Hill 估计量与尾部指数：量化收益分布到底有多肥 • halo 的技术博客

先说结论：“肥尾”不该是个形容词，该是个数。尾部指数 α 就是这个数： $P(X > x) \sim x^{-\alpha}$ ，α 越小尾巴越肥，而且它直接判决矩的生死——α<4 时峰度不存在，α<2 时连方差都没了（你算的历史波动率是个不收敛的随机数）。Hill 估计量是从数据里榨出 α 的经典工具，但它同时也是量化圈误用重灾区：实测显示 n=250（一年日线）时估计值 2.52±0.47（真值 3.0）——系统性负偏加上巨大方差，一年数据测尾部指数等于用体温计量海深。

一、尾部指数：一个数判决矩的生死#

幂律尾 $P(X>x) = C x^{-\alpha}$ 有个残酷的性质：k 阶矩存在当且仅当 k < α。对照表：

α 范围	后果
α > 4	峰度存在，接近”温和肥尾”
3 < α ≤ 4	峰度不存在——样本峰度随样本量增长而发散
2 < α ≤ 3	偏度不存在，方差勉强活着
α ≤ 2	方差不存在，均值-方差框架整体报废

实证文献对股票日收益的共识大致是 α∈[3, 5]：方差存在（谢天谢地），峰度悬。这意味着任何依赖四阶矩的方法（比如用样本峰度做风控指标）在数学上就站不住。

二、Hill 估计量：对数间距的平均#

把样本降序排列 $X_{(1)} \ge X_{(2)} \ge \cdots$ ，取前 k 个”尾部样本”，Hill 估计量是：

$\hat{\alpha}_k = \left[ \frac{1}{k} \sum_{i=1}^{k} \ln \frac{X_{(i)}}{X_{(k+1)}} \right]^{-1}$

直觉：如果尾部真是幂律，顺序统计量的对数间距近似指数分布，其均值就是 1/α。代码只有三行：

import numpy as np

def hill(sorted_desc, k):
    """sorted_desc: 降序排列的正样本"""
    xk = sorted_desc[k]
    return 1.0 / np.mean(np.log(sorted_desc[:k] / xk))

python

先在已知真值上验货#

三个真值已知的分布，n=10000，画 α̂ 随 k 变化的 Hill Plot：

rng = np.random.default_rng(7)
cases = {
    "Pareto α=2":     np.abs(rng.pareto(2.0, 10000) + 1),   # 真值 2
    "Student-t df=3": np.abs(rng.standard_t(3, 10000)),      # 真值 3
    "Student-t df=5": np.abs(rng.standard_t(5, 10000)),      # 真值 5
}

python

已知分布 Hill Plot

k=250 处的成绩单：

Pareto：真值 2.0，估出 2.02——近乎完美，因为 Pareto 是”纯”幂律，任何 k 都无偏
t(3)：真值 3.0，估出 2.73——负偏 9%
t(5)：真值 5.0，估出 3.87——负偏 23%！

这就是 Hill 估计量的第一课：它只对”渐近幂律”无偏，而 t 分布的尾部要走到很深才”变直”。α 越大（尾越薄），进入幂律区越慢，有限样本下的负偏越狠。看到论文报”某资产 α̂=3.5”，真值很可能在 4 以上。

三、上金融数据：左右尾各有多肥#

用 GARCH(1,1)+t(4) 合成 5000 天收益（同前一篇 EVT 文的生成过程），左尾（损失）右尾（盈利）分开估：

金融收益 Hill Plot

k=150 处：左尾 α̂=2.65，右尾 α̂=2.59。有意思的是创新项明明是 t(4)（α=4），无条件分布的尾巴却肥得多——GARCH 波动聚集把尾部进一步增肥：极端收益 = 肥尾创新 × 高波动状态，两个随机数的乘积比任何一个都更极端。这是特征不是 bug——真实市场同时具备两种机制，无条件尾部指数天然低于”创新项”的尾部指数。

