5D Library › 宏观流动性体制转换、极值尾部相依与杠铃资产配置 · English

第八章 实践与预注册检验

注

本章的核查表与检验方案用于研究与自我检查,不是投资建议。 核查表不能告诉你该买什么、卖什么,只能帮助你在做决定之前把假设写清楚。书中的组合、收益与经济体都是虚构的;任何真实的投资都可能亏损。

第一部分 四步核查表

第一至六章可以浓缩为一份四步核查表,用于审视一个组合(或一个机构、一个国家)的尾部风险与缓冲。表中的界限(例如「ES 比正态高 20% 以上时标记」)是使用者应当事先书面写定的规则的例子,不是推荐的数值。

  1. 体制。 用实时可得的信息(滤波概率,而不是平滑概率),当前更像哪个体制?估计体制参数所依据的体制切换有几次?次数太少时,持续期与均值的估计几乎没有意义(第一章)。
  2. 尾部。 希尔图与平均超额图显示尾部有多厚?用极值方法估计的 ES 比正态假设下的 ES 高多少?阈值换一换,结论是否稳定(第二章)?
  3. 相依。 在最坏的 5% 的日子里,各项资产一起下跌的条件概率是多少?它比一个两两秩相关相同的高斯 Copula 高多少(第三、四章)?
  4. 缓冲。 安全、可立即动用的资产,能否覆盖正常需要加上按尾部重新估计的压力需要?缓冲比例低于 1 时,差额从哪里来(第五、六章)?

下面的程序把核查表用于一个虚构的两资产组合(2,500 个模拟交易日,最后 40 天处于紧张体制)。

推导

# The four-step checklist applied to a FICTIONAL two-asset portfolio (2,500 simulated
# days, returns in %): (1) regime: filtered P(stress) today from a two-state filter on
# asset 1 whose parameters are set by a written rule, not fitted; (2) tails: Hill index
# and GPD 99 % ES against the normal ES; (3) dependence: lower-tail co-exceedance at the
# 5 % level against a Gaussian copula with the same rank correlation; (4) buffer: safe
# liquid assets against a stressed 12-month need. Flags use thresholds written down
# BEFORE looking.
import math, random, statistics

ND = statistics.NormalDist()

def make_data(rng, T=2500):
    s, x, y, z = 0, [], [], []
    for t in range(T):
        sd = 0.8 if s == 0 else 2.0
        crash = s == 1 and rng.random() < 0.04
        f = rng.gauss(0, 1) - (3.0 if crash else 0.0)
        x.append(sd * (0.7 * f + 0.71 * rng.gauss(0, 1)) / 1.0)
        y.append(sd * (0.7 * f + 0.71 * rng.gauss(0, 1)) / 1.0)
        z.append(s)
        stay = 0.995 if s == 0 else 0.97
        if t < T - 40:
            s = s if rng.random() < stay else 1 - s
        else:
            s = 1                                     # the last 40 days are stressed
    return x, y, z

def regime(x, p_stay=(0.99, 0.97)):     # two-state forward filter; parameters set by a
    s0 = 1.4826 * statistics.median(abs(v) for v in x)  # rule fixed in advance: calm sd
    sd = (s0, 2.5 * s0); a, spells = [1.0, 0.0], 0      # from the median |return|
    for v in x:
        pr = [a[0] * p_stay[0] + a[1] * (1 - p_stay[1]),
              a[0] * (1 - p_stay[0]) + a[1] * p_stay[1]]
        f = [pr[k] * math.exp(-0.5 * (v / sd[k]) ** 2) / sd[k] for k in range(2)]
        new = [f[0] / sum(f), f[1] / sum(f)]; spells += new[1] > 0.5 >= a[1]; a = new
    return a[1], sd, spells

def hill(loss, k):
    s = sorted(loss, reverse=True)
    return k / sum(math.log(s[i] / s[k]) for i in range(k))

