标签： #尾部风险

动量（momentum）是学术界反复验证、实战中持续有效的经典因子，但它有一条致命的尾巴——动量崩溃（Momentum Crash）：在市场急跌后的暴力反弹中，此前输家因空头回补与低估值而飙升，此前赢家回调，多空组合 WML 在几周内回撤 30% 以上。本文用 numpy 合成一个带崩盘窗口的动量因子，量化这条左尾：崩盘期 WML 累计回撤 -37.9%，5% VaR 从 -3.7% 恶化到 -6.7%，左尾近乎翻倍。附完整实现与四张真实计算图。

金融收益的尾部风险远比正态假设预测的更厚，传统参数方法（GARCH、t分布）在极端分位点仍然系统性偏差。本文用分数匹配（Score Matching）从原始收益数据直接估计整条概率密度——不假设分布族、不依赖MLE的尾部外推，用核密度与数值score估计把VaR从『正态幻觉』拉回真实数据。受控实验证明：t₄分布下正态VaR在1%水平低估极端损失达3.2pp，而分数匹配几乎贴紧真实分位点。附完整Python实现与三张真实计算图。

「买保险要花钱」几乎没人反对，但决定性对照不是「买 vs 不买」，而是「买保险 vs 减仓到同样的尾部风险」。20 年 × 2 万条精确配对路径：每月买 90% 虚值看跌，中位 CAGR 从 6.02% 掉到 5.71%（拖累 −0.317pp/年），但同样把 99 分位回撤压到 74.70%，减仓到 85.13% 仓位 + 现金只给 5.657%——对冲反而多赚 +0.048pp。而换成中位回撤口径，判决立刻翻转：减仓多赚 0.149pp。拖累可精确分解：公平定价下对冲其实是赚的（+0.322pp/年，因为跳跃让 CAPM 世界的保险有真实价值），全部 −0.317 来自 35% 的保险加成（−0.639pp）。盈亏平衡加成 16.25% 而实际 35%（安全边际 −53.6%）。赔付率实测 74.23% 对理论 1/(1+0.35)=74.07%，误差 1.53e-03；零对冲安慰剂逐路径偏差精确 0.000e+00。97.92% 的月份在付钱，剔除最好 1% 的月份后年化 −2.24%。最反直觉的是非单调：K=99% 年保费 21.14% 却让 99 分位回撤 74.2% 差于 K=97% 的 71.2%——保费本身就在制造回撤。5 年窗口跑赢率仅 35.85%，10 年 37.58%。样本量红线 219 年。12 宇宙 CV=0.1737

VaR 和 ES 关心的是「一般的坏日子」，极值理论问的是另一个问题：最坏的那一天能有多坏？Fisher-Tippett-Gnedenko 定理是极值世界的中心极限定理——区组最大值的分布只可能收敛到 GEV 一族，形状参数 ξ 一个数定生死：ξ>0 是 Fréchet 肥尾域（t 分布 ξ=1/ν），ξ=0 是 Gumbel 薄尾域（正态）。GARCH-t(5) 模拟 40 年日损失、480 个月块实测：GEV 估出 ξ=0.24（理论 1/5=0.2），KS p=0.87；强行按 Gumbel 拟合 p=0.008 被拒，且 100 年一遇日损失只报 6.9%，GEV 报 14.0%（bootstrap 90% 区间 [10.6, 18.0]）——薄尾模型在深尾把风险砍半。附回报水平曲线、块长偏差-方差权衡实验（块从 5 天到 126 天 ξ 从 0.14 漂到 0.41）、与 POT/GPD 路线的取舍，以及 iid 假设被波动聚集破坏的诚实讨论（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）。

区组极大值法每个月块只留一个数，剩下 20 个观测全扔——POT（Peaks Over Threshold）是数据效率更高的另一条 EVT 路线：定一个高阈值，把所有超过它的观测都拿来建模。Pickands-Balkema-de Haan 定理保证：阈值足够高时，超额分布收敛到广义帕累托分布（GPD），形状参数 ξ 与 GEV 完全同一个。GARCH-t(5) 模拟 40 年日损失、95% 分位做阈值（504 个超额）实测：GPD 估出 ξ=0.14，KS p=0.93；同样数据 GEV 区组法只有 480 个块。外推对比：99.9% VaR 正态公式报 2.89%、POT 报 4.54%（经验值 4.58%），99.99% 层级正态 3.48% vs POT 7.36%——差一倍以上。附平均超额图选阈值、阈值敏感性走廊（ξ 从 0.09 漂到 0.18 但 VaR 外推稳定在 4.4-4.6%）、ES 闭式解、以及波动聚集破坏 iid 时超额扎堆的 declustering 讨论（中阶）。

股权质押风险因子 - 500股×36月合成面板：高质押组平时月均只差60bp，熊市月被多砸2.9个百分点；平仓螺旋机制拆解（预警线160%→平仓线140%→强平加速下跌）；负面清单用法提升Sharpe并收窄回撤 - halo的技术博客

正态分布对极端事件的低估不是误差，是数量级灾难：在 5000 天合成收益（GARCH 波动聚集 + t(4) 肥尾）上实测，4σ 事件正态预期 0.32 次、实际发生 37 次（低估 117 倍），6σ 事件低估超过 100 万倍。极值理论 EVT 不试图拟合整个分布，只对尾部『超越阈值的部分』下手：Pickands-Balkema-de Haan 定理保证超越损失渐近收敛于广义帕累托分布 GPD。本文用 scipy 完整走一遍 POT 流程：取 95% 分位为阈值得 250 个超越样本、MLE 拟合出形状参数 ξ=0.216（隐含尾部指数 α≈4.6，与生成过程一致）、QQ 图验证拟合质量。VaR 对决见真章：99.9% VaR 正态给 2.49%、EVT 给 4.68%、经验分位 4.69%——EVT 几乎精确命中，正态差了近一倍；99% VaR 违反回测中正态违反 87 次（预期 50 次）、EVT 违反 49 次。ES 差距更狠：99.9% ES 正态 2.71% vs EVT 6.37%。诚实拆穿阈值选择的偏差-方差两难（阈值敏感性扫描图）、iid 假设被波动聚集破坏、ξ 的置信区间宽到离谱三类陷阱（中高阶）。