PyPortfolioOpt · 第 3 章 风险模型与协方差

PyPortfolioOpt · 第 3 章 风险模型与协方差

章节摘要:本章讲组合优化的第二个输入——风险,即协方差矩阵。协方差度量资产收益的联动程度,是均值-方差模型的基石。但样本协方差在资产数接近样本数时会严重失真,因此 PyPortfolioOpt 在 risk_models.py 提供一整套估计法:样本协方差(sample_cov)最直接;半协方差(semicovariance)只看下行;指数协方差(exp_cov)对近期更敏感;收缩估计(Ledoit-Wolf 与 OAS) 把样本矩阵向结构化目标拉近以降噪,是生产推荐;最小行列式协方差(MCD)用极大似然应对奇异矩阵。本章共 5 节,前置依赖为「第 1~2 章」。

学习目标

阅读完本章,你应当能够:

1. 用 sample_cov 算样本协方差,理解其噪声问题。
2. 用 semicovariance 算只惩罚下行的半协方差。
3. 用 exp_cov 算指数加权协方差。
4. 用 Ledoit-Wolf 与 OAS 收缩估计降噪。
5. 用 MCD 最小行列式协方差应对奇异矩阵。

核心概念速览

协方差是组合风险的骨架——估计得越准,优化的地基越稳。

子章节导航

01 样本协方差

sample_cov 的算法、频率参数、何时失真。

02 半协方差

semicovariance 只惩罚下行波动,更贴合「风险是亏损」的直觉。

03 指数协方差

exp_cov 指数加权,对近期联动更敏感。

04 收缩估计 Ledoit-Wolf 与 OAS

shrinkage 估计把样本矩阵向单位阵拉近,降低估计误差,Ledoit-Wolf 与 OAS 两种实现。

05 最小行列式

MCD 最小协方差行列式,鲁棒应对异常值与奇异矩阵。

子章节之间的逻辑关系

第 01 节(样本)──► 第 02 节(半)──► 第 03 节(指数)
                                          │
                          第 04 节(收缩)◄─┤  降噪与鲁棒
                          第 05 节(MCD)◄──┘
                                          │
                                          ▼
                              协方差矩阵 → 第 4 章优化器
​

前置知识与后续延伸

前置知识:

• 第 1~2 章(理解收益输入)

后续延伸:

• 协方差矩阵将喂给第 4 章 EfficientFrontier
• 第 6 章会扩展到半方差、CVaR 等更广义的风险度量
• 第 8 章 HRP 用层次聚类绕开协方差估计