标签： #协方差估计

Elton-Gruber（1973）的常相关模型：把 N(N-1)/2 个成对相关全部替换成一个平均相关系数 ρ̄——435 个参数压成 1 个，方差骤降换一身结构偏差。N=30 板块结构模拟实测：T=30 时 CCM 的 Frobenius 误差 2.56 vs 样本相关 4.38，交叉点在 T≈126，之后 CCM 被结构偏差下限 1.90 卡死永远追不上。GMV 组合判决更极端：T=30 样本协方差真实波动率 456%（近奇异优化器爆仓）vs CCM 17.5%；T=252 后样本反超。最有信息量的是混合曲线：最优混合权重 δ 随 T 单调爬升（T=60 时 0.35、T=252 时 0.65、T=1008 时 0.90）——这正是 Ledoit-Wolf 收缩的雏形，LW 恰以 CCM 为收缩靶心并把 δ 的选择自动化。诚实边界：ρ̄ 抹掉全部板块结构、对多板块 universe 偏差大；相关非平稳时单一 ρ̄ 追不上 regime；它是收缩靶子而非终点方案。

相关性从来不是常数：危机来临时它齐刷刷跳升，而 252 天滚动相关要 248 天才承认这件事。Engle（2002）的 DCC-GARCH 把问题拆成两步：先用单变量 GARCH 各自过滤波动率，再在标准化残差上用一行递推 Q_t = (1−a−b)Q̄ + a·ε_{t−1}ε'_{t−1} + b·Q_{t−1} 驱动相关演化。本文两资产模拟实测：相关从 0.3 跳到 0.85 的危机段，DCC 86 天收敛到位（滚动窗口 248 天），全样本追踪 MAE 0.109 优于滚动（0.112）和 EWMA（0.143）。1% VaR 回测更能说明问题：危机段滚动窗口击穿率 2.33%（超标 2.3 倍），DCC 0.33%——差异全部集中在最需要风控的时段。QML 估计出 a=0.033、b=0.964，a+b=0.997 的高持续性正是金融相关的典型指纹。诚实边界：两步 QML 是一致但非有效估计、N 大时 Q̄ 本身要收缩、DCC 假设所有资产对共享同一组 a/b。

等权滚动窗口把 252 天前的旧数据和昨天的数据一视同仁：相关性 regime 从 0.3 跳到 0.8（危机来临）后，252 天滚动相关要 234 天才收敛到位，EWMA λ=0.94 只要 18 天。RiskMetrics（1996）的全部秘密是一行递推：σ²_t = λσ²_{t-1} + (1−λ)r²_{t-1}，λ=0.94 对应 11 天半衰期、约 32 天有效样本。GARCH 市场实测 1% VaR 击穿率：EWMA 1.40% vs 滚动窗口 1.67%，且滚动窗口的击穿集中在波动率抬升年份——最需要它的时候它最迟钝。但诚实的另一面：20 资产最小方差组合 OOS 波动率，EWMA λ=0.94（16.0%）反而输给滚动 252 天（12.9%）——有效样本 32 天喂 20 维协方差矩阵是灾难，EWMA 解决的是时效性不是维度诅咒，高维要么升 λ 要么叠加收缩（中阶）。

Fan-Liao-Mincheva（2013）的 POET 把高维协方差拆成『低秩因子部分 + 稀疏残差部分』：PCA 提前 K 个主成分吃掉公共风险，残差协方差做自适应软阈值恢复块结构。N=100/T=252（c=0.4）实测最反直觉的结论：协方差本身的 Frobenius 误差各方法几乎分不出胜负（样本 0.45 vs POET 0.47），POET 的主战场在逆矩阵——精度矩阵谱范数误差样本协方差 197 vs POET 22，差 9 倍，T=126 时更是 2144 vs 24 的灾难现场；GMV 组合真实波动率 25.2% vs 13.8%。残差软阈值把非零占比从 91% 压回 13%（真实 9%），行业块结构肉眼可见地恢复。两个工程陷阱：特征值比值法选 K 会被市场因子霸屏（K̂=1），需排除首峰看次峰；纯因子模型（残差取对角）短窗口和 POET 打平但长窗口被反超——它到 T=1008 还带着 0.39 的结构偏差不收敛。诚实边界：残差稀疏性是假设不是事实；阈值常数需交叉验证；K 选错在 Frobenius 口径几乎无感但精度矩阵口径放大。

