标签： #尾部风险

波动率平价的隐藏杀机：它用标准差衡量风险，而标准差对『平时波澜不惊、崩盘时血流成河』的资产（短波动信用、卖期权、carry）严重低估——于是波动率平价会把最高权重堆给这类资产，账面看似最『安全』，实则把组合的命门交给了最肥的尾巴。本文用纯 numpy 造 4 资产（股票/债券/商品/短波动信用），故意让『短波动信用』日常波动仅 3.5%（比债券还低）却带灾难性左尾（偏度 -10.2、超峰度 113）。实测暴露陷阱：波动率平价只给它 17.7% 权重，它却贡献 39.2% 的 CVaR 尾部风险——低波动是伪装。尾部风险平价改用 5% CVaR 度量风险、Euler 分解算边际尾部贡献、迭代把每个资产的尾部贡献拉到 25%：短波动信用权重被砍到 11.5%，样本内 Sharpe 从 0.34 升到 0.57、最大回撤从 -14.6% 收到 -12.2%、组合 CVaR 从 0.96% 降到 0.83%。全文打穿波动率≠风险、CVaR 次可加性为何让分解成立、尾部估计的样本量诅咒、样本内最优必然乐观四类陷阱（中高阶）。

你用正态假设算出 5% VaR = -3.8%，意思是「只有 5% 的日子会亏更多」。可一遇到市场紧张，亏损远超这条线的日子占到 16.6%——正态 VaR 在高压区彻底失灵。问题出在它假设波动恒定、分布对称。分位数回归（QR）用检查损失函数直接拟合「条件分位数」，让 VaR 随一个压力代理变量自适应移动，同时捕捉异方差和偏度。本文用合成异方差+左偏收益，从零实现 Pinball 损失与 QR-VaR，并点明压力变量选择、过拟合、尾部外推、回归vs模拟四类真实陷阱（中阶）。

均值-方差优化只关心平均亏损和方差，对尾部视而不见——于是它会把权重压向『平时最稳、危机最惨』的资产。Rockafellar-Uryasev(2000) 把 CVaR（条件风险价值，即最坏 5% 情形的平均损失）写成一个线性规划，直接把尾部平均塞进目标函数。本文用合成收益(常态高斯 + 5% 灾难跳变)实跑：均值-方差把 100% 砸进肥尾资产4（组合 CVaR 5.93%），而 CVaR 优化主动分散、把资产4 压到 12.7%（组合 CVaR 仅 2.03%）。附完整 Python 与六类真实陷阱（高阶）。

期权价格里藏着市场对未来的完整分布预期，不只是一个隐含波动率数字。Breeden-Litzenberger(1978) 证明：看涨期权价格对行权价的二阶导，乘以贴现因子，就是到期日标的的风险中性密度 q(S_T)=e^{rT}·d²C/dK²。合成 BS+波动率微笑里，含微笑反推的密度偏度 −1.10（肥左尾）、P(S_T<80)=9.17% 是常数 IV 的 1.6 倍、P(S_T<70)=4.84% 是常数 IV 的 8.3 倍——微笑把崩盘概率显性搬到左尾。附完整 Python 与六类真实陷阱（高阶）。

保护性看跌是给组合买保险：BS 定价 + 20 年滚动对冲回测显示持续买看跌把年化 +4.4% 拖到 −2.6%(年化保费拖拽16.5%)，最坏季度只从 −23.9% 减到 −8.6%——持续买不值。附完整 Python。

OLS 只建模条件均值，但风险管理关心尾部。分位数回归用 check function 钉住任意条件分位，把「看均值」升级成「看整个条件分布」。本文从零实现 LP 求解，演示 QR 喇叭形展开、与 OLS 的尾部盲区对比、条件 VaR 回测，以及系数路径揭示的尾部不对称性，附可复现 Python。

相关系数只能刻画「线性同涨同跌」，在危机里会彻底失灵。本文从 Sklar 定理出发，用 Python 实操高斯 Copula 与 t-Copula 的拟合、采样与尾部相依系数计算，揭示为什么股票暴跌时黄金也会跟着跳水——以及高斯 Copula 尾部相依系数为 0 这个致命盲区。

相关系数在危机里会失灵。Copula 把边际分布与相依结构解耦，对比高斯与 t-copula 的尾部相依，量化危机时资产如何联动，并给出更诚实的组合 VaR。