EWMA 协方差 RiskMetrics：用指数衰减权重让风险估计跟上市场

前几篇我们讲了协方差怎么收缩、噪声特征值怎么剪，都是在解决采样误差——数据不够、维度太高。但协方差还有另一个完全独立的敌人：时变性。市场波动率不是常数，相关性会在危机里齐刷刷跳升，而教科书默认的等权滚动窗口对此的反应速度，用一个词形容就是：迟钝。

先上本文实验里最扎眼的数字。两资产市场、相关系数从 0.3 跳到 0.8（模拟危机传染），估计器收敛到新相关值 90% 所需的天数：

滚动窗口需要把窗口里的旧数据几乎全部换血才能承认世界变了——将近一年。这一年里你的风险模型报告的相关性、VaR、组合波动率全是过时的。EWMA（指数加权移动平均）用一个参数 λ 解决这个问题，这就是 J.P. Morgan RiskMetrics（1996）留给行业最持久的遗产。

一行递推公式#

EWMA 方差估计只有一行：

$\hat\sigma^2_t = \lambda \hat\sigma^2_{t-1} + (1-\lambda) r_{t-1}^2$

协方差同理，把 $r^2$ 换成两资产收益的乘积。展开递推式可以看到它本质是对历史平方收益做指数衰减加权：滞后 $k$ 天的观测拿到权重 $(1-\lambda)\lambda^k$。滚动窗口是”窗口内等权、窗口外清零”的阶梯函数；EWMA 是平滑衰减，昨天的信息永远比前天重要。

import numpy as np

def ewma_cov(x, y, lam=0.94):
    """EWMA 协方差递推。x, y 为日收益序列（去均值可省略，日频均值≈0）"""
    n = len(x)
    cov = np.zeros(n)
    cov[0] = x[0] * y[0]
    for t in range(1, n):
        cov[t] = lam * cov[t-1] + (1 - lam) * x[t] * y[t]
    return cov

# N 资产协方差矩阵版本：S_t = λ S_{t-1} + (1-λ) r_{t-1} r_{t-1}^T
def ewma_cov_matrix(R, lam=0.94):
    T, N = R.shape
    S = np.cov(R[:60].T)          # 用一小段样本协方差初始化
    for t in range(60, T):
        x = R[t][:, None]
        S = lam * S + (1 - lam) * (x @ x.T)
    return S

注意矩阵版本的一个好性质：每天的更新 $r r^\top$ 是秩 1 半正定矩阵，λ 加权和保持半正定——EWMA 协方差矩阵天然不会出现负特征值，这比很多修补样本协方差的方法省心。

λ 是唯一的旋钮：半衰期与有效样本量#

λ 控制记忆长度，两个换算公式值得记住：

• 半衰期：$k_{1/2} = \ln 0.5 / \ln \lambda$。λ=0.94 → 11.2 天；λ=0.97 → 22.8 天
• 有效样本量：$N_{\text{eff}} = (1+\lambda)/(1-\lambda)$。λ=0.94 → 约 32 天；λ=0.97 → 66 天

RiskMetrics 的经典取值是日频 λ=0.94、月频 λ=0.97，这不是理论推导，是当年在几百个资产上最小化方差预测误差的经验优化结果。它隐含的判断是：日频波动率的可预测结构大约只有两三周的记忆——和 GARCH(1,1) 在多数市场估出的 α+β≈0.98（对应类似衰减速度）互相印证。事实上 EWMA 就是 GARCH(1,1) 取 ω=0、α+β=1 的退化特例：不均值回复、不收敛到长期方差，永远跟着最近的市场走。

VaR 回测：迟钝的代价#

用 GARCH 生成的十年日收益（波动聚集是真实的），每天用前一天的波动率估计预测 1% VaR，统计击穿率：

整体差 0.27 个百分点看着不大，但分年度看就露馅了：滚动窗口的击穿集中在波动率抬升的年份——波动率涨了它还拿着一年前的低波动数据算 VaR，于是连环击穿；等它终于追上来，波动率又回落了，它又开始高估风险、浪费风险预算。风险估计的滞后不是均匀分布的误差，是顺周期的系统性错误：最需要风控收紧的时候它最松。

诚实的另一面：EWMA 不解决维度诅咒#

到这里 EWMA 看起来全面碾压，但把它喂给组合优化器试试。20 资产（单因子结构 + GARCH 共同波动、相关结构恒定）、月度再平衡最小方差组合、八年样本外：

排序完全反过来了。原因不复杂：λ=0.94 的有效样本量只有 32 天，拿 32 天的信息去估 20×20=210 个协方差参数，等效于 T/N≈1.6 的极端样本匮乏——前面讲过这正是优化器误差最大化的重灾区。而这个模拟市场的相关结构是恒定的，时效性毫无价值，等权长窗口的低方差估计完胜。

这个对照实验说清楚了 EWMA 的定位：它解决时效性，不解决维度诅咒，两者还互相冲突——λ 越小追得越快，有效样本越少、矩阵越噪。工程上的调和方案：

1. 一维风险度量（单资产 VaR、波动率目标）用小 λ：只估一个参数，32 天样本足够，时效性收益全拿；
2. 高维协方差用大 λ 或直接叠加收缩：先 EWMA 更新、再 Ledoit-Wolf 收缩，或者用 DCC-GARCH 把波动率（各自 GARCH，追得快）和相关性（缓慢演化）拆开建模——相关性本来就比波动率稳定得多；
3. 检查 N_eff 对 N 的比值：$N_{\text{eff}}/N < 3$ 就该警惕，这是和滚动窗口 T/N 完全同源的判据。

实现细节与坑#

初始化：递推需要 $\hat\sigma^2_0$。用前 60 天样本方差初始化，然后烧掉（burn-in）约 3 个半衰期再开始使用输出，初始化误差衰减到 $\lambda^{33}\approx13\%$ 以下。直接拿第一天的 $r_1^2$ 初始化会让前两个月的估计随机漂移。

去均值：日频收益均值约 0.03%，平方后对方差贡献不足 1%，RiskMetrics 直接假设均值为零。周频以上建议老实减均值。

相关系数要用同一 λ：分子协方差和分母两个方差必须用相同 λ 递推，否则相关系数可能跑出 [−1, 1]。

λ 不要拿收益率数据调优：用波动率预测误差（如 QLIKE 损失）调，拿组合收益调 λ 就是把风险模型变成了另一个过拟合的 alpha 模型。

结语#

EWMA 是风险建模里性价比最高的一行代码：零参数估计（λ 是约定不是估计）、天然半正定、对波动聚集的响应速度接近 GARCH。它的边界同样清晰——有效样本量 32 天的估计器不该被塞进高维优化器。下次看到风险系统里同时存在”日频 λ=0.94 算 VaR”和”月度协方差矩阵做配置”，不要以为是不一致，那是各干各的活。

参考文献#

1. J.P. Morgan/Reuters (1996). RiskMetrics — Technical Document (4th ed.).
2. Engle, R. (2002). Dynamic Conditional Correlation. Journal of Business & Economic Statistics, 20(3).
3. Patton, A. (2011). Volatility Forecast Comparison Using Imperfect Volatility Proxies. Journal of Econometrics, 160(1).