N=100 只资产、T=252 天，样本相关矩阵的特征值里只有 3 个尖峰是真信号，噪声体占了迹的 59%。Marchenko-Pastur 定律给出纯噪声特征值的精确活动范围 [λ⁻, λ⁺]，越界的才配叫信号——把界内的噪声特征值压平成均值，尖峰原样保留，就是 RMT 去噪。实测最小方差组合：T=126 时样本协方差 OOS 波动率 24.1%，MP 裁剪直接砍到 12.6%，比 Ledoit-Wolf（14.5%）更狠，理论最优 11.1%。与 LW 收缩的本分工：数据极端稀缺时 MP 裁剪的谱手术更精准，数据充裕时两者殊途同归。附完整 Python 与裁剪保迹、相关口径、q>1 等工程细节（中阶）。

样本协方差在肥尾分布下不是慢慢变差，而是被极端日直接绑架——一个 ±15% 的异常日进入平方项后能扭曲整个相关结构。Tyler（1987）的 M-估计量给出一个漂亮的解法：把每天的收益向量投影到单位球面上再估计，只保留方向、扔掉幅度，得到的形状矩阵在所有椭圆分布下都有同一个渐近分布——对尾部厚度『分布自由』。本文 N=20 单因子模拟市场实测：t(3) 肥尾下样本协方差形状误差 0.266、Ledoit-Wolf 0.253，Tyler 只有 0.108，且从 t(3) 到正态误差几乎纹丝不动（0.108→0.102）；注入 2% 的 ±15% 异常日，样本协方差误差从 0.147 恶化到 0.184，Tyler 稳在 0.109；但 10% 污染时 Tyler 反而崩得更惨（1.93 vs 0.52）——迭代加权会被大规模结构性污染带偏，稳健≠无敌。GMV 组合上优势收窄：t(4)、T=252 时 Tyler 10.63% vs 样本 11.03%（理论最优 10.19%），因为组合权重只依赖协方差的逆的方向结构，形状矩阵的优势部分被求逆运算稀释。诚实边界：Tyler 只估形状不估尺度，波动率目标要另配；对『集体同向的真实危机日』降权可能扔掉最有信息量的样本；N/T 比例较大时需要正则化版本。

协方差矩阵是组合优化、风险模型、配对交易的地基，但样本协方差有个致命弱点——单点崩溃：只要几个极端值，整个相关结构就被拖歪。合成实验（真实相关 0.7，10% 样本被反向污染）：经典相关系数直接崩到 −0.068（连符号都错了），MCD 稳健估计还原到 0.611。距离-距离图上 MCD 把 40 个污染点里的 27 个甩到右上方（FP 仅 1），经典马氏距离只抓到 11 个。最扎心的是组合权重：真实最小方差权重是 (1.04, −0.04)，经典协方差给出 (0.62, 0.38)——把该做空的资产配成了 38% 多头，MCD 给出 (0.95, 0.05) 基本还原。核心机制：在所有样本子集里找行列式最小（最紧致）的那 h 个点估协方差，极端值天然行列式大、被排除在外。附一致性校正因子、C-step 迭代、以及『稳健≠无脑抗噪，h 选太大照样被污染拉偏』的反面教材（中高阶）。

12 个资产的日收益协方差矩阵，前 3 个主成分就能解释 92.8% 的截面波动——这意味着资产收益的「联合运动」其实由少数几个宏观因子驱动。本文用 PCA 把高维协方差降维成「宏观因子定价」：先用合成的真实因子结构展示前 3 主成分恰好对应市场/价值成长/商品通胀三因子，再把 PCA 收缩应用于协方差估计，证明在短估计窗口下，最小方差组合因去噪而波动率更低、月度换手率直降 42%，附完整 Python 与五类真实陷阱（中阶）。