的预处理、统计建模与优化配置，并说明回测的纪律。

从价格序列开始

金融数据的原子是价格序列，分析的起点是收益率：

ret = price2ret(price);        % 价格转对数收益率
​

为什么用收益率不用价格：价格不平稳（有趋势），收益率近似平稳，统计工具才适用。这一步转换是金融计算与一般数据分析最大的分野——处理的对象是"变化的量"而非"量本身"。

mu = mean(ret);  sig = std(ret);
sk = skewness(ret);  ku = kurtosis(ret);
​

偏度刻画崩盘侧的厚尾，峰度高于三说明极端事件比正态假设更频繁——2008 年之后，金融工程对峰度的敬畏深了一层。

波动率建模与协方差

收益率的一阶近似不相关，但波动率聚集（大涨大跌扎堆出现）。刻画它用协方差矩阵，组合层面的一切都建立在协方差上：

C = cov(rets);        % rets: 多资产收益率矩阵，每列一只
​

组合优化：均值与方差的交易

% 期望收益 mu、协方差 C，最小化方差约束达到目标收益
n = numel(mu);
H = 2*C;  f = zeros(n, 1);
Aeq = [mu'; ones(1,n)];  beq = [0.01; 1];   % 目标收益与满仓
w = quadprog(H, f, [], [], Aeq, beq, ...
             zeros(n,1), ones(n,1));        % 上下界：不许卖空
​

quadprog 求解二次规划，马科维茨框架在这十几行里完整落地：目标是最小化组合方差（二次项来自协方差），约束是达到目标收益且权重和为一。结果的敏感性要警惕：协方差估计的噪声会被优化器放大，权重对输入的微调可能剧烈跳动——实务中的收缩估计与权重约束都是为此而设。

图 量化分析的数据流

回测的纪律

回测是量化方法的检验场，也是自欺的重灾区。两条纪律：样本外检验——参数在一段数据上标定，必须在另一段未参与标定的数据上验证；避免前视——任何时点的决策只能用该时点之前的信息。前视偏差往往藏在"用全样本均值算收益率"这类不起眼的写法里，回测表现好得离谱时，第一反应应该是找偏差而不是庆祝。

⚠️ 常见坑：多资产数据按日期对齐被忽略，停牌与缺失日错位导致协方差失真。timetable 与 synchronize 专门解决对齐问题，合并多源数据前先统一时间轴。

完整案例：一次滚动窗口回测

背景：检验"等权组合每月再平衡能否跑赢买入持有"。操作分三段：构造数据、滚动执行、汇总对照。核心纪律——每月末只用截至当日的数据，下月收益在样本外自然产生：

% rets: 按日对齐的多资产收益率矩阵（行=日期，列=资产）
nA = size(rets, 2);
monthEnd = ismember(day(dates), 28:31);     % 简化的月末标记
idx = find(monthEnd);
wRB = zeros(numel(idx)-1, nA);  portRB = []; portBH = [];
wBH = ones(1, nA) / nA;                    % 期初等权，此后不动
for k = 1:numel(idx)-1
    seg = rets(idx(k)+1 : idx(k+1), :);    % 下一段：真正的样本外
    portBH = [portBH, seg * wBH'];         % 买入持有
    wNow = ones(1, nA)/nA;                 % 等权再平衡
    portRB = [portRB, seg * wNow'];
    wRB(k,:) = wNow;
end
cumRB = cumsum(portRB);  cumBH = cumsum(portBH);
plot(dates(idx(2:end)), [cumRB.' cumBH.']); legend('再平衡','买入持有')
​

结果解读：多数平稳市场里两条曲线差距很小，再平衡的收益主要来自波动率红利与风险控制，而非超额收益；一旦某资产长期单边上涨，买入持有胜出。这个"结论取决于市场形态"的结果本身就是答案——回测告诉你的是机制而非圣杯。变式：把等权换成上月的波动率倒数加权，就得到最简单的风险平价雏形；把再平衡周期从月改到季，检验结论对参数的稳健性。排错要点：任何一段的收益若用到了"当月月末之后"的数据，前视即告成立——代码评审时专门盯循环边界，是量化代码审查的第一课。

风险指标辨析：波动率、VaR 与 CVaR

三个指标常被混用。波动率（收益率标准差）度量双向波动，对称地惩罚涨与跌，适合刻画整体不确定性；VaR（在险价值）回答"给定置信水平下，最坏日子会亏多少"，直观但有个数学上的缺陷——它不关心超过分位数的尾部有多深；CVaR（条件在险价值）度量尾部损失的期望，把"最坏情形平均有多坏"也计入，优化理论里它还保有凸性，适合做组合优化的目标。经验顺序：报告用 VaR 沟通直观，风控与优化用 CVaR 稳妥，波动率作为基准参照。三者都建立在收益分布估计之上，样本不够长时尾部估计极不可靠——回到本节开头的忠告：金融统计的第一课是敬畏数据之短。

数据源的工程细节在金融场景里比别处更致命。复权处理决定收益率算得对不对——用了未复权价格，每次分红除权都被当成暴跌；交易日历差异让跨市场对齐必须显式处理节假日；数据供应商的字段口径（收盘价是当时价还是事后调整价）要在第一次接入时逐字段核对。量化团队通常在数据接入层花掉最初两周，这笔时间不是浪费，是后面一切统计的地基。

本节要点回顾

• 收益率而非价格是金融统计的对象，平稳性是前提；
• 峰度与偏度刻画尾部风险，正态假设在市场里常不成立；
• 马科维茨框架在 quadprog 十几行内落地，但对协方差噪声极敏感；
• 回测两条纪律：样本外验证、严禁前视；
• 时间轴对齐用 timetable，错位的协方差毫无意义。