def gpd_es(loss, k=125, p=0.99):                       # probability-weighted moments
    s = sorted(loss, reverse=True); u = s[k]; y = sorted(v - u for v in s[:k])
    b0 = sum(y) / k; b1 = sum((k - 1 - i) / (k - 1) * v for i, v in enumerate(y)) / k
    xi = 2 - b0 / (b0 - 2 * b1); sig = 2 * b0 * b1 / (b0 - 2 * b1)
    var = u + sig / xi * ((len(loss) / k * (1 - p)) ** -xi - 1)
    return (var + sig - xi * u) / (1 - xi)

def co_exceed(x, y, u=0.05):
    k = int(u * len(x)); qx, qy = sorted(x)[k], sorted(y)[k]
    return sum(1 for a, b in zip(x, y) if a < qx and b < qy) / k

def spearman(x, y):
    rx = {v: i for i, v in enumerate(sorted(x))}
    ry = {v: i for i, v in enumerate(sorted(y))}
    return statistics.correlation([rx[v] for v in x], [ry[v] for v in y])

if __name__ == "__main__":
    rng = random.Random(40); x, y, z = make_data(rng)
    port = [(a + b) / 2 for a, b in zip(x, y)]; loss = [-v for v in port]
    p, sd2, spells = regime(x)
    print(f"1 regime    filtered P(stress | data to today) = {p:.2f}"
          f" (calm sd {sd2[0]:.2f}, stress sd {sd2[1]:.2f})")
    print(f"            flag: P > 0.5 -> {'YES' if p > 0.5 else 'no'}")
    m, sd = statistics.fmean(loss), statistics.stdev(loss)
    es_n = m + sd * math.exp(-ND.inv_cdf(0.99) ** 2 / 2) / math.sqrt(2 * math.pi) / 0.01
    es_g = gpd_es(loss)
    print(f"2 tails     Hill alpha (k = 100 / 200): {hill(loss, 100):.1f} /"
          f" {hill(loss, 200):.1f}; 99 % ES: GPD {es_g:.2f}, normal {es_n:.2f}")
    flag = "YES" if es_g > 1.2 * es_n else "no"
    print(f"            flag: GPD ES > 1.2 x normal ES -> {flag}")
    rs = spearman(x, y); rho = 2 * math.sin(math.pi * rs / 6)
    sim = []
    for _ in range(20_000):
        a = rng.gauss(0, 1)
        sim.append((a, rho * a + math.sqrt(1 - rho * rho) * rng.gauss(0, 1)))
    ce, cg = co_exceed(x, y), co_exceed([s[0] for s in sim], [s[1] for s in sim])
    print(f"3 dependence  Spearman {rs:.2f}; P(both in worst 5 % | one is):"
          f" data {ce:.2f}, Gaussian {cg:.2f}")
    flag = "YES" if ce > cg + 0.10 else "no"
    print(f"            flag: data > Gaussian + 0.10 -> {flag}")
    safe, need, add_n = 18.0, 12.0, 6.0          # fictional, in months of obligations
    add = add_n * es_g / es_n                     # stress add-on scaled by the ES ratio
    ratio = safe / (need + add)
    print(f"4 buffer    safe liquid assets {safe:.0f}; need {need:.0f} + stress add-on"
          f" {add_n:.0f} x {es_g / es_n:.2f} = {need + add:.1f} -> ratio {ratio:.2f}")
    print(f"            flag: ratio < 1 -> {'YES' if ratio < 1 else 'no'}")
    print(f"(truth, hidden from the checklist: today is a stress day: {z[-1] == 1})")
# 1 regime    filtered P(stress | data to today) = 0.23 (calm sd 0.91, stress sd 2.28)
#             flag: P > 0.5 -> no
# 2 tails     Hill alpha (k = 100 / 200): 2.7 / 2.1; 99 % ES: GPD 4.40, normal 2.78
#             flag: GPD ES > 1.2 x normal ES -> YES
# 3 dependence  Spearman 0.48; P(both in worst 5 % | one is): data 0.47, Gaussian 0.23
#             flag: data > Gaussian + 0.10 -> YES
# 4 buffer    safe liquid assets 18; need 12 + stress add-on 6 x 1.58 = 21.5 -> ratio 0.84
#             flag: ratio < 1 -> YES
# (truth, hidden from the checklist: today is a stress day: True)

