高阶矩组合：把偏度与峰度也写进目标函数 • halo 的技术博客

高阶矩组合

Markowitz 均值-方差框架是量化投资的地基，但它有个隐含假设常被忽略：它假定收益分布由前两阶矩（均值、方差）完全描述，或者说「我们只在乎均值和波动」。 可真实市场不是正态分布——崩盘日的左尾肥得吓人，散户追逐的「彩票股」带着夸张的正偏度。只用二阶矩，等于主动放弃了描述「极端风险」和「非对称收益」的信息。

本文把目标函数从「均值-方差」升级到「均值-方差-偏度-峰度」：把三阶矩（偏度 Skewness）和四阶矩（峰度 Kurtosis）也写进组合优化，并用 Jondeau-Rockinger 的四矩近似把非正态组合的效用写得清清楚楚。全程附完整 Python，数据用可复现的合成示例，并点出真实陷阱。它也是上一篇「PCA 特征组合」的自然延伸——当你把共同因子剥掉后，剩下的残差收益往往更不正态，高阶矩管理就更有用。

一、为什么二阶矩不够#

看一张合成月收益分布：主体接近正态，但左尾明显更肥、整体负偏。把同均值同方差的正态曲线叠上去，差别一目了然——正态假设会系统性低估崩盘风险。

收益分布

数学上，组合的逐期收益 $r_p=w^T r$ ，其前三、四阶标准矩满足（组合权重线性，但矩是非线性的）：

期望（一阶）： $\mu_p = w^T\mu$
方差（二阶）： $\sigma_p^2 = w^T\Sigma w$
偏度（三阶）： $S_p = \dfrac{w^T M_3(w\otimes w)}{(\sigma_p^2)^{3/2}}$ ，其中 $M_3$ 是 N×N² 的三阶协矩张量
峰度（四阶）： $K_p = \dfrac{w^T M_4(w\otimes w\otimes w)}{(\sigma_p^2)^2}$

方差惩罚不对称性：偏度为负（左尾肥）是坏事、为正（右尾肥，像期权多头）是好事；峰度越高（尾部越厚）越糟，因为我们厌恶极端。

二、四矩效用函数（Jondeau-Rockinger 近似）#

Jondeau & Rockinger (2006) 给出一个对正态四矩分布的效用近似，把投资者对偏度、峰度的偏好写进一个可优化的标量：

$U_4 \approx \mu_p - \frac{\lambda}{2}\sigma_p^2 + \frac{\tau}{6}S_p - \frac{\kappa}{24}K_p$

$\lambda$ ：方差厌恶（典型取 1~5）
$\tau$ ：偏度偏好（想要正偏度 → $\tau>0$ ，典型 0~3）
$\kappa$ ：峰度厌恶（厌恶厚尾 → $\kappa>0$ ，典型 0~3）

注意符号约定：偏度项前面是正号（正偏度提升效用），峰度项前面是负号（厚尾降低效用）。下面用代码把这套东西跑通。

三、完整 Python：从矩张量到四矩优化#

先准备一个含 5 只资产、相关结构异质的小例子。资产 4 设定为高波动、低收益但「彩票属性」（我们会在矩层面制造正偏度），来演示偏度-收益的取舍。

import numpy as np
from scipy.optimize import minimize

np.random.seed(42)
n = 5
mu = np.array([0.010, 0.012, 0.009, 0.014, 0.011])      # 月期望收益
sd = np.array([0.05, 0.07, 0.04, 0.10, 0.06])           # 月波动
corr = np.array([
    [1.00, 0.55, 0.30, 0.10, 0.40],
    [0.55, 1.00, 0.25, 0.15, 0.50],
    [0.30, 0.25, 1.00, 0.05, 0.20],
    [0.10, 0.15, 0.05, 1.00, 0.10],
    [0.40, 0.50, 0.20, 0.10, 1.00],
])
cov = np.outer(sd, sd) * corr

# ---- 构造三阶 / 四阶协矩张量（合成，仅示意结构）----
# M3[i, j*k] : 资产 i 与 (j,k) 的三阶联合中心矩；这里用简化的「对角主导+彩票资产正偏」
M3 = np.zeros((n, n*n))
for i in range(n):
    for j in range(n):
        for k in range(n):
            val = 0.0
            if i == j == k:
                val = sd[i]**3 * (0.6 if i == 4 else -0.3)   # 彩票资产正偏，其余略负偏
            M3[i, j*n + k] += val

M4 = np.zeros((n, n*n*n))
for i in range(n):
    for j in range(n):
        for k in range(n):
            for l in range(n):
                if i == j == k == l:
                    M4[i, (j*n + k)*n + l] += 3*sd[i]**4      # 基础峰度(正态=3) + 额外厚尾
                    M4[i, (j*n + k)*n + l] += sd[i]**4 * 1.5   # 额外厚尾

def moments(w):
    mu_p = w @ mu
    var_p = w @ cov @ w
    std = np.sqrt(var_p)
    # 三阶矩: w^T M3 (w⊗w)
    wk = np.kron(w, w)
    sk = (w @ M3 @ wk) / (std**3)
    # 四阶矩: w^T M4 (w⊗w⊗w)
    wkk = np.kron(wk, w)
    ku = (w @ M4 @ wkk) / (var_p**2)
    return mu_p, var_p, sk, ku

def utility(w, lam=3.0, tau=1.0, kap=1.0):
    mu_p, var_p, sk, ku = moments(w)
    return mu_p - lam/2*var_p + tau/6*sk - kap/24*ku

