标签： #协方差估计

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）。

马科维茨均值-方差最优解对协方差估计极度敏感：只要资产高度共线，样本协方差的一点噪声就会让最优权重爆成几十倍杠杆。层级风险平价(HRP, López de Prado 2016)干脆不碰逆协方差，而是用相关性距离做层次聚类，把资产聚成一棵树，再自顶向下按子组合波动率二分配置。本文用 12 个合成资产（含一对近复制资产）复现：最小方差解出 2.09 倍总敞口、5 个资产做空、bootstrap 权重 std 0.025；HRP 权重有界、风险贡献接近均衡、bootstrap 权重 std 仅 0.015——它不保证更高收益，但把『估计误差』这条命门堵上了。附完整 Python 与六类真实陷阱（高阶）。

传统风险平价要么求逆协方差（病态）要么坍缩到单名40%+；HRP 不求逆：Ward 聚类+递归二分按逆方差切权重，样本外波动14.13%低于等权14.82%、最大单名仅19.8%远胜最小方差37.6%集中。

最小方差组合 w=Σ⁻¹ 1 对估计误差最敏感：25 资产/30 日样本下朴素样本法样本外方差是理论下界近 7 倍，Ledoit-Wolf 收缩与岭正则压回最优附近。附完整 Python 与五类真实陷阱。

样本协方差大半是噪声：RMT 以马尔可夫-帕斯特上界 λ⁺ 为界，把噪声体特征值压平、只留信号尖峰；Frobenius 误差降 17%、最小方差 OOS 方差降到样本 60%，附完整 Python（高阶）。