基于Numpy的多相关矩阵与权重批量矩阵乘法实现

当然可以通过调整张量的轴来实现批量矩阵乘法，不用写循环就能一步处理所有相关矩阵！下面我会一步步给你演示具体怎么做：

首先先明确我们的输入形状：

• weights 是 (1, 2) 的二维数组，代表两个资产的权重
• correl 是 (2, 2, 2) 的三维张量，其中第一个轴是批量维度（对应2个不同的相关矩阵），后面两个轴是每个2x2的相关矩阵

方法1：利用广播和@运算符（最直观） #

我们只需要给权重数组添加一个批量维度的占位符，让它能和correl的批量轴对齐，然后直接用矩阵乘法运算符@就能自动批量处理每个相关矩阵：

import numpy as np

# 定义输入
weights = np.array([.3,.7]).reshape(1,2)
correl = np.array([[[1,.4],[.4,1]],[[1,.6],[.6,1]]])

# 给权重添加批量维度，形状变为(1, 1, 2)
weights_batch = weights[np.newaxis, :, :]
# 给权重转置也添加批量维度，形状变为(1, 2, 1)
weights_t_batch = weights.T[np.newaxis, :, :]

# 一步完成批量矩阵乘法：weights @ correl[i] @ weights.T
portfolio_vars = (weights_batch @ correl @ weights_t_batch).squeeze()

print(portfolio_vars)
# 输出：[0.676 0.748]

形状变化解释：

1. weights_batch (1,1,2) 和 correl (2,2,2) 做矩阵乘法时，NumPy会自动把批量轴（第一个轴）广播成2，得到中间结果 (2,1,2)
2. 再和 weights_t_batch (1,2,1) 相乘，同样广播批量轴，最终得到 (2,1,1) 的结果
3. 用squeeze()去掉多余的维度，得到简洁的(2,)数组，对应两个相关矩阵下的投资组合方差

方法2：用np.einsum（更灵活，适合复杂轴运算） #

如果你想更精确地控制每个轴的运算逻辑，可以用爱因斯坦求和符号np.einsum，代码更紧凑：

portfolio_vars = np.einsum('ij, kij, jk -> k', weights, correl, weights.T)
print(portfolio_vars)
# 输出同样是：[0.676 0.748]

参数解释：

• 'ij' 对应weights的(1,2)维度
• 'kij' 对应correl的(2,2,2)维度（k是批量轴）
• 'jk' 对应weights.T的(2,1)维度
• '-> k' 指定输出只保留批量轴k，最终得到2个结果

总结 #

不管用哪种方法，核心都是通过调整轴的维度，让权重数组和批量相关矩阵的维度对齐，利用NumPy的批量运算能力避免循环，一步完成所有子矩阵的乘法计算。

内容的提问来源于stack exchange，提问作者Mariano