4. 市场风险模型（上）：波动率建模与相关性建模

各位同学，欢迎来到第四章。这一章我们聊点硬核的——波动率和相关性。说实话，这两个东西是做市风控的命根子。你想想看，如果连资产价格的波动幅度和资产之间的联动关系都搞不清楚，那你的风控模型基本就是在裸奔。

我个人习惯把市场风险拆成两块：单资产的风险和多资产之间的风险。单资产看波动率，多资产看相关性。今天我们先啃下这两块硬骨头。

4.1 波动率建模：GARCH系列

波动率这东西，说白了就是资产价格的"脾气"。有的资产温顺得像只猫，有的暴躁得像头狮子。而且最要命的是——波动率会聚集。什么意思？就是大涨大跌之后往往跟着更大的波动，平静期之后还是平静。

我第一次做跨境做市的时候，就吃过这个亏。当时用简单历史波动率去算保证金，结果遇到 Brexit 事件，波动率瞬间翻了三倍，保证金直接穿仓。嗯，从那以后我再也不敢用静态波动率了。

4.1.1 GARCH(1,1) 模型

GARCH 模型的核心思想很简单：今天的波动率 = 昨天的波动率 + 昨天的冲击。用数学表达就是：

σ²_t = ω + α * ε²_{t-1} + β * σ²_{t-1}

其中：
- σ²_t：今天的条件方差
- ω：长期平均方差
- ε²_{t-1}：昨天的市场冲击（残差平方）
- σ²_{t-1}：昨天的方差
- α + β < 1：保证模型平稳

我个人习惯用 Python 的 arch 包来拟合。给你看个实际代码：

import arch
import numpy as np
import pandas as pd

# 假设 returns 是日收益率序列
returns = pd.Series(...)

# 拟合 GARCH(1,1)
model = arch.arch_model(returns, vol='Garch', p=1, q=1)
result = model.fit(update_freq=5)

# 查看参数
print(result.params)
# 输出类似：omega=0.0001, alpha=0.08, beta=0.91

# 预测未来10天的波动率
forecast = result.forecast(horizon=10)
vol_forecast = np.sqrt(forecast.variance.values[-1, :])

4.1.2 已实现波动率

GARCH 用的是日频数据，但高频数据里其实藏着更多信息。已实现波动率（Realized Volatility）就是利用日内高频数据来估计波动率。

公式很简单：

RV_t = Σ r²_{t,i}

其中 r_{t,i} 是第 t 天第 i 个五分钟收益率

为什么用五分钟？太短了有微观结构噪声，太长了又丢失信息。五分钟是个业界公认的 sweet spot。

我记得有一次做 EUR/USD 的做市模型，用 GARCH 预测的波动率总是偏小，导致报价太激进。后来换成已实现波动率 + HAR-RV 模型，效果立竿见影。

# 计算已实现波动率
def compute_rv(price_series, freq='5T'):
    # 重采样到5分钟
    resampled = price_series.resample(freq).last()
    # 计算对数收益率
    log_ret = np.log(resampled / resampled.shift(1))
    # 计算已实现方差
    rv = (log_ret ** 2).sum()
    return np.sqrt(rv * 252)  # 年化

4.2 相关性建模：DCC-GARCH 与 Copula

单资产的风险好办，但做市商手里通常握着几十个资产。这些资产之间会互相影响——美元涨了，黄金可能跌；股市崩了，避险货币可能涨。所以，相关性建模比波动率建模更关键。

4.2.1 DCC-GARCH 模型

DCC-GARCH（Dynamic Conditional Correlation）是 Engle 在2002年提出的。它的核心思想是：相关性不是固定的，它会随时间变化。

模型分两步走：

1. 第一步：对每个资产单独拟合 GARCH，得到标准化残差
2. 第二步：用这些标准化残差来估计动态相关性

from arch import arch_model
import numpy as np

# 假设有两个资产的收益率序列
returns_1 = pd.Series(...)
returns_2 = pd.Series(...)

# 第一步：分别拟合 GARCH
model_1 = arch_model(returns_1, vol='Garch', p=1, q=1).fit(disp='off')
model_2 = arch_model(returns_2, vol='Garch', p=1, q=1).fit(disp='off')

# 提取标准化残差
std_resid_1 = model_1.resid / model_1.conditional_volatility
std_resid_2 = model_2.resid / model_2.conditional_volatility

# 第二步：估计动态相关性
# 这里用滚动窗口计算
window = 60
corr_series = []
for i in range(window, len(std_resid_1)):
    corr = np.corrcoef(std_resid_1[i-window:i], 
                       std_resid_2[i-window:i])[0,1]
    corr_series.append(corr)

4.2.2 Copula 模型

DCC-GARCH 有个局限——它假设资产之间的依赖关系是线性的、对称的。但现实世界不是这样的。比如：

• 尾部依赖：市场暴跌时，资产一起跌的概率远大于一起涨的概率
• 非对称依赖：熊市里的相关性比牛市里高得多

Copula 就是来解决这个问题的。它把联合分布拆成两部分：边缘分布（每个资产自己的分布）和依赖结构（Copula 函数）。

常用的 Copula 有几种：

Copula 类型	特点	适用场景
Gaussian Copula	对称、无尾部依赖	正常市场环境
t-Copula	对称、有尾部依赖	有极端事件的市场
Clayton Copula	下尾依赖强	熊市、危机时期
Gumbel Copula	上尾依赖强	牛市、泡沫时期

# 使用 Python 的 copulae 库
from copulae import ClaytonCopula
import numpy as np

# 假设有两个资产的标准化残差
u = np.column_stack([std_resid_1, std_resid_2])

# 拟合 Clayton Copula
cop = ClaytonCopula()
cop.fit(u)

# 查看参数
print(cop.params)
# theta 越大，下尾依赖越强

# 模拟联合分布
simulated = cop.random(10000)

4.3 实战中的坑与经验

讲了这么多理论，最后分享几个我在实战中踩过的坑：

1. 数据频率不匹配：别用日频数据算波动率，然后用分钟频数据算相关性。频率不一致会导致模型自相矛盾。
2. 参数稳定性：GARCH 参数不是一成不变的。我习惯每三个月重新拟合一次，遇到重大事件（比如央行议息）会手动触发重拟合。
3. 相关性不等于因果关系：两个资产相关性高，不代表一个涨另一个就一定涨。做对冲策略时一定要注意这个。
4. 计算效率：如果你有50个资产，DCC-GARCH 要算1225对相关性。我建议用 PCA 降维，先提取主要因子，再对因子做相关性建模。

好了，这一章的内容就到这里。波动率和相关性是市场风险模型的基石，下一章我们会在此基础上搭建完整的 VaR 和压力测试框架。记住：模型越复杂，不代表越准确。有时候一个简单的 GARCH(1,1) + 滚动相关性，比那些花里胡哨的深度学习模型靠谱得多。

---