博客

合成数据：金融大模型训练的新燃料 - halo的技术博客

Roll 估计量的命门是虚数价差——自协方差为正时直接失效，蓝筹股失效率可达 40%。Abdi & Ranaldo (2017) 的解法优雅得过分：日高低价中点 η 几乎不带买卖弹跳，而收盘价带满 ±s/2 的弹跳，于是 (c−η_t)(c−η_{t+1}) 的期望恰好等于 s²/4。本文用日内路径级模拟验证 AR 估计的无偏性（价差 0.2%~4% 全区间贴 45° 线），与 Roll 同台对比失效率与精度（σ=5% 时 Roll 失效近半、AR 的 RMSE 只有 Roll 的一半），并用 60 日滚动窗口复现危机温度计。诚实拆穿隔夜跳空、离散报价、负 s² 处理三类真实陷阱（中阶）。

Kritzman et al.（2011）的吸收比率：滚动协方差特征分解后看前 K 个主成分吸收多少总方差——AR 高意味着资产被公共因子『焊死』，冲击沿传导链放大。它度量脆弱性而非危机：AR 高不预测下跌，只预测『一旦跌会又急又齐』。30 资产两 regime 模拟（15 年）实测：脆弱期 AR 0.78 vs 平静期 0.61，AUC 0.863；ΔAR>1 组未来 10 日波动 17.1% vs 8.4%（翻倍）、左尾 5% 分位 −6.1% vs −2.2%，但收益均值反而最高——预测波动不预测方向。风险开关（ΔAR>1→仓位 30%）：波动 16.1%→10.9%、Sharpe 0.91→1.01、最大回撤 −43.8%→−39.1%，年化 14.7%→11.0%——买保险要付保费。诚实边界：模拟 regime 由因子强度驱动、AR 天生占便宜；减仓日占比 28% 摩擦不可忽略；超参数未调优；AR 与波动率高度相关，增量信息需控制波动率后再检验。

期望收益是组合优化里估计误差最恶劣的输入：20 只资产、真实年化期望收益都在 1%~11% 之间，一年日频数据估出来的样本均值却在 18%~120% 之间狂舞——截面标准差 27.6%，是真实值（2.2%）的 12 倍。Jorion (1986) 的 Bayes-Stein 估计量把每只资产的均值往全局最小方差组合收益收缩，收缩强度由数据里的信噪比自动决定。实测切点组合 OOS Sharpe：样本均值 T=252 时 -0.21（比扔硬币还差），Bayes-Stein 提到 -0.09，而干脆不用均值的全局最小方差组合 0.53、理论最优 0.57。最诚实的结论：收缩把灾难缓解成失望，但均值估计本身可能就不该做——这正是 Stein 悖论在金融里最疼的一课（中阶）。

Elton-Gruber（1973）的常相关模型：把 N(N-1)/2 个成对相关全部替换成一个平均相关系数 ρ̄——435 个参数压成 1 个，方差骤降换一身结构偏差。N=30 板块结构模拟实测：T=30 时 CCM 的 Frobenius 误差 2.56 vs 样本相关 4.38，交叉点在 T≈126，之后 CCM 被结构偏差下限 1.90 卡死永远追不上。GMV 组合判决更极端：T=30 样本协方差真实波动率 456%（近奇异优化器爆仓）vs CCM 17.5%；T=252 后样本反超。最有信息量的是混合曲线：最优混合权重 δ 随 T 单调爬升（T=60 时 0.35、T=252 时 0.65、T=1008 时 0.90）——这正是 Ledoit-Wolf 收缩的雏形，LW 恰以 CCM 为收缩靶心并把 δ 的选择自动化。诚实边界：ρ̄ 抹掉全部板块结构、对多板块 universe 偏差大；相关非平稳时单一 ρ̄ 追不上 regime；它是收缩靶子而非终点方案。

Corwin-Schultz（2012）的巧思：日最高价几乎总来自 ask、最低价几乎总来自 bid，所以高低价比里藏着价差；而波动随时间线性增长、价差不随时间变——单日高低比与两日高低比联立两个方程，恰好把价差 s 和波动 σ 同时解出。252 日模拟实测：真实价差 2% 时 CS 截零均值 2.05%，几乎无偏；但低价差区间正偏差显著（真值 0.2% 估出 0.83%），因为逐对负估计占比高达 40% 且截零只砍左尾。与 Roll 同台：信噪比低时 Roll 失效率 45% 直接弃赛，CS 至少给出有偏但可用的数字。隔夜跳空是最大污染源：隔夜波动 3% 时估计从 1% 被压到 0.69%（跳空撑大两日区间、γ 膨胀导致低估），平移修正能救回一半。60 日滚动 CS 危机温度计：平静期 0.79%、危机峰值 3.58%，形状完整还原。诚实边界：截零规则在截面比较中引入系统性正偏、非连续交易压低高低区间导致低估、加密/外汇等无隔夜市场反而是最优场景（中阶）。

相关性从来不是常数：危机来临时它齐刷刷跳升，而 252 天滚动相关要 248 天才承认这件事。Engle（2002）的 DCC-GARCH 把问题拆成两步：先用单变量 GARCH 各自过滤波动率，再在标准化残差上用一行递推 Q_t = (1−a−b)Q̄ + a·ε_{t−1}ε'_{t−1} + b·Q_{t−1} 驱动相关演化。本文两资产模拟实测：相关从 0.3 跳到 0.85 的危机段，DCC 86 天收敛到位（滚动窗口 248 天），全样本追踪 MAE 0.109 优于滚动（0.112）和 EWMA（0.143）。1% VaR 回测更能说明问题：危机段滚动窗口击穿率 2.33%（超标 2.3 倍），DCC 0.33%——差异全部集中在最需要风控的时段。QML 估计出 a=0.033、b=0.964，a+b=0.997 的高持续性正是金融相关的典型指纹。诚实边界：两步 QML 是一致但非有效估计、N 大时 Q̄ 本身要收缩、DCC 假设所有资产对共享同一组 a/b。

去噪（denoise）治采样噪声，去调（detone）治市场模式——后者是聚类场景里真正的杀手。N=40 四板块模拟（λ1 占迹 56%）实测：市场模式让所有股票对的相关都抬到 0.5 上下，簇内-簇间相关间距只剩 0.048，single/average linkage 聚类 ARI 直接归零（链式合并全灭）；去调把第一特征成分整个剥掉后间距不变但均值归零，single linkage ARI 从 0.002 复活到 1.000。最反直觉的实测坑：板块特征值（约 2.0）恰好骑在 MP 上界 1.96 附近，标准 MP 去噪把板块信号当噪声压平，去噪+去调后 ARI 反而从 0.99 跌到 0.31——教科书流程『先去噪再去调』在信号贴边时是自毁操作。弱板块对照（尖峰数 1.0）更极端：去噪+去调 ARI −0.03 vs 只去调 0.89。诚实边界：去调后矩阵奇异（少一个秩）不能直接进优化器求逆，只服务聚类/距离场景；市场模式个数 k 的选择在多因子市场里不显然；Tracy-Widom 涨落让贴边特征值成灰色地带。