第一步没有发出信号:两状态滤波的参数按事先写定的规则设定(平静体制的波动率由收益绝对值的中位数换算,紧张体制取其 2.5 倍),它给出的当前紧张概率只有 0.23,而真实情况是最近 40 天都处于紧张体制。滤波器的参数与真实值不同(紧张体制 2.28 对 2.0),紧张期内又夹杂着相对平静的日子,所以实时概率比第一章用真实参数的理想情形更不可靠——这正是「体制只在事后才看得清」的实际后果。其余三步都发出了信号:组合损失的希尔指数约为 2.1 到 2.7,极值方法估计的 99% ES 为 4.40,比正态假设的 2.78 高 58%;在最坏的 5% 的日子里,两项资产一起下跌的条件概率为 0.47,而秩相关相同的高斯 Copula 只有 0.23;按尾部比例放大压力需要后,缓冲比例为 0.84,低于 1。这个例子的教训是:核查表的价值在于几步互相印证,不能只依赖体制信号。

第二部分 预注册回测方案

问题与设计选择

在一组事先固定的日收益序列与锁定的样本外窗口上,对一日 99% VaR 而言,条件极值方法(GARCH + 广义帕累托分布)的突破率是否比条件正态方法(同一个 GARCH + 正态分位数)低,且差别至少达到最小关注效应?

作者的框架提出了两种可能:「HMM 体制信号驱动的再平衡 vs 固定比例」的样本外检验,或「极值方法风控 vs 正态 VaR」的回测比较。本书选择后者,理由有三。第一,前者的结局(夏普比率或回撤之差)噪声极大:第 38 本第八章已说明,最大回撤是整条路径的单一统计量,几乎没有统计把握度,夏普比率又取决于仓位规则,所以二者在那里都只作次要结局;后者以「每个序列—交易日是否突破」为单位,数据量大得多。第二,后者直接检验第二章的核心主张,而且有明确的理论预期与已发表的结果可以对照 (McNeil and Frey 2000)。第三,它不涉及任何交易,不需要任何人承担资金风险。两个模型使用同一个 GARCH 滤波,所以比较的只是尾部建模这一点。

方案

要素 规定
数据与窗口 由与作者无关的第三方研究者从商业数据库取得日收盘数据;样本外窗口在登记方案时写定并锁定(按样本量需要约 9.2 年,即 2,329 个交易日),窗口之前另需 1,000 个交易日用于初始估计;第三方在方案登记、分析代码公开之前不向任何人提供该窗口的结果
序列与入选标准 20 个序列(股票指数、政府债券指数、主要汇率与大宗商品指数各若干),在登记方案时按窗口开始前的数据完整性与流动性标准写定名单;缺失超过 5% 的序列—日不计入
两个模型 A:GARCH(1,1) 正态拟极大似然估计,1,000 天滚动窗口,标准化损失中最大的 100 个拟合 GPD,得到 99% 分位(麦克尼尔—弗雷方法);B:同一个 GARCH,分位数取正态的 2.326。两者每 250 个交易日重新估计一次,GARCH 每天更新波动率
设盲 不需要随机分配(每个序列—日同时计算两个模型);分析代码以「模型 X / 模型 Y」标记两列,第三方在锁定结果后才揭示对应关系
主要结局 DD = 模型 B 的合并突破率减去模型 A 的合并突破率(百分点),20 个序列合并;95% 置信区间用整日重抽(同一天的 20 个序列一起抽)的自助法计算
预先规定的限定语 模型 A 自身的合并突破率是否落在 0.7%–1.3% 之内;落在之外时,结论后附「过于保守」或「同样覆盖不足」
次要结局 每个模型、每个序列与合并的库皮克检验与克里斯托弗森独立性、条件覆盖检验 (Kupiec 1995; Christoffersen 1998);突破日实际损失与预测 ES 之比;分位数(tick)损失的技能分数;97.5% ES 的联合评分 (Fissler and Ziegel 2016);无条件正态与历史模拟作为额外对照;均为描述性或探索性分析

