标签： #风险管理

夏普比率是被噪声严重污染的随机变量。本文讲清其抽样误差、概率夏普比率(PSR)如何修正偏度/厚尾，以及 Deflated Sharpe Ratio 怎样把多选偏差一次性扣掉。配 4 张图表与完整 Python。

CPPI 用乘数把下行约束写进仓位：缓冲垫 C_t=A_t−floor，风险敞口 m·C_t。本文用带崩盘的市场演示它如何锁住回撤，并点明 gap risk 等真实陷阱。

用极端值理论(EVT)给尾部风险定价：POT 超阈值、广义帕累托(GPD) MLE 拟合与 Hill 尾指数估计，还原被正态假设低估的极端 VaR。

隐含相关性指数与相关性风险溢价：相关也能成为因子 - halo的技术博客

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。

日频协方差只有开收两个点、还被隔夜跳空污染。本文用分钟级高频把全天资产联动拼成已实现协方差矩阵：朴素 RC 构造、微观结构噪声的 U 形偏差与 Epps 塌缩、已实现核(RK)救回真实方差与相关系数，再用 HAR-RV 预测波动，附可复现 Python。

组合波动从来不是一个数，而是无数风险源叠加。本文用 Barra 式因子模型 r=Xf+u，把组合方差拆成行业、风格、特异性三块，给出精确风险贡献公式 C_k=a_k(Fa)_k，并用偏科技+动量的组合演示：84.6% 风险来自因子、科技独占 65.6%，顺带指出因子缺失、估计误差、非平稳三大陷阱。

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。