知经 KNOWECON
登录 注册

知经百科 / D

单位向量

单位向量（Unit Vector）是指范数（长度）等于 1 1 的向量。在 n n 维欧氏空间 Rn \mathbb{R}^n 中，任意非零向量 v \mathbf{v} 均可通过归一化得到一个单位向量 v^=v/∥v∥ \hat{\mathbf{v}} = \mathbf{v} / \|\mathbf{v}\| ，该过程保留了原始向量的方向信息而消除了长度差异。单位向量是线性代数、解析几何和多元微积分中最基础的工具之一，在经济学中广泛应用于方向导数的定义、最优化理论中的梯度下降方向、投资组合理论中的风险权重表达，以及因子模型中的标准化系数解释，是将抽象的向量空间与具体的经济分析相联系的桥梁。

数学定义

在赋范向量空间中，向量 u \mathbf{u} 称为单位向量当且仅当其范数满足 ∥u∥=1 \|\mathbf{u}\| = 1 。在标准的欧几里得空间中，∥u∥=u12+u22+⋯+un2 \|\mathbf{u}\| = \sqrt{u_1^2 + u_2^2 + \cdots + u_n^2} 。最常见的单位向量是标准基向量（Standard Basis Vectors）：

e1=(1,0,…,0),e2=(0,1,…,0),\mathbf{e}_1 = (1, 0, \ldots, 0),\quad \mathbf{e}_2 = (0, 1, \ldots, 0),\quad

\ldots,\quad

en=(0,0,…,1)\mathbf{e}_n = (0, 0, \ldots, 1)

标准基向量构成 Rn \mathbb{R}^n 的一组标准正交基，任意向量 v=(v1,v2,…,vn) \mathbf{v} = (v_1, v_2, \ldots, v_n) 均可唯一地表示为 v=∑i=1nviei \mathbf{v} = \sum_{i=1}^n v_i \mathbf{e}_i 。在二维和三维空间中，常使用 i,j,k \mathbf{i}, \mathbf{j}, \mathbf{k} 分别表示沿 x,y,z x, y, z 轴正方向的单位向量。

向量归一化是指将任意非零向量转化为单位向量的过程：v^=v∥v∥ \hat{\mathbf{v}} = \frac{\mathbf{v}}{\|\mathbf{v}\|} 。几何上，归一化将向量投影到单位球面上——所有单位向量的端点构成一个半径为 1 1 的球面 Sn−1 S^{n-1} 。这一操作保持方向不变但标准化了长度，在机器学习的特征缩放和自然语言处理的词向量嵌入中广泛应用。

方向导数与梯度

在经济学的多元函数分析中，方向导数衡量函数在给定方向上的变化率。函数 f:Rn→R f: \mathbb{R}^n \to \mathbb{R} 在点 x \mathbf{x} 处沿单位向量 u \mathbf{u} 的方向导数为：

Duf(x)=∇f(x)⋅uD_{\mathbf{u}} f(\mathbf{x}) = \nabla f(\mathbf{x}) \cdot \mathbf{u}

方向导数的值依赖于 u \mathbf{u} 的选择。由柯西—施瓦茨不等式可知，当 u \mathbf{u} 与梯度 ∇f(x) \nabla f(\mathbf{x}) 方向一致时方向导数取得最大值 ∥∇f(x)∥ \|\nabla f(\mathbf{x})\| ，当 u \mathbf{u} 与梯度方向相反时取得最小值 −∥∇f(x)∥ -\|\nabla f(\mathbf{x})\| 。这就是最速上升方向与最速下降方向的数学基础。

在微观经济学的比较静态分析中，如果利润函数 π(p) \pi(\mathbf{p}) 关于价格向量 p \mathbf{p} 可微，则沿单位向量 u \mathbf{u} 的方向导数给出了价格在特定方向波动时利润的局部变化率。在宏观经济学的多变量增长模型中，沿不同资本投入方向的方向导数反映了技术进步偏向对各要素边际产出的差异化影响。

梯度下降算法

在经济学计量和机器学习中，梯度下降法的核心迭代步骤依赖于单位方向向量：

xt+1=xt−η ∇f^(xt)\mathbf{x}_{t+1} = \mathbf{x}_t - \eta \, \hat{\nabla f}(\mathbf{x}_t)

其中 η>0 \eta > 0 是步长（学习率），∇f^(xt)=∇f(xt)/∥∇f(xt)∥ \hat{\nabla f}(\mathbf{x}_t) = \nabla f(\mathbf{x}_t) / \|\nabla f(\mathbf{x}_t)\| 是梯度方向的单位向量。使用单位化梯度的变体称为归一化梯度下降，它使得每次迭代的移动方向仅由梯度方向决定，步长幅度由 η \eta 单独控制，避免了梯度范数差异过大导致的收敛抖动。这一方法在训练深度神经网络拟合复杂经济预测模型时尤为有效。

