标签： #风险管理

保本理财背后那个只有一行公式的引擎：风险敞口 = m ×（当前净值 − 保本底线），缓冲垫厚就敢上仓位、缓冲垫薄就自动撤退、归零则永久躺平。四年合成行情实测（m=4，底线 80%）：熊市里风险资产跌 63.6% 而 CPPI 只回撤 19.1%、终值守住 0.867；代价是牛市 1.737 跑输买入持有的 1.795。600 次蒙特卡洛把这笔交易的账算清楚——CPPI 跌破 0.8 的概率 0.0%、买入持有 16.7%、恒定混合 60/40 是 6.0%，但 CPPI 中位数 1.006 反而低于买入持有的 1.145：它砍掉的左尾是真的，付出的右尾也是真的。最反直觉的是三条边界：震荡市里 CPPI 输给买入持有（0.911 vs 0.971）却仍赢在回撤减半，因为它天生高抛低吸的反面是波动侵蚀；乘数扫描显示换手先升后降（m=3 年均 2.2、m=10 降到 0）——高 m 长期顶满仓根本不需要调仓；再平衡频率的杀伤力全在尾部，每日调仓破底率 0%、季度调仓 22%，而平均终值几乎无差别（1.157 vs 1.159）。理论上 1/m 是能扛住的最大跳空，实测 m=8 在 17.5% 跳空处失守（理论 12.5%），保本承诺在缺口风险面前只是概率陈述（中阶）。

全凯利在理论上增长最快，在实践里几乎总是错的。年化 8%/波动 18% 的资产 f* = 2.47 倍杠杆，20 年 × 400 条路径实测：全凯利中位增长 9.5% 但中位最大回撤 80.6%，半凯利用 7.1% 的增长换回撤降到 51.5%——增长率对仓位是二次函数（k=0.5 保留 75% 增长），回撤对仓位是指数惩罚。解析式 P(回撤>D) = D^(2/k−1) 给出残酷账单：全凯利一生撞上 50% 回撤的概率是 50%，半凯利只有 12.5%，蒙特卡洛圆点几乎落在理论曲线上。但分数凯利最硬的理由是参数无知：10 年日频数据估 mu 的标准误 5.7%，与 mu 本身同数量级，把估计误差灌进仓位公式后 k=1.5 的负增长概率飙到 41%，而 k=0.5 中位增长 7.4% 反而与全凯利的 7.7% 几乎打平——估计误差面前，多扛的杠杆几乎白扛。三盆冷水：k 本身也依赖被估错的参数（分数化是缓冲不是豁免）、肥尾市场里连续时间解析式系统性低估尾部（跳空一夜越过全部止损）、多资产凯利需要逆协方差矩阵——估计误差被求逆放大后，实务中 0.2-0.5 倍凯利加总杠杆上限才是常态（中阶）。

「历史 Beta 告诉你昨天的暴露，期权价格里写着市场对明天暴露的报价。」所有基于历史收益的 Beta 估计都是回望的；期权隐含 Beta 把 β = ρ × σᵢ/σₘ 中的两个波动率换成期权隐波、相关系数用指数期权与成分股期权价差反推的隐含相关，得到完全前瞻的 Beta——它在压力事件前抬升，历史 Beta 只能事后确认。Python 模拟三层验证：指数隐波 22% + 成分股隐波结构反推隐含相关 0.44（离散交易的定价核心）；隐含 Beta 在模拟压力期前约 10 日抬升，60 日已实现 Beta 滞后且峰值被窗口稀释；横截面预测 R² = 0.71 vs 历史 Beta 0.41（模拟定性结论，方向与 Buss-Vilkov 2012 一致）。三个坑：方差风险溢价使隐波系统性偏高但比值结构部分对消；单因子假设压平行业相关结构；A 股个股期权缺失，只能在 ETF 期权体系内做行业隐含 Beta 近似，当前主要是监测工具而非对冲输入（高阶）。

