Gerber 统计量：用共动阈值替代皮尔逊相关构建组合

协方差专题一路走来，我们治过维度病（Ledoit-Wolf 收缩）、治过采样噪声（Marchenko-Pastur 去噪）、治过尾部病（Tyler M-估计量）。这一篇的主角走的是另一条路：根本不算皮尔逊相关，换一个度量。

Gerber 统计量（Gerber Statistic）由 Sander Gerber 提出，2022 年与 Harry Markowitz（对，就是那个 Markowitz，这是他生前参与的最后几篇论文之一）、Punit Pawar 等人合著发表。核心动作只有一个：

别管两资产每天各涨跌多少——只数它们同时大动的天数。同向大动记共动，反向大动记反向，动静太小不计。

这听起来像把精密仪器换成了算盘。但在肥尾市场里，精密仪器的精密恰恰是它的死穴。

一、皮尔逊相关的原罪：每一项都是幅度乘积#

样本相关系数的分子是 $\sum_t (r_{i,t}-\bar r_i)(r_{j,t}-\bar r_j)$——每一天贡献一个幅度乘积。平静日贡献 0.0001 级别的项，而一个 −8% × −7% 的崩盘日贡献 0.0056，一天顶 56 个平静日。

这就是为什么”危机时相关性趋于 1”这句话有一半是统计假象：不是所有资产真的完全同步了，而是那几个极端日在乘积和里的权重碾压了其余所有日子。Tyler M-估计量那篇的处理思路是把每天的收益向量归一化到单位球面——保方向、去幅度。Gerber 走得更极端：连方向的连续信息都不要，直接三值化。

Gerber 的三区间分类#

对每个资产 $i$ 设阈值 $c \cdot \sigma_i$（典型 $c=0.5$），把每天的收益离散化为：

对资产对 $(i,j)$，统计：

• $n_c$：共动天数（同 +1 或同 −1）
• $n_d$：反向天数（一个 +1 一个 −1）
• $n_{nn}$：双双静止的天数（都是 0）

2022 年论文的正式定义：

$g_{ij} = \frac{n_c - n_d}{T - n_{nn}}$

分母是”至少一方动了”的天数。注意这个分母——它是本文最大的坑，第四节专门算账。

上图是同板块两只股票 504 天的散点：蓝色是共动样本（103 天），红色是反向样本（28 天），灰色是双双静止（剔出分母），橄榄色是单边动（计入分母但不计分子）。$g = (103-28)/(504-201) = 0.251$，而皮尔逊相关是 0.394——Gerber 天然比皮尔逊保守，因为单边动的日子全部拉低它。

一个 −8% 的崩盘日在这套记账系统里是什么？1 票共动。和一个普通的 +0.8% 同涨日权重完全相同。幅度信息被彻底丢弃——这既是它的铠甲，也是它的软肋。

二、稳健性实测：一个崩盘日的破坏力差 17 倍#

实验设计：N=20、4 板块、t(4) 肥尾模拟市场，T=252 天。取同一份”干净”样本，然后手工注入 1 个全市场 −8σ 的崩盘日（所有资产同向暴跌），比较污染前后 190 个成对相关的变化：

def gerber_matrix(X, c=0.5):
    T, n = X.shape
    s = X.std(axis=0, ddof=1)
    U = (X >= c*s).astype(float) - (X <= -c*s).astype(float)  # +1/-1/0
    pos, neg, neu = (U > 0)*1.0, (U < 0)*1.0, (U == 0)*1.0
    conc = pos.T @ pos + neg.T @ neg     # 共动计数矩阵
    disc = pos.T @ neg + neg.T @ pos     # 反向计数矩阵
    denom = np.maximum(T - neu.T @ neu, 1)   # 2022 版分母
    G = (conc - disc) / denom
    np.fill_diagonal(G, 1.0)
    return G