经济学中的单位向量

投资组合理论中的权重向量

在马科维茨（Markowitz, 1952）的均值—方差框架中，投资组合权重向量 w=(w1,w2,…,wn) \mathbf{w} = (w_1, w_2, \ldots, w_n) 满足 ∑i=1nwi=1 \sum_{i=1}^n w_i = 1 ，这意味着 w \mathbf{w} 可视为分布在 n n 种资产上的"财富分配比例向量"。当允许卖空时，w \mathbf{w} 的分量可以为负，但规范性约束 1⊤w=1 \mathbf{1}^\top \mathbf{w} = 1 限制了权重向量的自由度。特别地，等权重投资组合 w=(1n,1n,…,1n) \mathbf{w} = (\frac{1}{n}, \frac{1}{n}, \ldots, \frac{1}{n}) 的方向对应 1n(1,1,…,1) \frac{1}{\sqrt{n}}(1, 1, \ldots, 1) ，其范数为 1n \frac{1}{\sqrt{n}} ，而非单位向量。此时单位向量 w^=w∥w∥ \hat{\mathbf{w}} = \frac{\mathbf{w}}{\|\mathbf{w}\|} 代表了组合的风险结构方向，其各分量的平方 (w^i)2 (\hat{w}_i)^2 反映了单一资产在组合总风险中的相对贡献，在风险预算（Risk Budgeting）分析中有重要应用。

因子模型中的标准化载荷

在套利定价理论（APT）和法玛—弗伦奇因子模型中，资产收益率可表示为 Ri=αi+∑k=1KβikFk+εi R_i = \alpha_i + \sum_{k=1}^K \beta_{ik} F_k + \varepsilon_i 。因子载荷向量 βi=(βi1,βi2,…,βiK) \boldsymbol{\beta}_i = (\beta_{i1}, \beta_{i2}, \ldots, \beta_{iK}) 的方向反映了该资产对诸因子的暴露模式。将 βi \boldsymbol{\beta}_i 归一化为单位向量后，不同资产的因子暴露方向可直接比较，识别出具有相似风险暴露特征的资产组。标准化后的载荷还可以作为风格分析（Style Analysis）中聚类算法的输入，用于构建同质化资产池。

生产理论中的投入方向

在生产者理论中，等产量线的梯度方向对应要素边际替代率的标准化表达。给定柯布—道格拉斯生产函数 Q=ALαKβ Q = AL^\alpha K^\beta ，技术替代率 MRTS=MPLMPK=αKβL MRTS = \frac{MP_L}{MP_K} = \frac{\alpha K}{\beta L} 。投入向量 (L,K) (L, K) 的方向单位向量 (LL2+K2,KL2+K2) \left(\frac{L}{\sqrt{L^2+K^2}}, \frac{K}{\sqrt{L^2+K^2}}\right) 可用于分析要素投入比例的变动方向，判断生产是偏向劳动密集型还是资本密集型。在方向性距离函数（Directional Distance Function）方法中，研究者可指定一个非零方向向量 g=(gL,gK) \mathbf{g} = (g_L, g_K) 作为投入缩减或产出扩张的目标方向，将其单位化后的方向用于衡量生产单位偏离最优前沿的程度。

向量自回归中的冲击方向

在时间序列分析中，向量自回归（VAR）模型的脉冲响应函数刻画了一个标准误冲击对系统中各变量的动态影响路径。将冲击向量单位化后，不同方向上的脉冲响应可解释为对特定结构性冲击（如货币政策冲击、技术冲击）的标准化动态反应。这一方法在宏观经济学识别问题中至关重要，研究者通过施加短期或长期约束对冲击方向进行正交化，确保所分析的单位冲击具有经济含义。

正交性与坐标系

单位向量的正交性是线性代数的核心概念。一组单位向量 {u1,u2,…,uk} \{\mathbf{u}_1, \mathbf{u}_2, \ldots, \mathbf{u}_k\} 称为标准正交（Orthonormal）的，若任意两个不同的向量内积为零：ui⋅uj=δij \mathbf{u}_i \cdot \mathbf{u}_j = \delta_{ij} （克罗内克 δ \delta 函数）。标准正交基极大地简化了坐标表示和投影运算：向量 v \mathbf{v} 在第 j j 个基方向上的投影为 (v⋅uj) (\mathbf{v} \cdot \mathbf{u}_j) ，且 v=∑j=1n(v⋅uj)uj \mathbf{v} = \sum_{j=1}^n (\mathbf{v} \cdot \mathbf{u}_j) \mathbf{u}_j 。

在计量经济学中，正交投影矩阵 P=X(X⊤X)−1X⊤ \mathbf{P} = \mathbf{X}(\mathbf{X}^\top \mathbf{X})^{-1} \mathbf{X}^\top 的作用是将响应向量投影到由解释变量 X \mathbf{X} 的列空间张成的线性子空间上。当 X \mathbf{X} 的列向量是标准正交单位向量时，投影简化为 P=XX⊤ \mathbf{P} = \mathbf{X} \mathbf{X}^\top ，极大降低了计算复杂度。主成分分析（PCA）的核心正是寻找一组标准正交基，使得数据投影到前 r r 个基方向上的方差最大——这些基方向即为主成分方向，每个主成分方向都是单位向量。

参考文献

  1. Strang, G. (2016). Introduction to Linear Algebra (5th ed.). Wellesley-Cambridge Press.
  2. Markowitz, H. (1952). "Portfolio Selection." The Journal of Finance, 7(1), 77–91.
  3. Fama, E. F., \& French, K. R. (1993). "Common Risk Factors in the Returns on Stocks and Bonds." Journal of Financial Economics, 33(1), 3–56.
  4. Boyd, S., \& Vandenberghe, L. (2004). Convex Optimization. Cambridge University Press.
  5. Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
  6. Jolliffe, I. T. (2002). Principal Component Analysis (2nd ed.). Springer.
  7. Chambers, R. G., Chung, Y., \& Färe, R. (1996). "Benefit and Distance Functions." Journal of Economic Theory, 70(2), 407–419.

返回百科索引