标签： #风险管理

Black-Scholes 给期权对冲的是解析 delta，但它有三个隐藏假设：零交易成本、连续对冲、波动率已知。真实市场里这三条全破，于是 delta 对冲会在每次调仓时白白交手续费、在跳空时露风险。深度对冲(Buehler et al. 2019)换了个思路：不套公式，而是用神经网络直接学「每一步该持多少标的」，目标函数就定成对冲误差的方差；交易成本作为惩罚项写进目标，网络自己学会「该偷懒时偷懒」。本文用 GBM 下的欧式看涨、纯 numpy 手写一个 MLP 对冲器（不依赖任何深度学习框架），在无成本时退化到 BS delta，在单边成本 2% 时把对冲误差方差比 BS 压窄约 16%。附完整可复现 Python 与六类真实陷阱（高阶）。

马科维茨均值-方差最优解对协方差估计极度敏感：只要资产高度共线，样本协方差的一点噪声就会让最优权重爆成几十倍杠杆。层级风险平价(HRP, López de Prado 2016)干脆不碰逆协方差，而是用相关性距离做层次聚类，把资产聚成一棵树，再自顶向下按子组合波动率二分配置。本文用 12 个合成资产（含一对近复制资产）复现：最小方差解出 2.09 倍总敞口、5 个资产做空、bootstrap 权重 std 0.025；HRP 权重有界、风险贡献接近均衡、bootstrap 权重 std 仅 0.015——它不保证更高收益，但把『估计误差』这条命门堵上了。附完整 Python 与六类真实陷阱（高阶）。

固定百分比止损有个死穴：它不管趋势走多远都保持同样的距离，要么在盈利单上留太多回吐空间，要么在趋势初期就被震出。Parabolic SAR（Wilder 1978）用一个会加速的追踪止损解决这个矛盾——趋势走得越久、创新高越多，止损点就贴得越近。本文从零复现 SAR 递推与加速因子机制，用自洽合成数据证明它在 Sharpe（0.40 vs -0.00）、最大回撤（-12.4% vs -28.7%）上全面碾压固定 8% 止损，并诚实指出它在震荡市里会被反复翻边打脸，附完整 Python 与六类真实陷阱（高阶）。

系统性风险不是一只机构倒下那么简单，而是『一只倒下连累一串』的网络效应。把金融机构的收益相关性翻译成关联图，用图论指标（节点度、中心度、最短路径）量化谁是系统重要性枢纽、冲击怎么沿边传播。附完整 Python 与六类真实陷阱（高阶）。

CoVaR（Adrian-Brünnermeier）把「系统性风险」从一句话变成可量化指标：CoVaR_i = 机构 i 陷入自身 VaR 困境时，系统的条件风险价值；ΔCoVaR_i = CoVaR_i − 常态下系统 VaR，即机构 i 对系统的边际贡献。用 6 家机构的因子关联仿真：银行A（关联度最高）ΔCoVaR 最大(−3.34)，信托F 最小(−2.55)，与系统关联度严丝合缝。附完整 Python 与六类真实陷阱（高阶）。

波动率不是一团模糊的『风险』——上行与下行、连续扩散与跳变，对未来波动的预测力完全不同。本文用已实现半方差(RSV)拆开涨跌，再用 HARQ 修正测量误差，样本外把 RV 预测的 RMSE 从 1.34 压到 1.27、QLIKE 同步下降，并逐一拆解跳变、杠杆效应与测量噪声这三道真实落地关。

波动率管理组合(Moreira-Muir)：用过去已实现方差做 w_t=c/σ̂² 缩放敞口，高波动期自动去杠杆。合成里波动降 65%、回撤砍 62%，Sharpe 几乎不变。附完整 Python 与六类真实陷阱（高阶）。

CAPM 说高风险高收益，数据却说低风险高夏普。本文用 200 只股票、20 年月度数据复现低波动异象：低波动组年化 15.8%/Sharpe 1.06/回撤−13% 全面优于高波动组，CAPM 实际斜率仅 1.7% vs 理论 6.6%，附完整 Python（高阶）。