如何从收益DataFrame滚动计算逆协方差矩阵及报错解决

• 运行np.linalg.inv(excess_return.rolling(750).cov().shift())报维度不匹配错误，核心是：pandas的rolling.cov()返回的是双层行索引的长表，行索引第一层为日期、第二层为10个组合名称，整体是二维扁平结构，并不是按日期拆分的三维矩阵结构。直接传入求逆函数时，numpy识别到的最后两个维度不是方阵，自然报错。
• 运行excess_return.rolling(750).np.linalg.inv(cov()).shift()报属性错误，核心是：pandas的Rolling滚动对象没有内置numpy方法的挂载，这种写法完全不符合API调用规则，Rolling类本身不存在np属性，自然抛出属性不存在的报错。

按照以下步骤即可实现逐交易日生成对应10×10逆协方差矩阵的需求，同时保留原代码里shift(1)的逻辑（确保计算时不使用当日收益，避免前视偏差）：

1. 计算带偏移的滚动协方差

   import numpy as np
   import pandas as pd
   
   # 750天滚动协方差计算完成后整体下移1天，每个日期的协方差仅用该日期之前的收益计算
   rolling_cov = excess_return.rolling(window=750).cov().shift(1)
   

2. 把长格式的协方差表转换为三维矩阵结构

   # 按日期分组，将每个日期下的10行协方差数据重排为独立的10×10矩阵
   cov_mat_stack = rolling_cov.groupby(level=0).apply(
       lambda df: df.values.reshape(10, 10)
   ).values
   

3. 批量求逆

   # numpy的linalg.inv原生支持批量处理「样本数×方阵边长×方阵边长」的三维数组
   inv_cov_mat_stack = np.linalg.inv(cov_mat_stack)
   

4. 给逆矩阵结果绑定日期索引，方便后续调用

   rolling_cov_inv = pd.Series(
       [inv_cov_mat_stack[i] for i in range(len(inv_cov_mat_stack))],
       index=rolling_cov.index.get_level_values(0).unique()
   )
   

• 序列最开始的749个交易日因为滚动窗口长度不足750天，对应的协方差、逆协方差结果为NaN，属于正常计算结果
• 如果运行中触发Singular matrix报错，说明对应窗口下的协方差矩阵因为组合收益完全线性相关出现奇异，可先给协方差矩阵的对角线加微小的正则项（如cov_mat_stack += np.eye(10) * 1e-8）再求逆，规避数值计算的奇异问题
• 针对1万多条数据的量级，上述代码的运行效率完全可以满足需求，不需要额外做过度优化

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