标签： #风险管理

Jagannathan & Ma（2003）的著名发现：给组合优化加约束——哪怕是'错误'的约束——往往改善样本外表现，因为约束数学上等价于对协方差矩阵做收缩。本文 30 资产实验实测：T=120 天时无约束样本 GMV 真实波动率 14.17%、杠杆 2.6 倍，加上 ‖w‖₁≤1.5 降到 13.59%——U 形曲线在 1.5~2.0 触底，太紧（long-only 14.31%）和太松都不行。与 Ledoit-Wolf 收缩的等价性同样实测：T=60 时范数约束（14.21%）与 LW 收缩（14.37%）几乎打平，两条完全不同的药方殊途同归；T=504 时两者都自动退场。Bootstrap 权重稳定性：无约束权重标准差 6.65pp，L1 约束砍到 3.09pp，L2 约束 2.00pp——换手率直接受益。L1 上限还有副产品：‖w‖₁≤1 等价 long-only 且自动稀疏化（30 资产只留 10 个非零）。诚实边界：约束上限 c 是要调的超参（不如 LW 的 δ* 有解析解）、约束绑定时最优性损失是结构性的、对期望收益误差无能为力。

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）。

组合 VaR 的经典做法是方差-协方差法：正态边缘 + 一个相关系数矩阵包打天下。但相关系数只刻画线性依赖的平均强度，说不出「两个资产会不会一起崩」。Copula-GARCH（Sklar 定理 + Patton 2006 工程化）把问题拆成三层独立零件：GARCH 管各自的波动动态、t 边缘管各自的肥尾、copula 管它们怎么绑在一起。双资产 GARCH-t + t-copula(ν=4) 模拟实测：三个模型的 95% VaR 全部无罪（突破 70/72/75 次，期望 62.5），99% VaR 立刻分层——方差-协方差法突破 29 次（期望 12.5）Kupiec p=6×10⁻⁵ 处决，换 t 边缘（保留高斯 copula）降到 21 次，再换 t-copula 降到 18 次通过。教训：普通日子里所有模型都差不多，深尾层级上边缘肥尾贡献最大改进、尾部依赖贡献最后一截。附完整 Python 与伪均匀量、Kendall τ 校准、copula 自由度估计等工程细节（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）。

VaR 可回测但不次可加，ES 次可加但单独不可引出——尾部风险度量似乎总要二选一。Expectile 是已被证明的唯一例外：既是一致风险度量又可引出（Ziegel 2016）。本文从非对称平方损失出发从零实现样本 expectile，用经典违约债券反例实测 VaR 违反次可加（0+0=0 < 100）而 expectile 不违反（88.4 > 63.0），给出 τ↔α 映射表（正态 5% VaR 对应 τ≈1.24%，t(4) 要 2.39%）并诚实指出映射依赖整个分布形状这一最大软肋，附完整 Python 与四类真实陷阱（中阶）。

普通历史模拟的 VaR 是一条僵硬的地板：市场进入高波动它浑然不觉，突破全挤在危机段。FHS（Barone-Adesi et al. 1999）分两步修复：GARCH 滤波把收益标准化成近似 iid 的残差（|r|² 自相关 0.21→-0.03），经验分位数保住肥尾（峰度 1.8 仍在），再乘明日波动率预报还原条件尺度。GARCH-t(6) 模拟实测：HS 的 95% VaR 突破 π11=0.179 独立性检验 p<0.0001 处决，GARCH-正态 99% VaR 突破 25 次被 Kupiec 拒绝（尾部太瘦），FHS 六项检验全过——滤波管动态、经验分位数管形状，各司其职。附完整 Python 与四类真实陷阱（中阶）。

股票收益既不对称也不薄尾——左边有崩盘的长尾，中间比正态更尖，两端比正态更胖。用正态分布做风险管理，等于假装这些都不存在，代价是 1% VaR 天天被击穿。Johnson SU 分布用四个参数一次解决：位置和尺度管中心，一个形状参数专管偏度、另一个专管尾部厚度。它的秘密是把变量做一次 sinh 反变换（arcsinh），再套正态——所以它天生支持负偏、任意厚尾，且解析可算 CDF/分位数，做 VaR 直接套公式。本文用 2000 个模拟收益（真实偏度 -1.1、超额峰度 2.4）实测：正态拟合把 1% VaR 报成 -3.80%，而经验真值是 -5.09%，低估了整整 1.3 个百分点；Johnson SU 用 MLE 拟合出 -5.24%，几乎贴住真值。QQ 图上正态两端翘起、Johnson SU 点点贴线。文章讲清三件事：四个参数各自控制分布的哪一部分、arcsinh 变换为什么能同时造出偏度和厚尾、以及为什么把它当风险度量工具比当收益预测工具更靠谱（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）。