KNOWECON WIKI

ARTICLE

协方差

协方差 (Covariance) 协方差 (Covariance) 是统计学与概率论中的一个核心概念，用于衡量两个随机变量 (random variables) 之间的联合变化关系。具体来说，它度量的是两个变量在多大程度上会协同变化。如果一个变量的较大值主要对应于另一变量的较大值（或者一个变量的较小值主要对应于另一变量的较小值），则协方差为正。反之，如果一个

浏览 68 更新 2025-10-26

协方差 (Covariance)

协方差 (Covariance) 是统计学与概率论中的一个核心概念，用于衡量两个随机变量 (random variables) 之间的联合变化关系。具体来说，它度量的是两个变量在多大程度上会协同变化。如果一个变量的较大值主要对应于另一变量的较大值（或者一个变量的较小值主要对应于另一变量的较小值），则协方差为正。反之，如果一个变量的较大值主要对应于另一变量的较小值，则协方差为负。如果两个变量之间没有明显的线性关系，则协方差趋近于零。

协方差是理解变量间关系的第一步，并且是计算相关系数和构建多元化投资组合等高级概念的基础。

数学定义

协方差的定义分为对总体 (population) 的定义和对样本 (sample) 的定义。

总体协方差

对于两个随机变量 XX 和 YY，其总体协方差定义为它们各自与其期望值 (expected value) 离差乘积的期望值。

Cov(X,Y)=E[(X−E[X])(Y−E[Y])]\text{Cov}(X, Y) = E[(X - E[X])(Y - E[Y])]

其中，E[X]E[X] 和 E[Y]E[Y] 分别是随机变量 XX 和 YY 的期望值（或均值）。

这个公式在计算上通常不方便。通过展开上述表达式，可以得到一个更实用的计算公式：

Cov(X,Y)=E[XY−X⋅E[Y]−Y⋅E[X]+E[X]E[Y]]=E[XY]−E[X⋅E[Y]]−E[Y⋅E[X]]+E[E[X]E[Y]]=E[XY]−E[X]E[Y]−E[Y]E[X]+E[X]E[Y]=E[XY]−E[X]E[Y]\begin{aligned} \text{Cov}(X, Y) &= E[XY - X \cdot E[Y] - Y \cdot E[X] + E[X]E[Y]] \\ &= E[XY] - E[X \cdot E[Y]] - E[Y \cdot E[X]] + E[E[X]E[Y]] \\ &= E[XY] - E[X]E[Y] - E[Y]E[X] + E[X]E[Y] \\ &= E[XY] - E[X]E[Y] \end{aligned}

因此，一个等价且常用的公式是：

Cov(X,Y)=E[XY]−E[X]E[Y]\text{Cov}(X, Y) = E[XY] - E[X]E[Y]

这个公式表明，协方差是两变量乘积的期望值与两变量各自期望值乘积之差。

样本协方差

在实际应用中，我们通常处理的是从总体中抽取的样本数据。对于一组包含 nn 个配对观测值 (x1,y1),(x2,y2),…,(xn,yn)(x_1, y_1), (x_2, y_2), \dots, (x_n, y_n) 的样本，其样本协方差（通常记为 sxys_{xy} 或 σ^xy\hat{\sigma}_{xy}）计算如下：

sxy=1n−1∑i=1n(xi−xˉ)(yi−yˉ)s_{xy} = \frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})

其中：

  • xix_i 和 yiy_i 是第 ii 对观测值。
  • xˉ\bar{x} 和 yˉ\bar{y} 是样本 XX 和 YY 的平均值。
  • 分母使用 n−1n-1 而不是 nn 是为了得到总体协方差的一个无偏估计量 (unbiased estimator)。这与样本方差计算中使用 n−1n-1 的原因相同，涉及到自由度 (degrees of freedom) 的概念。

直观理解协方差的正负

我们可以通过分析样本协方差公式 ∑(xi−xˉ)(yi−yˉ)\sum (x_i - \bar{x})(y_i - \bar{y}) 来直观地理解其含义。想象一个以 (xˉ,yˉ)(\bar{x}, \bar{y}) 为中心点的散点图 (scatter plot)，该中心点将平面分为四个象限：