# 约束：权重和为1，无杠杆
cons = [{"type": "eq", "fun": lambda w: w.sum() - 1}]
bnds = [(0, 1)] * n
w0 = np.repeat(1/n, n)
res = minimize(lambda w: -utility(w), w0, method="SLSQP",
               constraints=cons, bounds=bnds)
w_star = res.x
print("四矩最优权重:", np.round(w_star, 3))
print("效用 / 收益 / 波动 / 偏度 / 峰度:",
      np.round([utility(w_star), *moments(w_star)], 4))

python

跑出来你会发现：开启偏度偏好（τ>0）后，优化器会悄悄给资产 4（彩票资产）多一点权重——哪怕它期望收益低、波动高，因为它的正偏度「像一张免费看涨期权」提升了效用。这就是高阶矩优化的核心直觉。

四、偏度 vs 收益：真有一道权衡曲线#

把组合权重沿「配置到彩票资产的比例」扫描，画出收益、偏度、峰度随倾斜度的变化：

偏度-收益权衡

代码很直接：

tilt = np.linspace(0, 0.6, 200)
others = (1 - tilt) / (n - 1)
Wm = np.tile(others[:, None], (1, n))
Wm[:, 4] = tilt
Rt = Wm @ mu
volt = np.sqrt(np.einsum("ij,jk,ik->i", Wm, cov, Wm))
# 偏度/峰度随彩票资产配置上升（proxy）
sk = tilt * 3.0 - 0.4
ku = 3.0 + tilt * 9.0
# -> 画 Rt, sk, ku 随 tilt 的曲线

python

曲线讲了一件反直觉但重要的事：想要高偏度（右尾肥，像持有一堆虚值看涨期权），通常要以期望收益和更高峰度为代价。 高阶矩不是「免费午餐」，而是把「你想要什么样的尾部」变成可调旋钮。

五、随机组合云：高收益 ≠ 高偏度#

从 6000 个随机权重组合里采样，在（波动, 收益）平面散点、用偏度着色，会看到：

随机组合云

「最大收益组合」往往偏度很低（左尾肥、像裸多头）；
「最大偏度组合」收益明显折让（它在买尾部保险）；
纯均值-方差前沿上的点，偏度分布很散——均值-方差最优并不等于高阶矩最优。

sims = 6000
W = np.random.dirichlet(np.ones(n), sims)
R = W @ mu
vol = np.sqrt(np.einsum("ij,jk,ik->i", W, cov, W))
# 用矩张量算每个组合的偏度（见 moments 函数），散点着色

python

六、和「PCA 特征组合」的联系#

上一篇我们用 PCA 把相关性矩阵拆成主成分、构造与市场正交的纯净 alpha。这里有个互补视角：

PCA 处理的是二阶结构（协方差/相关），剥掉的是「共同波动」；
高阶矩处理的是非正态残差——当你把 PC1（市场）正交掉后，残差收益的分布往往更不正态（正偏的彩票股、负偏的小盘股都在里头），此时偏度/峰度管理才有真正的用武之地。

一句话：先用 PCA 把共同因子管住，再用高阶矩把剩余的非对称尾部管住。

七、五类真实陷阱（必看）#

矩张量估计误差爆炸：三阶矩有 N³ 个参数、四阶矩有 N⁴ 个。N=50 时四阶矩有 600 万+ 参数，样本根本估不出来，全是噪声。实践中要么用极少的资产（N<10），要么用参数化假设（如仅对角、或因子模型降维），绝不能用原始样本矩张量。
偏度/峰度的采样不确定性极大：即便 N 很小，偏度峰度的标准误也很大，样本外会剧烈漂移。务必做缩尾、滚动窗口、或用收缩估计（把样本偏度朝 0 收缩）。
峰度厌恶 ≠ 直接做空波动率：把峰度写进目标函数，优化器倾向于「削减厚尾资产」，这等价于降低尾部暴露，但也可能在波动率上暴露不足而错过危机阿尔法。要和尾部对冲（期权）配合看，不要二选一。
效用系数（λ, τ, κ）是拍脑袋的：这些系数本质是投资者偏好，没有「正确值」。务必做系数敏感性分析——把 τ 从 0 扫到 3，看权重和绩效怎么变；若一个小系数变化就让组合面目全非，说明策略脆弱。
前视与可交易性：估计矩必须用「截至 t 日」数据；另，追求正偏度的常见落地是持期权/虚值合约，成本（时间损耗、买卖价差）会吃掉理论收益，回测必须扣费。

八、结语#

把偏度和峰度写进目标函数，本质上是承认一件事：投资者厌恶的不是「波动」，而是「向下、且极端」的波动。 均值-方差用一把尺子（方差）量了所有风险，高阶矩用两把更细的尺子（偏度、峰度）把「非对称」和「厚尾」单独量出来。它不能让你免费发财，但能让你在组合层面主动选择自己想要的尾部形状——这对管理回撤、设计危机稳健组合，是均值-方差框架给不了的工具。

这两篇合起来，就是「从二阶（PCA 相关结构）到四阶（偏度峰度尾部）」的组合风险视图升级。下回如果你在做组合优化，不妨先问自己一句：我是在管方差，还是在管尾部？

本专栏相关系列：PCA 特征组合（上篇）、Ledoit-Wolf 协方差收缩、风险平价与 HRP、方差风险溢价择时。