皮尔逊被单日污染平均抬高 0.122——注意这是系统性偏移，不是噪声：所有股票对的相关一起上移，效果等同于给相关矩阵叠加一个虚假的”市场模式”（去调那篇讲过这对下游聚类是什么灾难）。Gerber 的漂移是 −0.007，几乎不可见，方向甚至是负的（崩盘日把部分”双双静止”日变成了计入分母的日子，轻微稀释）。

稳健性差 17 倍。这就是”数票数”对”算乘积”的结构性优势：任何单日的影响被硬性封顶在 $1/(T-n_{nn})$。

三、GMV 判决：能打平 LW，但赢不了多少#

稳健性是过程指标，组合表现才是结果指标。用协方差专题的标准判决流程：各方法估计协方差 → 求全局最小方差（GMV）组合权重 → 用真实协方差算实现波动率。t(4) 肥尾市场，60 次蒙特卡洛：

结论直说：Gerber 全程压样本协方差一头，与 LW 收缩基本打平（短窗口略优 0.1pp 量级，长窗口合流）。Gerber 矩阵的波动性天然低于皮尔逊——计票制的方差本来就小，起到了类似收缩的隐式正则化效果。

这个结果和 Gerber-Markowitz-Sargen（2022）论文的实证方向一致（他们在 9 资产多元类别组合上报告 Gerber 系统性优于历史协方差与 EWMA），但幅度诚实地说没有论文里那么戏剧化。差异来源：论文用的是均值-方差优化加目标收益约束（对输入误差更敏感，稳健输入的优势被放大），我们用的是 GMV（最温和的场景）；论文的资产类别横跨股债商品（尾部事件更极端），我们是单一股票池。

四、分母陷阱：原始定义会让 GMV 爆炸到 213%#

这是本文最重要的工程发现。Gerber 统计量有两个版本的分母：

$g^{naive}_{ij} = \frac{n_c - n_d}{n_c + n_d} \qquad vs. \qquad g^{2022}_{ij} = \frac{n_c - n_d}{T - n_{nn}}$

原始版本只用”双双都动”的天数做分母——单边动的日子既不进分子也不进分母，整段扔掉。听起来更”纯粹”，实测是灾难：

GMV 真实波动率 213%——比裸样本协方差惨 13 倍。两个作案机制：

其一，系统性高估相关。$c=0.5$ 时约 60% 的观测落在噪声区，“双双都动”的日子在剩下的 40% 里再打折。这些日子里很大一部分本来就是市场级别的大日子——大家一起动，于是 $n_c \gg n_d$，$g^{naive}$ 被推得很高（第一节的例子：0.574 vs 2022 版的 0.251，皮尔逊 0.394）。全矩阵相关整体虚高，且高估幅度因股票对而异——比单纯的水平偏移更毒。

其二，破坏正定性。每个 $g^{naive}_{ij}$ 用不同的样本子集算出（每对股票”双双都动”的日子集合不同），拼出来的矩阵不再保证 PSD。最小特征值频繁为负，投影修复（把负特征值截断到 0）后矩阵已经严重变形，优化器在近奇异方向上疯狂加杠杆——这正是 NCO 那篇说的”误差最大化机器”最喜欢的食物。

2022 版分母把单边动的日子拉回分母，相关被压回保守区间，PSD 问题也大幅缓解（仍不严格保证，仍需检查修复，但负特征值幅度小一个量级）。教训：如果你在旧文献或开源库里看到 $(n_c-n_d)/(n_c+n_d)$ 的实现，直接进优化器等于自爆。

五、阈值 c：唯一的自由参数怎么选#

$c$ 是 Gerber 引入的新自由参数。扫描 $c \in [0.1, 1.5]$，比较干净数据和叠加微观结构噪声（0.6× 日波动的独立噪声，模拟买卖价弹跳）两种环境下与真实相关矩阵的 Frobenius 距离：