  1. 右上象限 (I)：此处的点满足 xi>xˉx_i > \bar{x} 且 yi>yˉy_i > \bar{y}。因此，乘积项 (xi−xˉ)(yi−yˉ)(x_i - \bar{x})(y_i - \bar{y}) 为正。
  2. 左上象限 (II)：此处的点满足 xi<xˉx_i < \bar{x} 且 yi>yˉy_i > \bar{y}。因此，乘积项 (xi−xˉ)(yi−yˉ)(x_i - \bar{x})(y_i - \bar{y}) 为负。
  3. 左下象限 (III)：此处的点满足 xi<xˉx_i < \bar{x} 且 yi<yˉy_i < \bar{y}。因此，乘积项 (xi−xˉ)(yi−yˉ)(x_i - \bar{x})(y_i - \bar{y}) 为正。
  4. 右下象限 (IV)：此处的点满足 xi>xˉx_i > \bar{x} 且 yi<yˉy_i < \bar{y}。因此，乘积项 (xi−xˉ)(yi−yˉ)(x_i - \bar{x})(y_i - \bar{y}) 为负。
  • 正协方差：如果数据点主要分布在右上（I）和左下（III）象限，那么大多数乘积项为正，它们的总和将是一个较大的正数，意味着 XX 和 YY 倾向于同向变动。
  • 负协方差：如果数据点主要分布在左上（II）和右下（IV）象限，那么大多数乘积项为负，它们的总和将是一个较大的负数，意味着 XX 和 YY 倾向于反向变动。
  • 零协方差：如果数据点均匀地分布在所有四个象限，那么正的乘积项和负的乘积项会相互抵消，总和将趋近于零。这表明 XX 和 YY 之间没有线性的关联。

协方差的性质

协方差具有以下重要的数学性质（假设 X,Y,ZX, Y, Z 为随机变量，a,b,c,da, b, c, d 为常数）：

  1. 与方差的关系：一个变量与自身的协方差等于其方差。 \[ \text{Cov}(X, X) = \text{Var}(X) \]
  2. 对称性：变量的顺序不影响协方差的值。 \[ \text{Cov}(X, Y) = \text{Cov}(Y, X) \]
  3. 常数的可加性：对变量加上一个常数不改变协方差。 \[ \text{Cov}(X+a, Y+b) = \text{Cov}(X, Y) \]
  4. 常数的乘法性： \[ \text{Cov}(aX, bY) = ab \cdot \text{Cov}(X, Y) \]
  5. 线性组合（双线性）： \[ \text{Cov}(X+Y, Z) = \text{Cov}(X, Z) + \text{Cov}(Y, Z) \] \[ \text{Cov}(aX+bY, cZ+dW) = ac \cdot \text{Cov}(X,Z) + ad \cdot \text{Cov}(X,W) + bc \cdot \text{Cov}(Y,Z) + bd \cdot \text{Cov}(Y,W) \]
  6. 两随机变量和的方差：这是金融领域极为重要的一个属性。 \[ \text{Var}(X+Y) = \text{Var}(X) + \text{Var}(Y) + 2\text{Cov}(X, Y) \] 更一般地： \[ \text{Var}(aX+bY) = a^2\text{Var}(X) + b^2\text{Var}(Y) + 2ab\text{Cov}(X, Y) \]
  7. 独立性与协方差：如果两个随机变量 XX 和 YY 是独立性 (概率论)的，那么它们的协方差为零。 \[ \text{若 } X, Y \text{ 独立, 则 } \text{Cov}(X, Y) = 0 \] 重要的是，反之不成立。协方差为零仅表示两个变量是不相关 (uncorrelated)，即没有线性关系，但它们可能存在非线性关系。例如，设 XX 是一个在 [−1,1][-1, 1] 上均匀分布的随机变量，令 Y=X2Y=X^2。显然 YY 是完全由 XX 决定的，但它们的协方差 Cov(X,Y)=0\text{Cov}(X, Y) = 0。

协方差的局限性

协方差的主要局限在于其数值大小本身难以解释。协方差的单位是两个变量单位的乘积（例如，如果 XX 的单位是米，YY 的单位是千克，则 Cov(X,Y)\text{Cov}(X, Y) 的单位是米-千克）。这导致了两个问题：

  1. 依赖于变量的尺度：如果将变量 XX 的单位从米改为厘米（乘以100），协方差的值也会乘以100，尽管变量之间的根本关系没有改变。
  2. 缺乏可比较的基准：我们无法仅通过协方差的数值（比如 200 或 -5000）来判断关系的"强弱"，因为它的大小受变量自身波动性（即标准差）的影响。

