计算投资组合波动率异常：所有结果值均为同一数值

我一眼就看出问题出在你的循环逻辑上啦！你现在的代码其实只计算了最后一行权重对应的波动率，然后把整个Volatility列都赋值成了这个结果，所以所有行显示的都是同一个值0.022906。

具体来说，你的for循环里每次迭代都会把temp_list替换成当前行的data.tolist()，但你并没有在循环里计算并保存每一行的波动率，而是等循环结束后才执行一次矩阵乘法——这时候用的是最后一次循环的npa，自然整列都是同一个数。

修正后的循环版本代码 #

我们需要把每一行计算出的波动率收集起来，最后再赋值给DataFrame列：

import numpy as np

covariance_matrix = clean_returns.cov()
volatility_list = []
# 直接解构iterrows的返回值，写法更简洁
for index, weights_data in temp.iterrows():
    # 把当前行的权重转为numpy数组
    weights = weights_data.to_numpy()
    # 计算投资组合方差：权重转置 × 协方差矩阵 × 权重
    portfolio_variance = np.dot(weights.T, np.dot(covariance_matrix, weights))
    # 波动率是方差的平方根
    portfolio_volatility = np.sqrt(portfolio_variance)
    # 把当前行的波动率加入列表
    volatility_list.append(portfolio_volatility)

# 把收集到的波动率批量赋值给新列
Portfolio_Returns['Volatility'] = volatility_list

更高效的向量化版本（推荐） #

如果你的temp数据量比较大，循环会比较慢，推荐用向量化操作替代循环，效率提升明显：

import numpy as np

covariance_matrix = clean_returns.cov()
# 把权重表转为二维numpy数组，每一行对应一组权重
weights_array = temp.to_numpy()
# 向量化计算每一行的波动率：先算权重与协方差矩阵的乘积，再和原权重逐元素相乘，最后按行求和开根号
Portfolio_Returns['Volatility'] = np.sqrt(np.sum((weights_array @ covariance_matrix) * weights_array, axis=1))

这样修改后，Portfolio_Returns['Volatility']就会显示每一组权重对应的不同波动率啦！

内容的提问来源于stack exchange，提问作者ahrnad