已实现协方差矩阵：用高频数据拼出盘中多资产联动全景 • halo 的技术博客

先说结论：用 20 日滚动窗口估计协方差，等于用上个月的天气预报今天要不要带伞。相关性 regime 切换往往发生在两三天内——2020 年 3 月、2015 年 8 月，股债相关、板块联动一夜变脸——而日线滚动估计需要整个窗口被新数据填满才能跟上。已实现协方差（Realized Covariance, RC）换了一个思路：不跨天平均，而是把一天之内的高频收益加总成外积和，单日数据直接输出一个完整的协方差矩阵。本文的模拟实验里，regime 切换后 RC 只用 2 天就把股指-科技相关从 0.6 追到 0.89，日线滚动相关花了 17 天。但高频不是免费午餐：微观结构噪声把 1 分钟采样的估计误差推高 3 倍，稀疏成交的 Epps 效应把真实相关 -0.10 稀释到 -0.04——这两个坑不填，RC 比日线估计更糟。

一、为什么日线协方差天生迟钝#

组合优化、风险平价、对冲比率，全都要吃协方差矩阵。标准做法是拿最近 N 天的日收益算样本协方差：

$\hat{\Sigma}_{daily} = \frac{1}{N-1}\sum_{t=1}^{N}(r_t-\bar{r})(r_t-\bar{r})^\top$

问题出在 N 上。4 个资产的协方差矩阵有 10 个自由参数，N 至少要几十天才能压住估计噪声——业界常用 20~60 天。这意味着：

响应滞后：今天的相关性突变，要等它在窗口里占到足够权重才能反映出来。20 日窗口下，新 regime 要 10 天才占一半话语权；
幽灵效应：60 天前的一根异常大阴线滑出窗口的那天，协方差估计会突然跳变——跟今天的市场毫无关系；
样本量与时效性不可兼得：想降噪就得拉长窗口，拉长窗口就更迟钝。这是日频数据的结构性死结。

高频数据把这个死结解开了。理论基础来自二次变差（quadratic variation）：如果价格是连续半鞅，把一天 $[0,1]$ 切成 $M$ 个区间，日内收益向量 $r_{t,i}$ 的外积和

$RC_t = \sum_{i=1}^{M} r_{t,i}\, r_{t,i}^\top$

在 $M\to\infty$ 时依概率收敛到当天真实的积分协方差 $\int_0^1 \Sigma_s\, ds$ 。翻译成人话：采样够密，一天的数据就够你”量出”当天的协方差，不需要跨天平均。样本量的来源从”天数”变成了”日内区间数”——一天 390 根分钟线，样本量直接翻 390 倍。

二、纯 numpy 搭一个带 regime 切换的高频实验场#

真实高频数据难拿也难清洗，本文用模拟数据换取一个奢侈品：已知真值。设定 4 个资产（股指 ETF、银行、科技、黄金 ETF），60 个交易日，每天 390 根分钟线，前 30 天低相关（平静期），后 30 天切换到危机模式——股票间相关飙升、黄金避险负相关加深：

import numpy as np
rng = np.random.default_rng(42)

n_assets, n_days, fine_n = 4, 60, 390   # 4 资产, 60 天, 390 分钟/天
ann_vol = np.array([0.18, 0.22, 0.35, 0.12])   # 年化波动
day_vol = ann_vol / np.sqrt(252)

corr_calm = np.array([                   # 平静期相关结构
    [1.0, 0.5, 0.6, -0.1],
    [0.5, 1.0, 0.3, -0.05],
    [0.6, 0.3, 1.0, -0.1],
    [-0.1, -0.05, -0.1, 1.0]])
corr_crisis = np.array([                 # 危机期：股票抱团, 黄金避险
    [1.0, 0.85, 0.9, -0.4],
    [0.85, 1.0, 0.8, -0.35],
    [0.9, 0.8, 1.0, -0.45],
    [-0.4, -0.35, -0.45, 1.0]])

def intraday_u(n):                       # 日内 U 型波动: 开盘收盘活跃
    t = np.linspace(0, 1, n)
    u = 0.6 + 4.8 * (t - 0.5) ** 2
    return u / np.sqrt((u ** 2).mean())  # 归一化, 保持日总方差不变