主要结局只设一项,选「突破率之差」,理由是:它直接对应第二章的主张(正态方法低估尾部、突破过多);两个模型在同一批序列—日上配对,消除了市场环境的差异;结果容易解释。理论上更理想的比较是分位数损失(一种对分位数「一致」的评分函数 (Gneiting 2011)),但程序显示它对尾部误差极不敏感,把握度太低(见下文样本量),所以只作次要结局。突破率之差的缺点是:一个过于保守的模型也会有很低的突破率;所以方案预先规定了一条限定语,检查模型 A 自身的突破率是否接近名义的 1%。

防止数据窥探

与第 38 本相同:只有一组预先固定的模型设定与一项主要结局,不调参数(阈值固定为 100 个、窗口 1,000 天);数据、窗口、序列名单与分析代码在第三方取得数据之前公开登记,代码的哈希值随方案一起登记 (Nosek et al. 2018);由第三方执行全部代码;次要与探索性结果明确标注,不能用来替代主要结论。第 33 本讨论过这些做法的统计原理。

样本量

推导

# Sample size for the Chapter 8 pre-registered backtest: GARCH-EVT against GARCH-normal
# one-day 99 % VaR. Both models share the same GARCH volatility, so they differ only in
# the quantile of the standardized loss z. Primary outcome: D = violation rate of the
# normal model minus that of the EVT model (percentage points), paired on the same
# series-days.
# ASSUMED, not estimated from data: z is Student t with 5 d.f. (unit variance); the EVT
# quantile is re-estimated every 250 days from 1,000 residuals (GPD on the top 100);
# 20 series; intraclass correlation (ICC) of the paired difference across the 20 series on
# the same day 0.2; 252 trading days a year; 10 % of series-days lost.
import math, random, statistics

ND = statistics.NormalDist(); Z = ND.inv_cdf
DF = 5; SC = math.sqrt(DF / (DF - 2))

def tdraw(rng):
    return rng.gauss(0, 1) / math.sqrt(rng.gammavariate(DF / 2, 2) / DF) / SC

def gpd_q(z, k=100, p=0.99):                   # probability-weighted-moment GPD fit
    s = sorted(z, reverse=True); u = s[k]; y = sorted(v - u for v in s[:k])
    b0 = sum(y) / k; b1 = sum((k - 1 - i) / (k - 1) * v for i, v in enumerate(y)) / k
    xi = 2 - b0 / (b0 - 2 * b1); sig = 2 * b0 * b1 / (b0 - 2 * b1)
    return u + sig / xi * ((len(z) / k * (1 - p)) ** -xi - 1)

def tick(z, q, tau=0.99):
    return (z - q) * (tau - (1.0 if z < q else 0.0))

def years(sesoi, sd, icc=0.2, m=20, power=0.90, lost=0.10):
    n_eff = ((Z(0.975) + Z(power)) * sd / sesoi) ** 2
    deff = 1 + (m - 1) * icc
    return n_eff, deff, n_eff * deff / m / 252 / (1 - lost)