「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）。

Kritzman et al.（2011）的吸收比率：滚动协方差特征分解后看前 K 个主成分吸收多少总方差——AR 高意味着资产被公共因子『焊死』，冲击沿传导链放大。它度量脆弱性而非危机：AR 高不预测下跌，只预测『一旦跌会又急又齐』。30 资产两 regime 模拟（15 年）实测：脆弱期 AR 0.78 vs 平静期 0.61，AUC 0.863；ΔAR>1 组未来 10 日波动 17.1% vs 8.4%（翻倍）、左尾 5% 分位 −6.1% vs −2.2%，但收益均值反而最高——预测波动不预测方向。风险开关（ΔAR>1→仓位 30%）：波动 16.1%→10.9%、Sharpe 0.91→1.01、最大回撤 −43.8%→−39.1%，年化 14.7%→11.0%——买保险要付保费。诚实边界：模拟 regime 由因子强度驱动、AR 天生占便宜；减仓日占比 28% 摩擦不可忽略；超参数未调优；AR 与波动率高度相关，增量信息需控制波动率后再检验。

相关性从来不是常数：危机来临时它齐刷刷跳升，而 252 天滚动相关要 248 天才承认这件事。Engle（2002）的 DCC-GARCH 把问题拆成两步：先用单变量 GARCH 各自过滤波动率，再在标准化残差上用一行递推 Q_t = (1−a−b)Q̄ + a·ε_{t−1}ε'_{t−1} + b·Q_{t−1} 驱动相关演化。本文两资产模拟实测：相关从 0.3 跳到 0.85 的危机段，DCC 86 天收敛到位（滚动窗口 248 天），全样本追踪 MAE 0.109 优于滚动（0.112）和 EWMA（0.143）。1% VaR 回测更能说明问题：危机段滚动窗口击穿率 2.33%（超标 2.3 倍），DCC 0.33%——差异全部集中在最需要风控的时段。QML 估计出 a=0.033、b=0.964，a+b=0.997 的高持续性正是金融相关的典型指纹。诚实边界：两步 QML 是一致但非有效估计、N 大时 Q̄ 本身要收缩、DCC 假设所有资产对共享同一组 a/b。

等权滚动窗口把 252 天前的旧数据和昨天的数据一视同仁：相关性 regime 从 0.3 跳到 0.8（危机来临）后，252 天滚动相关要 234 天才收敛到位，EWMA λ=0.94 只要 18 天。RiskMetrics（1996）的全部秘密是一行递推：σ²_t = λσ²_{t-1} + (1−λ)r²_{t-1}，λ=0.94 对应 11 天半衰期、约 32 天有效样本。GARCH 市场实测 1% VaR 击穿率：EWMA 1.40% vs 滚动窗口 1.67%，且滚动窗口的击穿集中在波动率抬升年份——最需要它的时候它最迟钝。但诚实的另一面：20 资产最小方差组合 OOS 波动率，EWMA λ=0.94（16.0%）反而输给滚动 252 天（12.9%）——有效样本 32 天喂 20 维协方差矩阵是灾难，EWMA 解决的是时效性不是维度诅咒，高维要么升 λ 要么叠加收缩（中阶）。

Chow et al.（1999）与 Kritzman & Li（2010）的金融湍流指数：把今天的跨资产收益向量与历史分布比对，马氏距离 d²=(r−μ)'Σ⁻¹(r−μ) 同时惩罚『幅度异常』和『相关性破坏』——股债同跌各 1.8σ 的日子，单看波动率毫不起眼，d² 却比股票单边大涨 2.5σ 的日子高一倍（13.0 vs 6.3）。本文 8 资产两 regime 模拟市场（15 年日频）实测：湍流指数判别真实 regime 的 AUC 0.941，湍流日 d² 中位 21.8 vs 平静日 6.5；湍流有记忆——今天高湍流明天仍高的概率 52% vs 无条件 10%，且高湍流日后 10 日组合收益均值 −0.22% vs +0.22%、波动 4.19% vs 1.90%——这正是风险开关能赚钱的两个前提。开关回测（昨日 d² 超滚动 90% 分位→仓位降至 30%）：年化 5.12%→8.10%、Sharpe 0.49→0.92、最大回撤 −21.2%→−13.6%，只牺牲 11% 的在场时间。诚实边界：模拟市场 regime 差异极端且切换持久，是对该策略最友好的环境，真实市场改善幅度会小得多；Σ⁻¹ 高维时本身要先收缩否则 d² 全是噪声；阈值分位、减仓幅度均为拍脑袋参数未调优；开关在急跌第一天必然迟到，赚的是湍流的持续性而非预知力。