什么是协方差矩阵的逆矩阵？
内容提要
本文探讨了协方差矩阵逆矩阵Σ⁻¹乘以向量x的几何意义。通过特征分解，该操作可理解为：先旋转到正交空间，再按特征值缩放，最后旋转回原空间。它相当于多变量情形下按方差归一化，而Σ^(-1/2)才是按标准差归一化（白化）。文章还通过Woodbury恒等式展示了在因子模型中，该操作等价于对残差化的观测值按特质方差进行白化，并应用于均值-方差优化中的风险调整。
延伸解读
几何直觉：旋转、缩放、再旋转
协方差矩阵的逆矩阵作用于向量时，可分解为三个步骤：先通过特征向量矩阵旋转到正交空间，再按特征值的倒数缩放，最后旋转回原空间。这一过程将数据沿原协方差椭球的短轴方向拉伸，长轴方向压缩，直观上相当于在多维空间中按方差进行归一化，而非标准差。理解这一几何意义有助于把握后续的数学推导。
方差归一化与白化的区别
Σ⁻¹x 是方差归一化的多维推广，而 Σ^(-1/2)x 才是标准差归一化（白化）。前者将椭球变为另一个椭球，后者则将其变为球体。这一区别在数据预处理中至关重要：若需去除变量间的相关性并统一尺度，应使用 Σ^(-1/2)，而非 Σ⁻¹。
因子模型中的实际含义
在因子模型下，利用Woodbury恒等式，Σ⁻¹x 可理解为先估计并减去因子成分，再对残差按特质方差进行白化。这解释了为何最优投资组合权重正比于残差化后的alpha除以特质风险：投资者只关注与共同因子无关的alpha，并倾向于在波动较小的资产上加大仓位。
Q&A
协方差矩阵的逆矩阵乘以一个向量在几何上是什么意思？
通过特征分解，该操作可以理解为：先将向量旋转到正交空间（即特征向量空间），然后按特征值的倒数进行缩放，最后再旋转回原始空间。这相当于在多变量情形下按方差进行归一化。
协方差矩阵的逆矩阵和协方差矩阵的负二分之一次幂有什么区别？
协方差矩阵的逆矩阵（Σ⁻¹）相当于按方差归一化，而协方差矩阵的负二分之一次幂（Σ^(-1/2)）相当于按标准差归一化，即白化操作。后者能将数据转换为球形分布。
为什么协方差矩阵的逆矩阵不是白化操作？
因为对于对角矩阵，Σ⁻¹是对每个分量除以方差（σ²），而白化需要除以标准差（σ）。因此Σ⁻¹不是白化，只有Σ^(-1/2)才是白化。
在因子模型中，协方差矩阵的逆矩阵乘以观测值有什么含义？
在因子模型中，Σ⁻¹乘以观测值等价于先估计并减去因子成分（残差化），然后对残差按特质方差进行白化。即Σ⁻¹x_n = Σ_e^{-1} (x_n - B^T f_hat)，其中f_hat是广义最小二乘估计的因子。
在均值-方差优化中，最优投资组合权重与协方差矩阵的逆矩阵有什么关系？
最优投资组合权重w*正比于Σ⁻¹乘以alpha（超额收益），即w* ∝ Σ⁻¹a。在因子模型下，这等价于对残差化的alpha按特质方差进行缩放，即w* ∝ Σ_e^{-1}(a - B^T f_hat)。
如何通过特征分解计算协方差矩阵的逆矩阵？
对协方差矩阵Σ进行特征分解Σ = QΛQ^T，其中Q是正交矩阵，Λ是对角矩阵。则Σ⁻¹ = QΛ⁻¹Q^T，即对特征值取倒数，再通过Q进行旋转。