if __name__ == "__main__":
    rng = random.Random(1995); qn = Z(0.99); vn = ve = up = dn = 0; tn, te = [], []
    for _ in range(400):                       # 400 blocks of 250 days = 100,000 days
        qe = gpd_q([tdraw(rng) for _ in range(1000)])
        for _ in range(250):
            z = tdraw(rng); a, b = z > qn, z > qe
            vn += a; ve += b; up += a and not b; dn += b and not a
            tn.append(tick(z, qn)); te.append(tick(z, qe))
    n = 100_000; d = (vn - ve) / n; sd = math.sqrt((up + dn) / n - d * d)
    print(f"violation rates: normal {vn / n:.2%}, EVT {ve / n:.2%};"
          f" expected D = {100 * d:.2f} points")
    print(f"   (SD of the paired difference per series-day {sd:.3f})")
    n_eff, deff, yrs = years(0.0025, sd)
    print(f"SESOI 0.25 points, 90 % power, alpha 0.05 (two-sided): {n_eff:,.0f}"
          f" independent series-days")
    print(f"   design effect {deff:.1f} -> {n_eff * deff / 20:,.0f} days per series"
          f" (20 series) = {n_eff * deff / 20 / 252:.1f} years;")
    print(f"   with 10 % lost: {yrs:.1f} years ({math.ceil(yrs * 252):,} trading days)")
    print("years of data (20 series, 10 % lost)    SESOI 0.15   0.25   0.40 points")
    for icc in (0.1, 0.2, 0.4):
        print(f"   ICC {icc:.1f}{'':31s}" + "".join(f"{years(s, sd, icc)[2]:7.1f}"
                                                  for s in (0.0015, 0.0025, 0.0040)))
    se = 0.0025 / (Z(0.975) + Z(0.90))
    print(f"if the true D equals the SESOI: P(lower bound > 0) ="
          f" {1 - ND.cdf((1.96 * se - 0.0025) / se):.3f};")
    print(f"   P(lower bound >= SESOI) = {1 - ND.cdf(1.96):.3f}")
    ss = 1 - statistics.fmean(te) / statistics.fmean(tn)
    dd = statistics.stdev(a - b for a, b in zip(tn, te)) / statistics.fmean(tn)
    print(f"why not the tick (quantile) loss? expected skill score of EVT {ss:+.3f};")
    print(f"   detecting even 0.03 would take {years(0.03, dd)[2]:.1f} years"
          f" of 20 series")
# violation rates: normal 1.54%, EVT 1.03%; expected D = 0.51 points
#    (SD of the paired difference per series-day 0.072)
# SESOI 0.25 points, 90 % power, alpha 0.05 (two-sided): 8,732 independent series-days
#    design effect 4.8 -> 2,096 days per series (20 series) = 8.3 years;
#    with 10 % lost: 9.2 years (2,329 trading days)
# years of data (20 series, 10 % lost)    SESOI 0.15   0.25   0.40 points
#    ICC 0.1                                  15.5    5.6    2.2
#    ICC 0.2                                  25.7    9.2    3.6
#    ICC 0.4                                  46.0   16.6    6.5
# if the true D equals the SESOI: P(lower bound > 0) = 0.900;
#    P(lower bound >= SESOI) = 0.025
# why not the tick (quantile) loss? expected skill score of EVT +0.010;
#    detecting even 0.03 would take 11.4 years of 20 series

假设(不是来自真实数据的估计):标准化损失为自由度 5 的学生 t 分布;在这个假设下,正态分位数的突破率为 1.54%,极值方法为 1.03%,期望的差 DD 为 0.51 个百分点。作为对照,麦克尼尔与弗雷在标普 500 上的结果(约 7,400 天中 104 次对 73 次)相当于约 0.42 个百分点。最小关注效应取 0.25 个百分点,即名义突破率的四分之一:小于这个差别,就不值得为它改变风控模型。在双侧 α=0.05\alpha = 0.05、90% 把握度下,需要相当于 8,732 个独立的序列—日;同一天 20 个序列的配对差异之间的组内相关系数假设为 0.2,设计效应 4.8,所以每个序列需要 2,096 个交易日(约 8.3 年);考虑 10% 的数据损失,计划 2,329 个交易日,约 9.2 年。加上 1,000 天的初始估计窗口,每个序列总共需要约 13 年的数据。

敏感性表说明这个设计最依赖的是组内相关:暴跌往往同时发生在许多市场,同一天的突破高度相关。组内相关为 0.4 时需要 16.6 年;最小关注效应若取 0.15 个百分点、组内相关 0.2,需要 25.7 年。程序最后一行解释了为什么不用分位数损失作主要结局:在同样的假设下,极值方法的期望技能分数只有 +0.010(分位数损失降低 1%),即使要发现 0.03 的改善也需要 11.4 年,而发现 0.010 需要的数据约为其九倍。

按第 33 本第六章的结果,「90% 把握度」指的是在真实效应恰好等于最小关注效应时,得出某种「极值方法突破更少」结论(置信区间下限大于 0)的概率约为 90%;在这种情况下,最强的结论「至少少 0.25 个百分点」只有约 2.5% 的机会出现。要以较大把握得出最强结论,真实效应需要明显大于 0.25 个百分点。