def simulate_day(corr, n):
    L = np.linalg.cholesky(corr)
    z = rng.standard_normal((n, n_assets)) @ L.T
    return z * (day_vol / np.sqrt(n))[None, :] * intraday_u(n)[:, None]

all_days = np.array([simulate_day(corr_calm if d < 30 else corr_crisis, fine_n)
                     for d in range(n_days)])          # (60, 390, 4)

python

RC 的核心计算只有一行——日内收益矩阵的自乘：

def realized_cov(r):        # r: (M, n_assets) 日内收益
    return r.T @ r          # 外积和 = 已实现协方差矩阵

def to_corr(c):             # 协方差 → 相关矩阵
    s = np.sqrt(np.diag(c))
    return c / np.outer(s, s)

python

注意这里不减均值。日内收益的漂移项相对波动项是高阶小量（一天的期望收益 ~2bp，单根分钟线的标准差 ~6bp），减样本均值反而引入额外估计噪声——这是 RC 与日线样本协方差在公式上最容易被忽略的差别。

三、第一个坑：微观结构噪声与签名图#

理论说”采样越密越准”，前提是价格过程连续。真实的成交价带着买卖价跳动、最小报价单位、逐笔冲击——观测价 = 有效价 + 噪声。噪声在差分时不会消失，反而随采样次数线性累积进 RC 的对角线：采样 390 次就把噪声方差放大 390 倍。

给模拟价格叠加 6bp 的观测噪声，扫描 1~130 分钟共 8 档采样间隔，对比 RC 与真值的 Frobenius 距离：

noise_std = 0.0006                       # 6bp 微观结构噪声
freqs = [1, 2, 5, 10, 15, 30, 65, 130]
for f in freqs:
    for d in range(n_days):
        p = np.vstack([np.zeros((1, 4)), np.cumsum(all_days[d], axis=0)])
        pn = p + rng.standard_normal(p.shape) * noise_std   # 加噪声
        idx = np.arange(0, fine_n + 1, f)
        rc = realized_cov(np.diff(pn[idx], axis=0))
        err = np.linalg.norm(rc - true_cov[d])              # Frobenius 误差

python

签名图：采样频率两难

左图是教科书级的两难曲线：无噪声时 1 分钟采样误差最小（0.000053），加了 6bp 噪声后 1 分钟采样误差飙到 0.000577，是最优的 5 分钟采样（0.000192）的 3 倍。右图是所谓”签名图”（signature plot）——把已实现方差画成采样间隔的函数，高频端被噪声系统性推高，形成一个向左上翘起的尾巴。实务判断规则很直接：画签名图，选曲线开始走平的那个频率。对流动性好的股指期货是 1~~5 分钟，对普通个股往往要退到 5~~15 分钟。

四、第二个坑：Epps 效应——采样越细，相关越假#

噪声坑克扣的是对角线（方差），Epps 效应克扣的是非对角线（协方差）。两个资产的成交时刻不同步——股指 ETF 每秒都在跳，黄金 ETF 可能几分钟才有一笔成交。用”上一笔成交价”填充后，细粒度区间里稀疏资产的价格经常纹丝不动，收益为零，与任何资产的乘积都是零——协方差被系统性拉向零。

模拟：让黄金 ETF 平均每 7 分钟才更新一次价格，其余照旧：

mask = rng.random(fine_n + 1) < 1/7      # 黄金仅 1/7 的分钟有成交
last = p[0, 3]
for t in range(fine_n + 1):              # 上一笔价格填充
    if mask[t]: last = p[t, 3]
    p_sparse[t, 3] = last

python

Epps 效应

真实相关是 -0.10。1 分钟采样下 RC 只量出 -0.04——六成的相关性被非同步性吃掉了；放粗到 30 分钟恢复至 -0.088，65 分钟基本回到 -0.105。这就是 Epps 效应的经典形态：相关系数随采样频率变细而单调走向零。它和噪声坑的处方方向相反——噪声让你想采粗一点，Epps 让协方差在粗采样下才靠谱，而粗采样又丢样本量。工程上的折中方案：对角线（方差）用细采样，非对角线（相关）用粗采样或同步化采样（refresh time），再把两者拼回一个矩阵；学术界的答案则是 Multivariate Realized Kernel 和 Hayashi–Yoshida 估计器这类免同步方法。

