风险模型：协方差矩阵怎么估

上一篇说到，组合优化需要协方差矩阵。这一篇讲它的估计为什么难，以及业界怎么解决。

难在哪

如果有三千只股票，协方差矩阵就有三千乘以三千个参数，大约是四百五十万个。而日频历史数据哪怕有五年的日收益，也才一千二百多个交易日——待估参数远多于样本量。

这就是维度灾难。直接拿历史收益去算样本协方差，得到的矩阵在数学上不满秩，在经济上充满噪声，用它做优化会得到极不稳定的权重。而且更麻烦的是：样本协方差倾向于低估真正的风险，因为它把估计误差当成了确定性。

办法一：多因子风险模型

不去直接估计股票之间的两两关系，而是假设股票的收益由少数几个共同因子驱动：市场、行业、风格（市值、估值、动量、波动等），加上每只股票自己的特质风险。

这样一来，协方差矩阵就变成了：

共同因子协方差（只有几十个因子，很好估）+ 因子暴露（每只股票在各个因子上的载荷）+ 特质风险（每只股票自己的方差，只估三千个而不是四百五十万个）。

待估参数从四百五十万降到了几千个，样本量就够了。这是业界的通用做法，也是风险模型的核心思想。

它的好处不只是能算，还在于结构清晰：你能说清楚组合的风险来自哪些因子，因而能主动控制。

办法二：收缩估计

另一个思路是承认样本协方差有噪声，把它往一个结构化的目标矩阵"拉"一点。

最简单的目标是单位矩阵的倍数（也就是假设所有股票波动相同、互不相关）。收缩估计量就是样本协方差和目标矩阵的加权平均——权重通过理论或交叉验证来定。

这个做法的直觉是：样本协方差无偏但方差大，目标矩阵有偏但稳定，各取一部分，得到一个偏差和方差权衡更好的估计。

实际中还可以往多因子模型的结构上收缩，两者结合使用。

还要处理的两件事

波动率是时变的。用五年平均波动率会掩盖当下处在什么状态。常见的做法是用更短的窗口，或者用指数加权（近期权重更高），让估计跟上市场状态的变化。

极端行情下的相关性会跳升。平时相关性低的资产，在市场恐慌时可能一起跌——这就是所谓的相关性崩溃。历史平均的相关性会严重低估这种时候的风险。所以风险模型之外，还要做压力测试和情景分析，专门考察"如果所有相关性都升到某个水平会怎样"。

检验风险模型

一个可用的检验是：用模型预测组合的波动率，再和实际实现的波动率对比。如果预测值和实际值长期偏离，说明模型有系统性问题。

一句人话：协方差矩阵直接估是估不出来的，因为参数比数据还多。多因子模型是给它"降维"，收缩估计是给它"掺点保守"。两者都是用一点偏差换大量稳定性。

写在最后

风险估好了，还得能真的交易出去。下一篇讲交易执行：算法交易与冲击成本建模。