13、多产品组合利润优化：相关性矩阵、组合VaR、资本配置优化

做市商手里通常不止一个产品。你想想看，我们同时做ETF期权、股指期货、甚至还有几个商品期货的做市。每个产品单独看都赚钱，但合在一起，风险就复杂了。

我早年吃过一次亏。当时几个产品单独看风险都不大，结果市场一波动，它们居然一起跌。那天的亏损，让我记住了组合风险管理的分量。今天我们就聊聊多产品组合的利润优化，核心就是三件事：相关性矩阵、组合VaR、资本配置。

13.1 为什么单产品风控不够用？

单产品做市，你盯着自己的希腊字母就行。Delta大了就对冲，Gamma高了就小心。但多产品组合，问题就来了——产品之间会互相影响。

举个简单的例子：

• 你同时做多沪深300ETF期权和做空沪深300股指期货
• 表面上看，两个头寸方向相反，风险对冲了
• 但实际呢？期权有非线性特征，期货是线性的
• 市场大涨时，期权Gamma会放大收益，期货只是线性亏损
• 结果组合风险并不像你想象的那么小

这就是相关性在作怪。产品之间的相关性不是固定的，它会随着市场状态变化。我习惯用滚动窗口计算相关性矩阵，而不是用全样本的静态数据。

13.2 相关性矩阵：从数据到洞察

相关性矩阵说白了就是一个表格，告诉你每两个产品之间是怎么联动的。值在-1到1之间，1代表完全同向，-1代表完全反向，0代表没关系。

但这里有个坑。我记得有一次，我用日收益率算相关性，结果发现两个产品相关性高达0.85。我差点就以为它们是一回事。后来我换成15分钟的高频数据算，相关性只有0.3。为什么？因为日线掩盖了日内波动的细节。

我建议的做法是：

1. 选择合适的时间窗口：做市商关注的是日内风险，用30分钟或1小时的收益率更合适
2. 滚动计算：用过去20个交易日的窗口，每天更新一次相关性矩阵
3. 关注极端相关性：市场压力下，相关性会急剧上升。我习惯单独算一个“压力相关性矩阵”，只用市场大跌时的数据

下面是一个简单的Python示例，计算两个产品的滚动相关性：

import numpy as np
import pandas as pd

# 假设有两个产品的收益率序列
returns_product1 = np.random.randn(1000) * 0.01
returns_product2 = np.random.randn(1000) * 0.01

# 滚动计算相关性，窗口为50个数据点
window = 50
rolling_corr = []
for i in range(window, len(returns_product1)):
    corr = np.corrcoef(
        returns_product1[i-window:i],
        returns_product2[i-window:i]
    )[0, 1]
    rolling_corr.append(corr)

# 看看最近的相关性
print(f"最近的相关性: {rolling_corr[-1]:.3f}")

13.3 组合VaR：把风险量化出来

有了相关性矩阵，我们就可以算组合VaR了。VaR（Value at Risk）就是“在给定置信水平下，未来一段时间内可能的最大损失”。

组合VaR的计算公式其实不复杂：

组合VaR = sqrt( w^T * Σ * w ) * z * sqrt(T)

其中：
w = 各产品的权重向量
Σ = 协方差矩阵（由相关性矩阵和标准差算出）
z = 置信水平对应的分位数（95%对应1.645，99%对应2.326）
T = 持有期（天数）

但这里有个问题。这个公式假设收益率是正态分布的。现实中的数据往往有厚尾特征——极端事件发生的概率比正态分布预测的要高。我见过太多人用这个公式算出来VaR是100万，结果一天亏了300万。

所以我建议用历史模拟法算VaR。方法很简单：

1. 取过去500个交易日的组合收益率数据
2. 按收益率从小到大排序
3. 取第5%分位数（95%置信水平）对应的值

这个方法不需要假设分布，直接看历史数据。虽然也有缺点（历史不会完全重复），但至少比纯正态假设靠谱。

13.4 资本配置优化：把钱放到最赚钱的地方

做市商有资本金限制。你不能把所有钱都押在一个产品上。资本配置优化的目标就是：在给定风险预算（比如组合VaR不超过1000万）的前提下，最大化预期收益。

这个问题可以转化为一个优化问题：

最大化： 预期收益 = w^T * μ
约束条件： 组合VaR ≤ 风险预算
           w^T * 1 = 1 （权重之和为1）
           w_i ≥ 0 （不允许做空，视情况而定）

其中μ是各产品的预期收益率向量。但这里有个现实问题——预期收益率很难准确估计。我见过有人用历史平均收益率，结果优化出来的权重全集中在过去涨得好的产品上，然后市场风格一变就亏惨了。

我个人的做法是：

• 用隐含波动率的变化来估计预期收益，而不是历史收益率
• 加入“分散度约束”，限制单个产品的最大权重不超过30%
• 定期再平衡，比如每周调整一次权重

下面是一个简单的优化示例，用scipy求解：

from scipy.optimize import minimize
import numpy as np

# 假设有3个产品
expected_returns = np.array([0.05, 0.03, 0.04])  # 预期收益率
cov_matrix = np.array([
    [0.01, 0.002, 0.001],
    [0.002, 0.008, 0.0015],
    [0.001, 0.0015, 0.009]
])  # 协方差矩阵
risk_budget = 0.02  # 风险预算（2%的VaR）

def portfolio_var(weights):
    return np.sqrt(weights.T @ cov_matrix @ weights)

def objective(weights):
    return -weights.T @ expected_returns  # 最大化收益 = 最小化负收益

# 约束条件
constraints = [
    {'type': 'eq', 'fun': lambda w: np.sum(w) - 1},  # 权重之和为1
    {'type': 'ineq', 'fun': lambda w: risk_budget - portfolio_var(w)}  # VaR不超过预算
]

# 初始权重
initial_weights = np.array([1/3, 1/3, 1/3])

# 求解
result = minimize(objective, initial_weights, constraints=constraints)
print(f"最优权重: {result.x}")
print(f"组合VaR: {portfolio_var(result.x):.4f}")

13.5 实战中的避坑指南

说了这么多，最后分享几个我踩过的坑：

• 相关性会突变：2020年3月，几乎所有资产的相关性都飙到了0.8以上。平时算的分散化效果，在危机时刻基本失效。我后来加了一个“压力测试”模块，专门模拟极端情况。
• 不要过度优化：有一次我优化出来的权重是47.3%、32.1%、20.6%，看起来特别精确。结果第二天市场一波动，这些数字就全变了。我现在只保留到整数百分比，给自己留点容错空间。
• 交易成本是隐形的杀手：优化模型通常不考虑交易成本。但实际做市时，调整头寸是要花钱的。我建议在优化目标中加入一个“换手率惩罚项”，避免频繁调整。

嗯，多产品组合的利润优化，说到底就是在风险和收益之间找平衡。相关性矩阵给你地图，组合VaR给你指南针，资本配置优化就是你的路线规划。三者缺一不可。

最后说一句，这套方法不是万能的。市场永远有黑天鹅。但有了相关性矩阵、组合VaR和资本配置优化，至少你能在大部分时间里，把风险控制在可接受的范围内。剩下的，就看你的经验和运气了。