五、正餐：RC 到底比日线快多少#

填完坑，看 RC 真正的卖点。用 5 分钟采样构建每天的 RC，取股指-科技的相关系数，与 20 日日线滚动相关同台对比：

响应速度对决

第 30 天 regime 切换（真实相关从 0.6 跳到 0.9）：

RC 5 日均线：2 天后突破 0.8。单日 RC 当天就跳上去了，只是单日估计噪声大，稍作平滑更稳；
20 日日线滚动相关：17 天后才突破 0.8。整个窗口被新 regime 数据填满之前，它一直在报一个新旧混合的假数字。

平静期与危机期的 RC 相关矩阵热图把结构变化看得更直白：

六、实战检验：最小方差组合对决#

估计器好不好，最终要在组合里见真章。从第 20 天起，每天分别用三种权重构建组合，统计次日实现波动（含 regime 切换的 39 天样本外）：

def min_var_w(cov):                      # 最小方差权重(允许做空)
    inv = np.linalg.inv(cov)
    w = inv @ np.ones(n_assets)
    return w / w.sum()

w_rc = min_var_w(rc_5day_mean)           # RC 5 日均
w_dl = min_var_w(np.cov(daily_ret[-20:].T))  # 20 日日线协方差
w_eq = np.ones(4) / 4                    # 等权对照

python

最小方差组合对决

结果：等权 16.95%，日线协方差 8.75%，RC 8.62%（次日实现波动年化）。两点解读：

任何一个像样的协方差估计都碾压等权——把 35% 波动的科技股和 12% 波动的黄金等权混合本来就是错的，这一半功劳属于”对角线估对了”；
RC 对日线的优势（8.62% vs 8.75%）看起来只有一点点，但集中兑现在切换后的两周——那正是日线协方差还在用平静期数字配权重、组合暴露被系统性低估的窗口。样本只有 60 天、4 个资产，这个差距的量级是保守的；资产数上去、切换更剧烈时差距会拉大。

七、两个结构性天花板#

诚实起见，RC 有两个再怎么调参也绕不开的限制：

维度灾难比日线来得更快。 RC 的秩不超过日内区间数 M。5 分钟采样一天只有 78 个区间，资产数一旦超过 78，RC 矩阵必然奇异，求逆直接爆炸。日线估计好歹能靠拉长窗口凑样本，RC 一天就这么多区间。大规模组合的标准处方：RC 只估一个低维因子协方差（行业/风格因子），个股残差回到压缩估计（shrinkage），或直接对 RC 做特征值清洗。

隔夜缺口不在盘中。 RC 只积分了交易时段的协方差，而 A 股和美股约有两到四成的日方差发生在隔夜跳空里——财报、政策、外盘全在闭市时间落地。直接拿 RC 当”日协方差”会系统性低估风险。常见修补：把隔夜收益作为一个额外区间加进外积和（简单但把跳空当成了一根普通 bar），或对盘中 RC 乘一个”全天方差/盘中方差”的校准系数。

八、结语#

已实现协方差的本质是一次样本量来源的置换：把”跨天数”换成”日内区间数”，让协方差估计的时效性从周级压缩到天级。本文的实验给出了完整的收益-成本清单——收益是 regime 切换的响应速度快 8 倍（2 天 vs 17 天）、最小方差组合在切换期少挨打；成本是必须直面微观结构噪声（签名图选频率）、Epps 效应（相关与方差分开采样）、维度上限（因子化）和隔夜缺口（校准系数）四道工序。跳过任何一道，高频数据带来的不是信息而是幻觉。对多资产风险管理来说，RC 不是日线协方差的替代品，而是它的快速通道：日线给长期结构，RC 给盘中脉搏——危机来的时候，你需要的是脉搏。

风险提示：本文全部实验基于合成数据，用于隔离和展示估计器的统计性质；真实市场的微观结构噪声非高斯且与波动相关，Epps 效应受具体品种流动性影响，文中数字不构成对任何真实资产的估计或投资建议。