博客

Lee-Ready 在高频碎片化市场里的死穴是逐笔：时间戳粒度不够、多场所归并乱序、报价陈旧，逐笔判方向的地基先塌。Easley-López de Prado-O'Hara (2012) 的 BVC 干脆放弃逐笔——把成交切成等成交量 bar，只看每根 bar 的价格变化，用标准化 ΔP 过一个 CDF 直接映射出这根 bar 里的买量占比：涨得越猛买单占比越高，跌得越猛卖单越多。20 万笔模拟实测：bar 级买量占比与真实值相关 0.80；把逐笔时间戳按块打乱模拟碎片化，Tick 规则相关性从 0.66 崩到 0.03，BVC 只从 0.78 缓降到 0.55——它根本不看逐笔顺序，只看 bar 端点。bar 大小是核心权衡：切太细噪声主导（100 根时 r=0.81 但误差大）、切太粗把日内反向流平均掉。诚实边界：BVC 给的是概率化的量占比不是逐笔标签、CDF 分布假设错了映射就歪、在报价干净的低频场景反而不如 Lee-Ready（中阶）。

CAViaR 条件自回归 VaR：让分位数自己带记忆演化 - halo的技术博客

Christoffersen 独立性检验：VaR 突破是否扎堆出现 - halo的技术博客

组合式净化交叉验证 CPCV：用组合分块把回测过拟合概率算出来 - halo的技术博客

条件回撤优化：直接最小化最差回撤路径的组合构建 - halo的技术博客

组合 VaR 的经典做法是方差-协方差法：正态边缘 + 一个相关系数矩阵包打天下。但相关系数只刻画线性依赖的平均强度，说不出「两个资产会不会一起崩」。Copula-GARCH（Sklar 定理 + Patton 2006 工程化）把问题拆成三层独立零件：GARCH 管各自的波动动态、t 边缘管各自的肥尾、copula 管它们怎么绑在一起。双资产 GARCH-t + t-copula(ν=4) 模拟实测：三个模型的 95% VaR 全部无罪（突破 70/72/75 次，期望 62.5），99% VaR 立刻分层——方差-协方差法突破 29 次（期望 12.5）Kupiec p=6×10⁻⁵ 处决，换 t 边缘（保留高斯 copula）降到 21 次，再换 t-copula 降到 18 次通过。教训：普通日子里所有模型都差不多，深尾层级上边缘肥尾贡献最大改进、尾部依赖贡献最后一截。附完整 Python 与伪均匀量、Kendall τ 校准、copula 自由度估计等工程细节（中阶）。

正态 VaR 有个致命毛病：它假设收益对称、尾巴很薄，可股票收益偏偏又左偏又肥尾——结果就是你算出来的 1% VaR 天天被击穿。全量历史模拟够准但要一大堆数据、还慢；参数正态法快却系统性低估尾部损失。Cornish-Fisher 展开走的是第三条路：不换分布假设，只在正态分位数上加两个修正项——用偏度校正不对称、用峰度校正厚尾，一个闭式公式就把肥尾拉回来。30 万样本模拟里，正态 VaR₁% 报 2.33σ、CF 修正后报 2.56σ、经验真值 2.60σ——CF 用一行代数几乎贴住了真值。1250 天滚动回测更直观：期望违约 12.5 次，正态 VaR 被击穿 36 次（低估到离谱），CF 收敛到 23 次。但 CF 不是万灵药：它有个『有效域』，偏度峰度太大时修正后的分位数会交叉、失去单调性，这时候必须拒绝使用。本文讲清三件事：CF 那两个修正项到底在修什么、有效域的边界在哪、以及什么时候该老老实实回去用历史模拟（中阶）。

回撤在险值 CDaR：把回撤分布的尾部写进优化目标 - halo的技术博客