线性代数是量化中「性价比较高」的数学分支：概念少、复用率高。本篇只讲三类对象——向量、矩阵、特征值——以及它们各自在交易中的唯一化身。
向量：权重、收益与暴露
权重向量 w = (w₁,…,w_N)：一行代码就是你的全部仓位；收益向量 r：各标的下一期收益。组合收益就是内积：
r_p = wᵀr = Σ wᵢrᵢ
这个紧凑的记号背后是一整套纪律：wᵀ1 = 1 是预算约束（满仓）、wᵢ ≥ 0 是禁止做空、|w − w₀|₁ ≤ c 是换手约束——组合优化的全部输入输出都是向量运算。
因子暴露向量同理：一只股票的（PE、动量、波动率）取值构成向量，组合暴露 = 权重的加权平均 wᵀF。风控日报里的「组合动量暴露 +0.25」就是这么算出来的（见因子暴露监控
）。
矩阵：把 T 天 × N 只股票装进一个对象
收益矩阵 R（T×N）：每行一天、每列一只股票。量化数据的默认形态，Pandas DataFrame 就是它的工程化身。
协方差矩阵 Σ：Σ = (1/T)·R̃ᵀR̃（R̃ 为去均值收益）。它是风险的完整地图——对角线是各资产方差，非对角线是共动性。组合方差 σ_p² = wᵀΣw 是全篇最重要的公式：风险不是方差的加权和，还有交叉项 2wᵢwⱼσᵢⱼ，而组合管理的全部艺术都藏在交叉项里。
特征值：风险的自然坐标系
协方差矩阵的特征分解 Σ = VΛVᵀ 把 N 个相关资产「旋转」到 N 个互不相关的方向上：
- 最大特征值 λ₁ 对应的方向通常是「市场整体」——A 股全市场协方差矩阵的第一主成分解释约 30%–45% 的总方差（牛市里更高）。它的特征向量近似等权所有股票；
- 后续特征值对应行业、风格等系统性方向；尾部小特征值对应个股特异性风险；
- 特征值之和 = 总方差（迹不变）：PCA 只是换坐标系度量风险，不创造也不消灭风险。
PCA 的三个交易化身：
- 风险模型的骨架：把收益率对前 K 个主成分回归，得到「市场 + 行业 + 风格」的系统性风险分解，残余即特质波动（Barra 式风险模型的底层思路）；
- 统计套利的中性化：配对/篮子套利前，把目标股票收益对前几个主成分回归取残差——先剥离市场与行业的系统性波动，剩下的价差才敢假设会回归（见统计套利 ）；
- 利率曲线的形状语言：国债收益率曲线变动的第一、二、三主成分，实证上稳定对应「水平、斜率、曲率」——管理债券组合的久期/凸性暴露时，实际是在管理这三个方向的坐标（见固定收益 ）。
相关系数矩阵把 Σ 标准化后更利于比较：危机时相关性集体升向 1（「相关性崩溃」），分散化在最需要时失效——特征值视角下，λ₁ 的占比在危机中急剧上升（见组合风险 ）。
数值稳定性：协方差矩阵的三种病与三种药
矩阵问题不处理，组合优化会在最想不到的时刻给出荒谬结果：
病一：N > T（资产多于样本）。1000 只股票、250 天样本——样本协方差矩阵秩亏（秩 ≤ 249），奇异且不可逆。均值-方差优化需要求逆 Σ⁻¹，奇异的 Σ 让优化器输出极端多空对冲的「数学幻觉组合」（如 +800% 做多某股、−790% 做空另一只）。这是量化史上无数「回测夏普 10」的技术根源之一。
病二：病态（条件数过大）。最大/最小特征值之比巨大——方向间风险差异悬殊，求逆把微小估计误差放大千百倍。诊断：cond(Σ) = λ_max/λ_min，超过 10⁴ 就要警惕。
病三：非正定。用逐对可得性不同的样本算出的 Σ（财报缺失导致），可能连半正定都不满足，Cholesky 分解直接报错。
三种药：
- 收缩估计（shrinkage）：
Σ_shrunk = δ·F + (1−δ)·S，把样本协方差 S 向结构化目标（单因子模型、常数相关）收缩。Ledoit-Wolf 方法自动选 δ——用一点偏差换巨大的方差下降，实务标配； - 因子模型替代样本估计：
Σ = B Σ_f Bᵀ + D（因子协方差 + 特异方差），参数量从 O(N²) 降到 O(NK)，天然正定（Barra 风险模型的核心，见组合风险监控 ）； - 正则化与约束：岭回归的 λ 本质是给 Σ 对角线加载荷；组合优化里加权重上下限，直接掐灭极端解（见约束优化 ）。
Cholesky 分解 Σ = LLᵀ 的实用场景：蒙特卡洛模拟相关资产路径时，用 L·z（z 为独立标准正态向量）一步生成具有目标相关结构的随机向量——期权组合压力测试的入口（见蒙特卡洛模拟
）。
关联阅读：微积分与优化
在 wᵀΣw 之上加约束求解；MPT 与均值-方差优化
是线性代数最著名的应用；利率曲线主成分的实盘细节见固定收益
。