log-log 生存函数图给出最直观的视觉证据：

log-log 生存函数

幂律尾在双对数轴上是直线（斜率 -α），正态分布则是不断加速的跳水曲线。数据点在尾部乖乖趴在直线上，离正态曲线越来越远——肥尾不需要检验统计量，肉眼可辨。

四、Weissman 外推：给”百年一遇”标价#

有了 α̂ 就能外推样本外的深尾分位数（Weissman 公式）：

$\hat{x}_p = X_{(k)} \cdot \left( \frac{k}{np} \right)^{1/\hat{\alpha}}$

算”20 年一遇”和”百年一遇”的单日损失：

事件	幂律外推	正态外推	样本内最差实际
20 年一遇	9.0%	2.7%	7.16%
100 年一遇	16.5%	3.0%	—

正态说百年一遇是 3.0%——但样本内实际发生过 7.16%，是正态”百年一遇”的两倍还多，而样本只有 20 年。幂律外推的 9.0%（20 年）和实际最差 7.16% 在同一个量级，靠谱得多。对照现实：标普 500 在 1987 年 10 月 19 日单日 -20.5%，用正态外推那是”宇宙年龄内不该发生”的事件，用 α≈3 的幂律看只是个正常的世纪级样本。

五、最重要的一节：小样本下 Hill 是个危险玩具#

对 t(3)（真值 α=3）做 300 次蒙特卡洛，样本量从 250 到 10000：

样本量	α̂ 均值 ± 标准差
250（一年日线）	2.52 ± 0.47
1000（四年）	2.62 ± 0.32
5000（二十年）	2.76 ± 0.21
10000（四十年）	2.78 ± 0.17

小样本偏差

两个扎心事实：

一年数据的 95% 区间横跨 [1.6, 3.4]——从”方差不存在”到”温和肥尾”全覆盖，等于什么都没说
偏差不随样本量消失：四十年数据 α̂ 仍是 2.78，负偏 7%。因为 t 分布尾部收敛慢，加样本只能压方差，压不掉进入幂律区之前的结构性偏差

六、三个必躲的坑#

坑一：Hill horror plot——k 的选择能操纵结论#

Hill Plot 理想情况是”先抖动后走平”，取平台值。但很多真实数据的 Hill Plot 根本没有平台，一路斜下去（文献里叫 Hill horror plot），此时取 k=50 和 k=500 能给出差一倍的 α̂。诚实做法：报告整条 Hill Plot 而非单点；或用 bootstrap 选 k 的自动化方法（Danielsson et al.），但要接受它也只是把主观性藏进了另一层。

坑二：对绝对值、左尾、右尾分开估，结论可能不同#

实证上股票左尾常比右尾肥（崩盘比暴涨更极端）。把正负收益混在一起取绝对值估一个”总 α”，会掩盖这种不对称——风控关心的是左尾，就单独估左尾。

坑三：外推的杠杆效应#

Weissman 公式里 α̂ 在指数上：α̂ 从 2.65 挪到 3.0（都在置信区间内），百年一遇的估计从 16.5% 掉到 11%。外推越深，α̂ 的估计误差被放大得越狠。深尾外推的正确姿势是给区间不给点，且明说”这是模型外推，不是测量”。

七、实务清单#

用 20 年以上日线（n>5000）再谈尾部指数，一年数据出来的数字请当噪声
报告 α̂ 必须带 Hill Plot 全图 + k 的选择依据，单点数字没有审计价值
左右尾分开估；对 GARCH 滤波后的残差再估一次，分清”波动聚集贡献的肥”和”创新项本身的肥”
α̂<3 时警惕一切依赖方差稳定性的模型（均值-方差优化、Sharpe 排名），α̂<4 时别再引用样本峰度
Hill 告诉你尾巴的斜率，EVT/GPD 给出完整的尾部分布——前者是诊断，后者才是定价工具，配合使用

“肥尾”从形容词变成一个带置信区间的数，风险管理才算从文学进入了科学。