Python如何为多资产矩阵计算60期滚动窗口协方差矩阵

公式与计算目标 #

基于3类资产共1610条收益率观测值，按公式 Σ = σDσ 逐60期滚动窗口计算协方差矩阵，作为风险价值（VaR）计算的输入参数：

• σ：3×3对角矩阵，对角线元素为对应窗口内单资产收益率的标准差
• D：对应窗口内3类资产的相关系数矩阵

原有代码的问题点 #

• 循环逻辑未对齐滚动窗口索引，σ和D的取值不属于同一计算窗口
• 直接调用returns.corr仅能计算全样本相关矩阵，无法得到窗口内动态相关系数
• rolling()是pandas面向DataFrame/Series的窗口计算方法，无法直接作用于numpy矩阵对象
• 矩阵运算误用元素级乘法*，协方差分解需要用矩阵乘法规则计算

实现步骤 #

核心思路是同步计算同窗口下的滚动标准差、滚动相关系数，再逐期做矩阵乘法，不需要编写冗余的显式遍历逻辑：

• 第一步：计算窗口长度为60的单资产滚动标准差，得到每个时间点3个资产的标准差序列
• 第二步：计算窗口长度为60的两两资产滚动相关系数矩阵，得到每个时间点对应的3×3相关矩阵D
• 第三步：从第一个有效窗口（第60个观测点）开始，逐期取出当期σ对角矩阵、D矩阵，按公式计算Σ
• 第四步：按时间索引存储所有窗口的协方差矩阵，供VaR计算调用

可运行代码示例 #

假设3类资产的收益率数据存储在名为returns的pandas DataFrame中，列名分别对应三类资产：

import numpy as np
import pandas as pd

# 配置参数
window_size = 60

# 1. 计算滚动单资产标准差（σ矩阵的对角线元素）
rolling_std = returns.rolling(window=window_size).std()
# 2. 计算滚动相关系数矩阵D，返回多级索引格式的动态相关系数
rolling_corr = returns.rolling(window=window_size).corr(pairwise=True)

# 3. 逐期计算滚动协方差矩阵，用字典按时间索引存储结果
rolling_cov = {}
# 跳过前window_size-1个凑不满窗口的无效观测
valid_dates = rolling_std.dropna().index
for dt in valid_dates:
    # 生成当期对角σ矩阵
    sigma_mat = np.diag(rolling_std.loc[dt].values)
    # 取出当期3×3相关系数矩阵
    corr_mat = rolling_corr.loc[dt].values
    # 矩阵乘法计算协方差：注意用@做矩阵乘，不要用*做元素乘
    cov_mat = sigma_mat @ corr_mat @ sigma_mat
    rolling_cov[dt] = cov_mat

# 可选：将结果转为多级索引DataFrame，和pandas rolling输出格式对齐
rolling_cov_df = pd.DataFrame.from_dict(
    {dt: mat.flatten() for dt, mat in rolling_cov.items()},
    orient='index',
    columns=pd.MultiIndex.from_product([returns.columns, returns.columns])
)

注意事项 #

• 公式中σ矩阵的对角线元素是单资产收益率的标准差，如果之前存储的sigmabtc/sigmaeth/sigmaxlm是方差值，需要先做开平方处理再传入，否则协方差计算量级会出错
• 前59个观测值不满足60期窗口长度要求，没有有效协方差结果，VaR回测时从第60个时间点开始计算即可
• 后续调用时，直接按日期索引从rolling_cov中取出对应3×3矩阵，即可作为sigma参数传入VaR计算公式

内容的提问来源于stack exchange，提问作者Anna