标签： #epps效应

「你的 Beta 不是一个数，是一条会跳的曲线。」传统 60 日滚动 OLS 估计 Beta 有一个结构性死穴：窗口内每个观测等权，Beta 真的变了要一个月才能在估计里显形。已实现 Beta 把已实现波动率的思路搬到协方差上——用 5 分钟日内收益，单日就能算出一个 Beta 估计（日内协方差 / 日内市场方差），无需任何模型假设，跳变当天就能看到。Python 模拟完整验证三层结构：事件日 Beta 从 1.0 跳到 1.9，22 日平滑已实现 Beta 约 20 个交易日贴近真值，60 日 OLS 落后一倍时间且路径被旧样本稀释；但高频不是免费午餐——Epps 效应让非同步交易在 5 分钟频率把 Beta 从 1.2 低估到 0.54，偏差随采样间隔拉长单调消失，最优频率是偏差与方差的权衡（20-40 分钟附近），盲目用最高频数据是这个领域最常见的错误；对冲误差是估计器的终极裁判：模拟中已实现 Beta 对冲的残余年化波动 10.1%，优于滚动 OLS 的 10.6% 与静态 Beta 的 11.1%——差距看似小，但对冲组合的方差改善会直接进入市场中性策略的 Sharpe 分母。落地约束诚实列出：A 股 5 分钟数据可得但 T+1 限制对冲调仓、开盘集合竞价段需剔除、真实市场的微观结构噪声比模拟更毒（中高阶）。

直觉告诉你：数据越密、频率越高，估计应该越准。但相关性在高频世界里恰恰相反——同一对资产，用日线算相关是 0.6，切到 1 分钟变 0.3，切到 1 秒几乎归零。这就是 Epps 效应：不是市场关系变了，是异步成交把相关性『稀释』掉了。两只股票的 tick 从不落在同一时刻，你为了对齐用旧价前向填充，就在每个细格点里塞进了大量人造的零收益，相关性被这些零拖向 0。本文用纯 numpy 合成两条 latent 相关 0.6 的高频价格路径，泊松稀疏成交 + last-tick 填充完整复现 Epps 塌陷曲线（1 秒 ρ≈0.03、30 分钟才恢复到 0.59）；量化流动性对衰减速度的影响（成交越稀疏塌陷越狠）；最后给出解药 Hayashi-Yoshida 估计量——用重叠区间累加协方差，不需要同步、不丢数据，在异步稀疏数据下几乎无偏。附完整 Python 与四类真实陷阱。