共變異數與相關性：資產池中的聯動性危機

在當前的市場環境中，多數投資人往往將焦點集中在單一資產的預期報酬與波動率上，彷彿只要挑選出最具潛力的「超級股票」，就能在市場中立於不敗之地。然而，這是一種典型的單維度思維。真正的量化投資體系，其核心從來不是單一資產的孤立表現，而是多個變數如何在複雜的市場環境中相互影響。

這就是多變量隨機變數 (Multivariate Random Variables) 必須被引入的原因。當我們將視角從單一資產擴展到投資組合時，資產間的相依性 (Dependency) 與共動關係，才是決定整體風險與報酬的底層法則。單純堆疊看似優秀的資產，若忽視其聯合機率分佈，最終的結局往往是承擔了未被定價的系統性風險。

許多策略工廠看似擁有多元化的投資組合，實則在底層因子的暴露上高度重合。量化投資的第一性原理告訴我們：投資組合的風險並非各資產風險的簡單加總，而是由其機率矩陣 (Probability Matrix) 與共變關係所定義。 唯有透過邊緣分佈與條件分佈的拆解，並精準量化共變異數與相關性，我們才能真正在實盤 (Live Trading) 中構建具備抗脆弱性的策略。

在雙變量隨機變數 (Bivariate Random Variable) 的框架下，兩個變數 $X_1$ 與 $X_2$ 的聯合行為可以由機率質量函數 (Probability Mass Function, PMF) 來描述。機率矩陣不僅確保了所有可能結果的機率總和為 $1$，更揭示了變數間的隱含結構。

然而，當我們只需要關注單一變數（例如大盤環境下的特定股票表現）時，我們需要透過加總機率矩陣的行或列，來萃取邊緣分佈 (Marginal Distribution)：

邊緣分佈看似剝離了另一個變數的影響，但它實質上是所有可能情境的加權平均。

實務上，市場往往是條件驅動的。例如，我們關心的是「在盈餘宣告為負」的前提下，股價報酬的機率分佈。這就必須引入條件分佈 (Conditional Distribution)。條件分佈是聯合機率除以給定事件的邊緣機率：

雙變量隨機變數的第二動差 (Second Moment) 揭示了兩個變數如何共同變動，即共變異數 (Covariance)。共變異數衡量了兩個變數偏離各自期望值之乘積的期望值：

展開後可得更具運算效率的形式：

然而，共變異數的致命缺陷在於尺度依賴。它會隨著 $X_1$ 或 $X_2$ 單位的改變而呈現極大或極小的值，導致其絕對數值在實盤比較時毫無意義。

為了解決尺度問題，我們將共變異數除以兩個變數的標準差乘積，得到相關係數 (Correlation Coefficient)：

相關係數將相依性嚴格收斂在 $-1$ 到 $+1$ 的區間內。這是一個無維度 (Scale-free) 的純粹線性關係衡量指標。必須警惕的是，相關係數為 $0$ 僅代表無線性關係，並不等同於兩變數完全獨立 (Independent)；非線性風險的忽視，往往是黑天鵝事件中模型失效的主因。

當我們對隨機變數進行線性轉換 ($X_2 = a + bX_1$) 時，其共變異與相關性會遵循嚴格的數學定律。位置的平移 ($a$) 絲毫不影響變異數與共變異數，唯有縮放因子 ($b$) 具備影響力。

上述性質直接推導出現代投資組合理論 (Modern Portfolio Theory) 的基石。對於權重分別為 $a$ 與 $b$ 的雙資產投資組合，其變異數不僅取決於個體變異數，更受制於兩者的共變異數：

或者以相關係數表示：

在建立演算法與迴測 (Backtest) 模型時，獨立同分配 (Independent and Identically Distributed, i.i.d.) 是一個威力強大卻常被濫用的假定。

當一系列隨機變數符合 i.i.d. 特性時，它們各自獨立且來自同一個分佈，具備相同的期望值 $\mu$ 與變異數 $\sigma^2$。此時，其總和與平均數的動差遵循極度優雅的線性擴張法則：

總和的期望值：

總和的變異數（因獨立而共變異數項歸零）：

更關鍵的是，樣本平均數的變異數會隨著 $n$ 的增加而等比例縮小：

這正是大數法則與規模化交易的底層邏輯：透過增加獨立的交易次數，策略的勝率將穩定收斂至真實的期望值，而雜訊帶來的平均變異將被時間與規模所抹平。然而，實盤中的市場數據往往存在自相關性與肥尾效應 (Fat Tails)，強行套用 i.i.d. 假說而不進行嚴格的殘差檢驗，等同於在流沙上築高塔。

所謂的 Alpha，往往隱藏在市場對共變異矩陣的錯誤定價之中。投資組合管理升級了運算工具，卻沒有撼動機率論的底層定律。單一資產的極致優化，終究敵不過系統性風險的降維打擊。