为了克服这些局限性，统计学家引入了相关系数 (correlation coefficient)。相关系数是标准化的协方差，它是一个无量纲的、介于 −1-1 和 +1+1 之间的值，从而可以更直观地比较不同变量对之间线性关系的强度和方向。

ρ\rho(X, Y) = \frac{Cov\text{Cov}(X, Y)}{σX\sigma_X σY\sigma_Y}

其中 σX\sigma_X 和 σY\sigma_Y 分别是 XX 和 YY 的标准差。

主要应用

尽管存在局限性，协方差在经济和金融领域仍然是不可或缺的工具。

现代投资组合理论 (MPT)：在构建投资组合时，投资者不仅关心单个资产的预期回报和风险（方差），更关心不同资产回报之间的协方差。通过组合协方差为负或较低正值的资产，可以有效降低整个投资组合的总体风险，这就是多元化 (diversification) 的核心思想。一个双资产投资组合的风险（方差）由公式 σp2=wA2σA2+wB2σB2+2wAwBCov(RA,RB)\sigma_p^2 = w_A^2 \sigma_A^2 + w_B^2 \sigma_B^2 + 2w_A w_B \text{Cov}(R_A, R_B) 决定。

计量经济学 (Econometrics)：协方差是线性回归分析的基础。在简单线性回归 Y=β0+β1X+ϵY = \beta_0 + \beta_1 X + \epsilon 中，斜率系数 β1\beta_1 的估计值 β^1\hat{\beta}_1 可以表示为：

β^1=sxysx2=Cov(X,Y)Var(X)\hat{\beta}_1 = \frac{s_{xy}}{s_x^2} = \frac{\text{Cov}(X, Y)}{\text{Var}(X)}

这表明，自变量 XX 对因变量 YY 的影响方向和大小直接与它们之间的协方差相关。

协方差矩阵

在多变量情形中，协方差的概念自然地扩展到协方差矩阵（Covariance Matrix）。对于一个 kk 维随机向量 X=(X1,X2,…,Xk)T\mathbf{X} = (X_1, X_2, \dots, X_k)^T，其协方差矩阵 Σ\Sigma 是一个 k×kk \times k 的对称矩阵，其中第 (i,j)(i, j) 个元素为 Cov(Xi,Xj)\text{Cov}(X_i, X_j)：

\Sigma = \begin{pmatrix}

Var\text{Var}(X1X_1) \& Cov\text{Cov}(X1X_1, X2X_2) \& \cdots \& Cov\text{Cov}(X1X_1, XkX_k) \\ Cov\text{Cov}(X2X_2, X1X_1) \& Var\text{Var}(X2X_2) \& \cdots \& Cov\text{Cov}(X2X_2, XkX_k) \\ \vdots \& \vdots \& \ddots \& \vdots \\ Cov\text{Cov}(XkX_k, X1X_1) \& Cov\text{Cov}(XkX_k, X2X_2) \& \cdots \& Var\text{Var}(XkX_k)

\end{pmatrix}

协方差矩阵在多元统计分析、主成分分析（PCA）和资产定价模型（CAPM）中发挥着核心作用。例如，在投资组合优化中，投资组合的总方差可以简洁地表示为 σp2=wTΣw\sigma_p^2 = \mathbf{w}^T \Sigma \mathbf{w}，其中 w\mathbf{w} 是权重向量。

样本协方差与总体协方差的关系

作为对总体协方差 Cov(X,Y)\text{Cov}(X, Y) 的估计，样本协方差 sxy=1n−1∑i=1n(xi−xˉ)(yi−yˉ)s_{xy} = \frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y}) 是一个无偏的估计量。也就是说，在重复抽样下，sxys_{xy} 的期望值等于真实的总体协方差。这一性质与样本方差的无偏性一脉相承。当样本量 nn 足够大时，分母使用 nn 或 n−1n-1 的差异趋于微不足道，但在小样本情形下，使用 n−1n-1 的修正对于获得无偏推断至关重要。

总结

协方差是衡量两个随机变量之间线性协同变化方向的基本度量。它不仅是计算相关系数和构建投资组合多元化的基石，也是线性回归、计量经济学推断以及多元统计分析中不可或缺的中间量。理解协方差的定义、性质及其与方差、相关系数的关系，是掌握更高级的统计与计量方法的必要前提。同时，明确其尺度依赖性和无法直接衡量关系强度的局限，有助于在实践中正确地选择后续的标准化工具（如相关系数）来进一步分析变量间的关联。