干净数据下结果反直觉：c 越小误差越低（c=0.1 时 2.30，c=1.5 时 5.42）。因为 c→0 时 Gerber 退化成”符号相关”（只看涨跌方向），对连续椭圆分布这已经捕获了大部分相关信息，且样本利用率 100%；c 越大，落入噪声区的观测越多，进入统计的有效样本越少——样本饥饿让估计方差飙升。

但叠加噪声后格局反转：c=0.1 的误差从 2.30 恶化到 4.12（+79%），c=1.5 只从 5.42 到 5.97（+10%）。小阈值把噪声当信号计票，大阈值天然滤掉了小幅噪声。c 的本质是一个带通滤波器的下限：设多高，取决于你的数据里有多少”假动作”。 日线数据用 c=0.5（Gerber 论文默认值）是合理折中；如果用更高频或流动性差、价差大的品种，c 应该更大。

顺带一提：c 对不同资产用的是各自的 $\sigma_i$ 倍数而非绝对值，所以高波动资产和低波动资产的”动/静”判定天然公平——这个细节让 Gerber 在波动率异质的组合里不需要额外标准化。

六、Gerber 在协方差工具箱里的位置#

把专题里的工具排个队，各自治什么病：

Gerber 和 Tyler 是近亲——都通过抛弃幅度信息换稳健性。区别：Tyler 保留连续方向信息、有严格的椭圆分布理论保证、迭代求解；Gerber 连方向都离散化、理论性质弱得多、但一次遍历算完且自带噪声区滤波。实用建议：日线、流动性好、N/T 不极端 → Tyler 或 Gerber 均可；数据脏（停牌补零、价差弹跳、新兴市场）→ Gerber 的噪声区是免费的清洗器。

与 LW 是正交关系不是竞争关系：Gerber 矩阵一样可以作为收缩的出发点（对 Gerber 相关做收缩、或与 CCM 目标混合），治尾部的和治维度的可以叠加——这个组合在 Gerber 原论文里没做，是个现成的改进方向。

七、诚实边界#

扔掉幅度在正态世界是纯损失。 如果收益真是正态的，皮尔逊是最大似然估计，Gerber 的三值化白白丢掉信息、收敛更慢。Gerber 的全部价值建立在”真实收益肥尾 + 数据有微观噪声”之上——好在这两条在金融数据里几乎总是成立。

PSD 不保证。 即使 2022 版分母，Gerber 矩阵理论上仍可能非正定（不同元素的有效样本集不同）。进优化器前必须检查最小特征值，必要时做特征值截断投影。截断本身会引入变形，N 越大、T 越小越严重。

c 无解析选法。 LW 收缩强度有解析公式，Gerber 的 c 只能靠经验默认（0.5）或交叉验证。它是个真实的自由参数，也就是个真实的过拟合入口——如果你发现自己在为每个组合”调 c”，警惕。

只出相关，不出波动率。 Gerber 统计量是相关度量，协方差还需要单独估计每个资产的 $\sigma_i$（通常用样本标准差或 EWMA）。波动率估计的所有问题（肥尾下样本标准差本身被极端日扭曲）它一个都没解决——严格说，本文 GMV 实验里 Gerber 的对角线仍然是被污染的样本标准差，它只稳健了相关部分。

下一步自然的问题：既然相关结构里最大的公共成分是市场模式，能不能先用因子模型把它显式建模掉，再处理残差？这正是 POET 的思路——也是本专题下一篇的主题。

参考文献#

1. Gerber, S., Markowitz, H. M., Pujara, P., Sargen, P., Miao, Y. (2022). The Gerber Statistic: A Robust Co-Movement Measure for Portfolio Construction. Journal of Portfolio Management.
2. Ledoit, O., & Wolf, M. (2004). Honey, I Shrunk the Sample Covariance Matrix. Journal of Portfolio Management.
3. Tyler, D. E. (1987). A Distribution-Free M-Estimator of Multivariate Scatter. Annals of Statistics.