标签： #协方差

直觉告诉你：数据越密、频率越高，估计应该越准。但相关性在高频世界里恰恰相反——同一对资产，用日线算相关是 0.6，切到 1 分钟变 0.3，切到 1 秒几乎归零。这就是 Epps 效应：不是市场关系变了，是异步成交把相关性『稀释』掉了。两只股票的 tick 从不落在同一时刻，你为了对齐用旧价前向填充，就在每个细格点里塞进了大量人造的零收益，相关性被这些零拖向 0。本文用纯 numpy 合成两条 latent 相关 0.6 的高频价格路径，泊松稀疏成交 + last-tick 填充完整复现 Epps 塌陷曲线（1 秒 ρ≈0.03、30 分钟才恢复到 0.59）；量化流动性对衰减速度的影响（成交越稀疏塌陷越狠）；最后给出解药 Hayashi-Yoshida 估计量——用重叠区间累加协方差，不需要同步、不丢数据，在异步稀疏数据下几乎无偏。附完整 Python 与四类真实陷阱。

你的回测夏普被一个乌龙指撑高了？你的协方差矩阵被一次闪崩撑爆了？经典均值-方差模型在遇到极端值时像纸糊的。本文用真实合成数据证明:中位数+MAD 把被离群值撑大的波动率从 2.08× 拉回 0.95×,稳健相关把被摧毁的 0.24 拉回真实 0.60 附近,并给出可直接落地的 Python 实现与五类真实陷阱(中阶)。

马科维茨最大夏普对协方差估计极度敏感——样本噪声一来，权重就爆成几十倍杠杆、还冒出一堆空头。等风险贡献(ERC / Risk Parity)干脆放弃预测收益，只要求「每个资产对组合总波动率的边际贡献完全相等」。本文用固定点迭代 w∝1/(Σw) 在 6 资产合成上求解：ERC 收敛 263 步、风险贡献精确 16.67%×6(方差 9.7e−33，而等权 9.5e−07)，权重向低波动资产倾斜(最低波动资产拿 41% 权重)；并在高/低相关市场下验证风险贡献依旧均匀。附完整 Python 与六类真实陷阱(中阶)。