判定规则

推导

# Decision rule, fixed before the locked data window is opened. D = pooled 99 % VaR
# violation rate of GARCH-normal minus that of GARCH-EVT (percentage points), with a 95 %
# CI from a bootstrap that resamples whole trading days (all 20 series together).
# SESOI 0.25 points. Gates (checked first): more than 15 % of series-days lost; the
# independent re-run of the forecasting code disagreeing on more than 1 % of forecasts;
# more than 5 % of GARCH refits failing to converge -> NOT INTERPRETABLE. A pre-specified
# qualifier reports whether the EVT model's own pooled rate lies within 0.7-1.3 %.
SESOI = 0.25

def verdict(d, lo, hi, evt_rate, lost=0.04, mismatch=0.001, nonconv=0.01):
    for x, lim, why in ((lost, 0.15, "series-days lost"),
                        (mismatch, 0.01, "forecasts not reproduced"),
                        (nonconv, 0.05, "GARCH refits failed")):
        if x > lim:
            return f"D = {d:+.2f}: NOT INTERPRETABLE - {x:.0%} {why} (limit {lim:.0%})"
    if lo >= SESOI:   v = "normal VaR violated at least 0.25 points more often"
    elif lo > 0:      v = "normal VaR violated more often; size not shown to reach 0.25"
    elif hi < 0:      v = "EVT VaR violated more often than normal VaR"
    elif lo >= -SESOI and hi <= SESOI: v = "no difference worth acting on"
    else:             v = "unclear: the interval is too wide to decide"
    if evt_rate < 0.7:
        v += f"\n    qualifier: EVT is over-conservative ({evt_rate:.2f} %)"
    elif evt_rate > 1.3:
        v += f"\n    qualifier: EVT also under-covers ({evt_rate:.2f} %)"
    return f"D = {d:+.2f} ({lo:+.2f} to {hi:+.2f}): {v}"

for case in ((0.52, 0.31, 0.73, 1.04), (0.20, 0.06, 0.34, 0.98),
             (0.04, -0.12, 0.20, 1.10), (-0.30, -0.49, -0.11, 1.42),
             (0.15, -0.20, 0.50, 1.00), (0.61, 0.38, 0.84, 0.55),
             (0.40, 0.20, 0.60, 1.02, 0.22)):
    print(verdict(*case))
print("secondary outcomes (Kupiec and Christoffersen tests for each model, the tick-loss")
print("  skill score, the ES backtest, the unconditional-normal model) are reported with")
print("  intervals; they never decide the verdict")
# D = +0.52 (+0.31 to +0.73): normal VaR violated at least 0.25 points more often
# D = +0.20 (+0.06 to +0.34): normal VaR violated more often; size not shown to reach 0.25
# D = +0.04 (-0.12 to +0.20): no difference worth acting on
# D = -0.30 (-0.49 to -0.11): EVT VaR violated more often than normal VaR
#     qualifier: EVT also under-covers (1.42 %)
# D = +0.15 (-0.20 to +0.50): unclear: the interval is too wide to decide
# D = +0.61 (+0.38 to +0.84): normal VaR violated at least 0.25 points more often
#     qualifier: EVT is over-conservative (0.55 %)
# D = +0.40: NOT INTERPRETABLE - 22% series-days lost (limit 15%)
# secondary outcomes (Kupiec and Christoffersen tests for each model, the tick-loss
#   skill score, the ES backtest, the unconditional-normal model) are reported with
#   intervals; they never decide the verdict

示例结果是编造的。前置条件中任何一项不满足(序列—日损失超过 15%、第三方独立重跑的预测与登记代码的结果不一致超过 1%、超过 5% 的 GARCH 重新估计不收敛),无论主要结局如何,报告都写「不可解释」。只有当置信区间下限不低于 0.25 时,报告才写「正态 VaR 的突破率至少高 0.25 个百分点」;下限高于 0 但低于 0.25 时写「正态 VaR 突破更多,但幅度未确定」;上限低于 0 时写「极值方法突破更多」;区间落在 ±0.25 之内时写「没有值得据此改变模型的差别」;其余情形写「无法判断」。限定语不改变结论的类别,只是附在后面:例如第六个示例中,极值方法的突破率只有 0.55%,报告必须同时写明它「过于保守」。

