Multi-Index波动率与相关性DataFrame相乘生成协方差矩阵问题

核心计算逻辑 #

单日期维度下，协方差矩阵满足计算公式：
协方差矩阵Σ = 对角波动率矩阵Dσ * 相关系数矩阵R * 对角波动率矩阵Dσ
其中Dσ为方阵，对角元素为对应资产的日度波动率，非对角元素为0。

现有实现的报错根源 #

• 逐组计算方案的ValueError: matrices are not aligned报错原因：
  原代码矩阵运算顺序错误、维度匹配逻辑偏差。逐组取数时未显式校验当前日期下rvm对角矩阵与相关系数矩阵的行/列维度一致性，嵌套的dot运算未严格遵循Dσ * R * Dσ的乘法顺序，导致矩阵维度无法对齐。
• 张量方案的广播报错原因：
  1. 维度计算偏差：将5790行的二维rvm对角值直接传入einsum时，未将其重塑为和相关系数张量（形状为(日期数, 资产数, 资产数)）匹配的结构，导致出现(579,10,10)与(5790,10)的形状不匹配
  2. einsum方程写法错误：未显式对应三维张量的逐天运算维度，直接复用二维数组的运算逻辑，触发广播规则校验失败。

可正常运行的实现代码 #

方案1：分组逐组计算（易调试，适合小数据量） #

# 先对齐两个数据集的索引排序，避免日期、资产标签错位
rvm = rvm.sort_index()
omega_tilde = omega_tilde.sort_index()

def calculate_daily_corr(date_group, rvm_dataset):
    # 提取当前日期的对角波动率矩阵
    sigma_diag = rvm_dataset.loc[date_group.name].values
    # 提取当前日期的相关系数矩阵
    corr_mat = date_group.values
    # 严格按乘法顺序计算协方差矩阵
    daily_cov = sigma_diag @ corr_mat @ sigma_diag
    # 返回保留原有索引结构的DataFrame
    return pd.DataFrame(daily_cov, index=date_group.index, columns=date_group.columns)

# 按日期分组计算，不保留分组键，保持原索引结构
sigma_tilde = omega_tilde.groupby(level='Date', group_keys=False).apply(
    lambda g: calculate_daily_corr(g, rvm)
)

方案2：张量批量计算（高吞吐量，适合大日期量级） #

import numpy as np
import pandas as pd

# 提取结构参数
n_dates = omega_tilde.index.get_level_values('Date').nunique()
n_assets = omega_tilde.shape[-1]

# 重塑波动率数据为 日期数×资产数 的二维数组
sigma_vector = rvm.values.reshape(n_dates, n_assets)
# 重塑相关性数据为 日期数×资产数×资产数 的三维张量
corr_tensor = omega_tilde.values.reshape(n_dates, n_assets, n_assets)

# 批量执行Dσ * R * Dσ运算
cov_tensor = np.einsum('ti,tij,tj->tij', sigma_vector, corr_tensor, sigma_vector)

# 还原为和omega_tilde完全一致的MultiIndex结构
sigma_tilde = pd.DataFrame(
    cov_tensor.reshape(n_dates * n_assets, n_assets),
    index=omega_tilde.index,
    columns=omega_tilde.columns
)

结果校验提示 #

• 输出的sigma_tilde需完全继承omega_tilde的MultiIndex层级顺序、标签值，无索引错位
• 可随机抽取单日期样本验证：资产i与资产j的协方差值 = 当日资产i波动率 * 当日i-j相关系数 * 当日资产j波动率

内容的提问来源于stack exchange，提问作者Bjarne Timm