02.0 概述

线性代数是组合理论的数学母语。 一只股票是一个数字，一个组合就是一个向量，全市场就是高维空间中的一个点——资产与资产之间的"同向运动"全部写在协方差矩阵里。

---

本章定位

上一章（01 高等数学）教会我们描述"一个量随另一个量怎么变化"。但金融市场中，你面对的从来不是一个变量——一个组合里有几十上百只股票，每只股票有多个因子暴露。线性代数就是处理这种多维性的数学工具。

• 02 → 05 最优化：组合方差 $\boldsymbol{w}^T\Sigma\boldsymbol{w}$ 是二次型，特征值决定优化曲面曲率
• 02 → 06 随机过程：多资产布朗运动的协方差结构由协方差矩阵描述
• 02 → 07 信息论：KL 散度的计算涉及矩阵迹和行列式的运算
• 02 → 09 数值计算：自动微分和反向传播依赖矩阵微积分

---

知识链条

六个小节形成一个 从"数据表示"到"数据变换"到"数据理解" 的递进链：

2.1 向量与矩阵
    └── 数据的基本组织形式：组合权重向量、收益率矩阵
        │
        ▼
2.2 线性方程组
    └── 因子模型的求解：Xβ = y 的最小二乘解
        │
        ▼
2.3 正定矩阵与二次型
    └── 组合方差 wᵀΣw 永远不会为负——因为协方差矩阵是正定的
        │
        ▼
2.4 特征值分解 & SVD
    └── 找到"数据最重要的方向"——风险归因和降维的基础
        │
        ▼
2.5 PCA
    └── 特征分解的实战应用——从 50 条收益率曲线中提取 3 个主成分
        │
        ▼
2.6 矩阵微积分
    └── 对向量/矩阵求导——组合优化中梯度计算的数学基础

核心思想：向量描述单个数据单元，矩阵描述全体数据的关系，特征分解揭示数据的内在结构，矩阵微积分让我们能对这些结构进行优化。

---

量化应用速览

小节	核心概念	量化应用	实战例子
2.1 向量与矩阵	$\boldsymbol{v} \in \mathbb{R}^n$，$A \in \mathbb{R}^{m\times n}$	组合权重向量 $\boldsymbol{w}$、收益矩阵 $R$、协方差矩阵 $\Sigma$	$\boldsymbol{w}=[0.3,0.5,0.2]^T$ 表示三只股票的配置
2.2 线性方程组	$A\boldsymbol{x} = \boldsymbol{b}$，最小二乘解 $\hat{\boldsymbol{\beta}} = (X^TX)^{-1}X^T\boldsymbol{y}$	因子回归求解、APT 模型的因子载荷估计	Fama-French 三因子：$R_i - R_f = \alpha + \beta_1 MKT + \beta_2 SMB + \beta_3 HML + \varepsilon$
2.3 正定矩阵与二次型	$\boldsymbol{x}^T A \boldsymbol{x} > 0$ 对所有 $\boldsymbol{x} \neq 0$ 成立	组合方差 $\sigma_p^2 = \boldsymbol{w}^T\Sigma\boldsymbol{w}$ 的非负性	$\Sigma$ 正定保证 $\min\sigma_p^2$ 是凸优化问题，有唯一解
2.4 特征值分解	$A\boldsymbol{v} = \lambda\boldsymbol{v}$，$A = Q\Lambda Q^{-1}$	风险归因：特征值分解将组合风险分解到独立风险源	债券组合的久期归因：特征向量对应不同期限的利率风险因子
2.5 PCA	降维：$Y = XW$，$W$ 由前 $k$ 个特征向量构成	收益率曲线的主成分分析（水平、斜率、曲率三个因子解释 >95% 方差）	用 PCA 将 10 年期国债收益率的 10 个期限点降为 3 个主成分
2.6 矩阵微积分	\nabla_\boldsymbol{w} (\boldsymbol{w}^T\Sigma\boldsymbol{w}) = 2\Sigma\boldsymbol{w}	组合优化的梯度、最小方差组合的解析解	MVO 中 $\min \boldsymbol{w}^T\Sigma\boldsymbol{w}$ 的解析解 $\boldsymbol{w}^* = \frac{\Sigma^{-1}\boldsymbol{1}}{\boldsymbol{1}^T\Sigma^{-1}\boldsymbol{1}}$

---

学习路径

• 推荐顺序：2.1 → 2.2 → 2.3 → 2.4 → 2.5 → 2.6（前四个为基础，后两个为进阶）
• 前置知识：01 高等数学（尤其是 1.2 导数的概念，为 2.6 矩阵微积分做准备）；基本代数运算
• 时间预估：2.1–2.3（3–4 天）+ 2.4（2 天）+ 2.5（1–2 天）+ 2.6（2 天）

下一步：掌握了多维数据处理方法后，进入 03 概率论——为不确定性建立数学模型。