标签： #肥尾分布

样本协方差在肥尾分布下不是慢慢变差，而是被极端日直接绑架——一个 ±15% 的异常日进入平方项后能扭曲整个相关结构。Tyler（1987）的 M-估计量给出一个漂亮的解法：把每天的收益向量投影到单位球面上再估计，只保留方向、扔掉幅度，得到的形状矩阵在所有椭圆分布下都有同一个渐近分布——对尾部厚度『分布自由』。本文 N=20 单因子模拟市场实测：t(3) 肥尾下样本协方差形状误差 0.266、Ledoit-Wolf 0.253，Tyler 只有 0.108，且从 t(3) 到正态误差几乎纹丝不动（0.108→0.102）；注入 2% 的 ±15% 异常日，样本协方差误差从 0.147 恶化到 0.184，Tyler 稳在 0.109；但 10% 污染时 Tyler 反而崩得更惨（1.93 vs 0.52）——迭代加权会被大规模结构性污染带偏，稳健≠无敌。GMV 组合上优势收窄：t(4)、T=252 时 Tyler 10.63% vs 样本 11.03%（理论最优 10.19%），因为组合权重只依赖协方差的逆的方向结构，形状矩阵的优势部分被求逆运算稀释。诚实边界：Tyler 只估形状不估尺度，波动率目标要另配；对『集体同向的真实危机日』降权可能扔掉最有信息量的样本；N/T 比例较大时需要正则化版本。

『肥尾』被说滥了，但到底多肥？尾部指数 α 给出一个数：P(X>x) ~ x^(-α)，α 越小尾越肥，且 α 直接判决矩的生死——α<4 峰度不存在、α<2 方差都没了。Hill 估计量用前 k 个顺序统计量的对数间距把 α 从数据里榨出来，本文从公式到陷阱走全程：三个已知真值的分布验证（Pareto α=2 估出 2.02 近乎完美，但 t(5) 只估出 3.87——慢收敛尾部的负偏差实锤）；GARCH+t(4) 合成收益的左右尾 Hill Plot（左尾 α̂=2.65，波动聚集把无条件尾部拖得比创新项 t(4) 更肥，这是特征不是 bug）；log-log 生存函数图上幂律直线与正态跳水的视觉对决；Weissman 外推算『百年一遇』：幂律给 16.5% 单日损失、正态给 3.0%，样本内最差实际 7.16% 已两倍于正态的百年一遇。最狠的是 300 次蒙特卡洛的小样本实验：n=250（一年日线）时 α̂=2.52±0.47（真值 3），系统性负偏 + 巨大方差——一年数据测尾部指数等于用体温计量海深。拆穿 k 选择的 Hill horror plot、样本依赖性、外推杠杆三类陷阱（中高阶）。