Digamos que el índice es
X = \sum_{i=1}^n w_iX_i
y la varianza es {\rm Var}(X) = \sigma^2 entonces obviamente la covarianza del índice consigo mismo es \sigma^2 así que
{\rm Cov}\left(\sum_{i=1}^n w_i X_i, X\right) = \sum_{i=1}^n w_i{\rm Cov}(X_i,X) = \sigma^2
La correlación es la covarianza dividida por root cuadrada del producto de las varianzas, así que dividiendo todo por \sigma^2 tienes
\sum_{i=1}^n w_i \frac{{\rm Cov}(X_i,X)}{\sigma^2} = 1
Se puede optar por considerar los componentes de esta suma como la "contribución a la correlación" de cada miembro del índice, es decir
\xi_i = \frac{w_i}{\sigma^2}{\rm Cov}(X_i,X)
Teniendo en cuenta que la covarianza se puede expresar en términos de la correlación, también se tiene
\xi_i = \frac{w_i\sigma_i}{\sigma} {\rm Corr}(X_i, X)
y, por último, se puede observar que se trata de w_i veces el coeficiente de regresión de X_i en X comúnmente conocido como la beta, por lo que tiene
\xi_i = w_i\beta_i
Entonces resulta obvio que el \xi_i debe sumar uno, ya que la beta media de los componentes de un índice debe ser uno.