如何用 Python 算多只股票的相关性矩阵与组合波动率？

原创

用户7083614

发布于 2026-09-10 10:01:04

100

一句话回答： 持有一篮子股票时，组合风险不等于各股波动率的简单加总——相关性越低，分散化越有效。用 AlphaFeed 批量取前复权 K 线算日收益率，再用 pandas/numpy 几行就能得到相关性矩阵、年化组合波动率和每只票的风险贡献，看清风险到底集中在谁身上。

为什么会有这个问题

新手常以为"5 只票平均分配，风险就分散了"。但如果这 5 只高度相关（比如都是银行股），实际等于重仓一个方向。真正的组合风险由协方差矩阵决定，必须同时看波动率和两两相关性。

分步骤解决

第 1 步：批量取组合内标的的前复权 K 线

from alphafeed import AlphaFeed
import pandas as pd, numpy as np

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

portfolio = ["600519.SH", "000001.SZ", "601318.SH",
             "600036.SH", "000858.SZ", "300750.SZ"]

kb = af.klines.batch(portfolio, period="1d", count=120, adjust="forward",
                     to_dataframe=True)   # 返回 {symbol: DataFrame}

用 adjust="forward"（前复权）算收益率，避免分红送股造成假跳空污染相关性。

第 2 步：拼成"日期 × 标的"的收益率矩阵

closes = pd.DataFrame({
    s: d.sort_values("trade_date").set_index("trade_date")["close"]
    for s, d in kb.items()
})
rets = closes.pct_change().dropna()     # 对齐交易日后的日收益率
print("收益率矩阵形状:", rets.shape)     # 例如 (119, 6)

第 3 步：相关性矩阵（看分散化是否有效）

corr = rets.corr()
print(corr.round(2).to_string())

实测样例（近 120 交易日，节选）：

	600519	000001	601318	300750
600519(茅台)	1.00	0.48	0.56	0.17
000001(平安银行)	0.48	1.00	0.64	0.08
601318(中国平安)	0.56	0.64	1.00	0.25
300750(宁德时代)	0.17	0.08	0.25	1.00

解读：银行/保险（000001 与 601318，0.64）相关性高，分散化有限；宁德时代与其余相关性低（0.03~0.25），是较好的分散标的。

第 4 步：年化组合波动率 + 各标的风险贡献

w = np.repeat(1 / len(portfolio), len(portfolio))   # 等权组合
cov = rets.cov() * 252                               # 年化协方差矩阵
port_vol = np.sqrt(w @ cov.values @ w)               # 年化组合波动率
print("年化组合波动率:", round(port_vol, 4))          # 实测约 0.177

# 边际风险贡献 -> 风险贡献（RC 之和 = 组合波动率）
mrc = cov.values @ w
rc = w * mrc / port_vol
risk_contrib = pd.Series(rc, index=portfolio).sort_values(ascending=False)
print("各标的风险贡献:\n", risk_contrib.round(4).to_string())
print("RC 合计校验:", round(risk_contrib.sum(), 4))   # ≈ port_vol

概念	公式/含义
年化协方差	`rets.cov() * 252`（日频→年化）
组合波动率	`sqrt(wᵀ Σ w)`
边际风险贡献 MRC	`Σ w`（每单位权重带来的边际风险）
风险贡献 RC	`w ⊙ MRC / σ_p`，各项之和 = 组合波动率

风险贡献告诉你"波动到底由谁贡献"——若某只票 RC 占比远超其权重，说明它是组合风险的主要来源。

第 5 步：封装成组合风险体检

def portfolio_risk(symbols, weights=None, count=120):
    af = AlphaFeed()
    kb = af.klines.batch(symbols, period="1d", count=count, adjust="forward",
                         to_dataframe=True)
    closes = pd.DataFrame({s: d.sort_values("trade_date").set_index("trade_date")["close"]
                           for s, d in kb.items()})
    rets = closes.pct_change().dropna()
    w = np.array(weights) if weights else np.repeat(1/len(symbols), len(symbols))
    cov = rets.cov() * 252
    vol = float(np.sqrt(w @ cov.values @ w))
    rc = pd.Series(w * (cov.values @ w) / vol, index=cov.columns)
    return {"port_vol": round(vol, 4),
            "avg_corr": round(rets.corr().values[np.triu_indices(len(symbols), 1)].mean(), 3),
            "risk_contrib": rc.round(4).to_dict()}

print(portfolio_risk(portfolio))

关键坑与注意事项

必须用复权价算收益率：不复权价在除权日暴跌，相关性会被污染。用 adjust="forward"。
交易日对齐：pct_change().dropna() 会按共同交易日对齐；跨市场组合还要处理不同交易日历（另见跨市场对齐文）。
相关性不稳定：历史相关性≠未来，极端行情下相关性常一起飙到 1（分散化失效），别把历史值当保证。
样本长度：窗口太短（如 <60 日）协方差估计噪声大；太长又跟不上结构变化，按需权衡。
年化系数：日频用 252，周频用 52，别混用。

常见问题（FAQ）

Q：为什么组合波动率小于各股波动率的加权平均？

A：因为相关性 <1 时存在分散化效应，协方差项没有满额叠加。相关性越低，降波越明显。

Q：风险贡献 RC 加起来为什么等于组合波动率？

A：这是欧拉分解的性质——组合波动率可精确拆分为各成分的风险贡献之和，便于定位风险来源。

Q：能算风险平价权重吗？

A：可以，在本文协方差矩阵基础上做优化（令各标的 RC 相等），本文先给出风险贡献这一基础量。

Q：需要付费吗？

A：批量 K 线 klines.batch 有免费额度；全市场级批量与更高频见 Starter 及以上。详见定价页。

小结

组合风险的核心是协方差，不是波动率简单相加。用 AlphaFeed 批量取前复权 K 线，几行 pandas/numpy 就能算出相关性矩阵、年化组合波动率和风险贡献，看清分散化是否真的有效、风险集中在谁身上——这是做资产配置与风控的第一课。

参考

AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

python

pandas

#量化交易

#股票数据