这项检验不能说明什么

第一,历史上的结果不保证未来的结果;市场的尾部行为会随体制、制度与市场结构而变。第二,它只检验一种具体设定(GARCH(1,1)、1,000 天窗口、100 个超额、99% 一日 VaR),不能推广到所有极值方法或所有水平。第三,突破率只说明「越线」的频率,不说明越线后损失有多大;损失的大小由次要结局中的 ES 比较来描述。第四,突破更少可能只是更保守,所以必须同时看限定语与库皮克检验。第五,20 个序列与一个时间窗口不能代表所有市场与时期,序列之间的相关也使有效样本远小于名义样本。第六,它不检验第三、四章的 Copula 与藤模型、第五章的杠铃配置或第一章的体制信号,这些需要各自的检验。第七,窗口中的市场行情作者本人可能经历过,它不是严格意义上「从未见过」的数据;在登记方案之后的新数据上做前瞻性的重复,证据更强。

伦理与利益冲突

这项检验不涉及人体受试者,不需要伦理委员会审批;但方案、序列名单、模型设定与分析代码须在第三方取得数据之前公开登记。数据的使用遵守数据商的许可条款。无论结果是正是负,结果、代码与(在许可允许的范围内)汇总数据都将公开。

利益披露

作者以 5D Library 的著作(包括本书)作为其社群课程、升维牌卡(5D Ascension Cards,Dimensional Shift Card Decks)与 Yafu AI 知识库的方法论基础,因此与本书主题有商业利益关系。本书不推销任何课程、牌卡或服务;第八章的试验设计为由独立于作者企业的研究人员实施和分析,不从作者的社群、学员或客户中招募;书中所有代码与研究方案均公开,供任何人检验。作者开发并维护量化研究脚本,并提供相关的开源研究与独立咨询服务;撰写本书期间可能持有美股指数(如 SPY)或相关衍生品的常规观察仓位。本书所有模型仅供数理与历史统计的学术探讨,不构成任何投资建议或交易信号,也不推荐任何具体交易或资产。为限制利益的影响:方案与分析代码在第三方取得数据前公开登记;无论结果如何,结果与代码都将公开。

本章小结

四步核查表从体制、尾部、相依与缓冲四个方面审视尾部风险,示例显示体制信号在实时中可能失灵,其余几步需要互相印证。预注册的回测在 20 个序列、约 9.2 年锁定的样本外数据上,比较条件极值方法与条件正态方法的一日 99% VaR 突破率,唯一主要结局为二者之差,最小关注效应 0.25 个百分点,由第三方执行,判定规则写成代码,并预先规定了「过于保守」的限定语;无论结果如何都发表。这项检验只检验一种具体的极值设定,不能证明本书的其他模型。

参考文献

Christoffersen, Peter F. 1998. “Evaluating Interval Forecasts.” International Economic Review 39 (4): 841–62. https://doi.org/10.2307/2527341.
Fissler, Tobias, and Johanna F. Ziegel. 2016. “Higher Order Elicitability and Osband’s Principle.” The Annals of Statistics 44 (4): 1680–707. https://doi.org/10.1214/16-AOS1439.
Gneiting, Tilmann. 2011. “Making and Evaluating Point Forecasts.” Journal of the American Statistical Association 106 (494): 746–62. https://doi.org/10.1198/jasa.2011.r10138.
Kupiec, Paul H. 1995. “Techniques for Verifying the Accuracy of Risk Measurement Models.” The Journal of Derivatives 3 (2): 73–84. https://doi.org/10.3905/jod.1995.407942.
McNeil, Alexander J., and Rüdiger Frey. 2000. “Estimation of Tail-Related Risk Measures for Heteroscedastic Financial Time Series: An Extreme Value Approach.” Journal of Empirical Finance 7 (3–4): 271–300. https://doi.org/10.1016/S0927-5398(00)00012-8.
Nosek, Brian A., Charles R. Ebersole, Alexander C. DeHaven, and David T. Mellor. 2018. “The Preregistration Revolution.” Proceedings of the National Academy of Sciences 115 (11): 2600–2606. https://doi.org/10.1073/pnas.1708274114.

Fan, Y. (2026). Macro-Liquidity Regime Switching, Extreme Tail Dependence and Barbell Asset Allocation: Vine Copulas, Hidden Markov Models and Sovereign Buffer Dynamics [宏观流动性体制转换、极值尾部相依与杠铃资产配置] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23828049 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).