2. 量化风控基础：概率论与数理统计回顾、线性代数基础、时间序列分析入门

各位同学，欢迎来到第二章。

说实话，很多做债券风控的朋友，一听到数学就头疼。我当年刚入行时也一样，觉得搞金融嘛，懂点宏观、懂点信用就够了。直到我第一次用VaR模型算出来的结果跟实际亏损差了十万八千里……嗯，那次之后我才明白，数学不是用来装点门面的，它是你的防弹衣。

这一章，我们不搞天书推导。我会把概率、线代、时间序列这三块，跟债券风控的实际场景串起来讲。你想想看，你每天面对的是收益率曲线、利差、违约概率，这些东西背后全是数学。躲不掉的，不如把它变成你的武器。

2.1 概率论与数理统计：风险的第一把尺子

概率论，说白了就是研究「不确定性」的学问。债券市场里，没有什么是确定的。发行人会违约吗？利率会上升吗？信用利差会走阔吗？这些问题，都需要用概率来回答。

2.1.1 随机变量与分布

我个人习惯把随机变量分成两类：离散型和连续型。在债券风控里，违约事件是离散的——要么违约（1），要么不违约（0）。而收益率、利差这些，是连续的。

举个例子。你持有一支信用债，它的违约概率是2%。这2%怎么来的？可能是基于历史评级迁移矩阵算出来的。我曾在项目中用Moody's的年度违约率数据，拟合出不同评级债券的违约分布。你会发现，BBB级和BB级的违约概率，差了不止一个数量级。

评级	1年违约概率（历史均值）	分布类型
AAA	0.01%	极左偏
AA	0.03%	左偏
A	0.08%	近似正态
BBB	0.30%	右偏
BB	1.20%	厚尾

这里要注意，正态分布在金融里被用得太滥了。债券收益率的变化，尤其是信用债，往往有厚尾特征。什么意思？就是极端事件发生的概率，比正态分布预测的要高得多。2008年雷曼倒闭，按正态分布算，几亿年才发生一次。但现实呢？

2.1.2 条件概率与贝叶斯

贝叶斯定理在信用风控里太有用了。你想想，你有一个先验的违约概率（比如基于评级），然后你收到了新的信息（比如公司财报变差、行业利空），你怎么更新你的判断？

公式很简单：

P(违约 | 新信息) = P(新信息 | 违约) * P(违约) / P(新信息)

我曾在做信用债预警系统时，用贝叶斯框架把多个信号（杠杆率变化、利息覆盖倍数、舆情评分）融合成一个动态违约概率。效果比单因子模型好得多。

2.2 线性代数基础：高维风险的骨架

线性代数，很多人觉得抽象。其实它就是研究「空间」和「变换」的学问。在债券风控里，你的组合可能有几百只债券，每只债券有几十个风险因子。这就是一个高维空间。你怎么降维？怎么找主成分？怎么算协方差？全得靠线性代数。

2.2.1 向量与矩阵：组合的数学表达

把你的债券组合想象成一个向量。每只债券的权重就是向量的分量。收益率曲线上的关键期限点（1Y, 2Y, 5Y, 10Y）构成另一个向量。这两个向量怎么相互作用？通过矩阵乘法。

举个例子，计算组合的久期：

组合久期 = 权重向量^T * 各债券久期向量

就这么简单。但如果你要算组合的凸性，那就是一个矩阵运算了。

2.2.2 协方差矩阵：风险的联动

债券之间不是独立的。国债和信用债会联动，不同评级的信用债也会联动。协方差矩阵就是描述这种联动关系的工具。

我建议你记住这个公式：

组合方差 = w^T * Σ * w

其中w是权重向量，Σ是协方差矩阵。这个公式是马科维茨均值-方差模型的核心。我在做债券组合优化时，每次调整权重，都要重新算一遍这个值。算得多了，你会发现，协方差矩阵的稳定性是个大问题。历史数据算出来的协方差，未来可能完全变样。

2.2.3 特征分解与PCA

收益率曲线有多个期限点，但它们不是独立的。你会发现，1Y和2Y的变动高度相关，5Y和10Y也是。主成分分析（PCA）就是用来提取这些「共同因子」的。

我做过一个研究，用PCA分解中国国债收益率曲线。结果发现，第一个主成分（水平因子）解释了超过80%的方差，第二个主成分（斜率因子）解释了约12%。也就是说，你只需要两个因子，就能描述整条曲线的大部分变动。

2.3 时间序列分析入门：风险的脉搏

债券数据，本质上都是时间序列。收益率每天在变，利差每天在变，违约率每年更新。你怎么从这些历史数据里提取规律？怎么预测未来？这就是时间序列分析要解决的问题。

2.3.1 平稳性：一切分析的前提

平稳性，说白了就是数据的统计性质（均值、方差）不随时间变化。如果数据不平稳，你做的回归、预测全是假的。

我遇到过最典型的坑：直接用非平稳的利率序列做回归，结果R²高达0.9，但其实是伪回归。两个完全不相关的随机游走序列，也能跑出高R²。你想想看，这有多危险。

怎么检验平稳性？ADF检验是最常用的。原假设是「存在单位根」（即不平稳）。p值小于0.05，才能拒绝原假设，认为序列平稳。

# Python示例：ADF检验
from statsmodels.tsa.stattools import adfuller
import numpy as np

# 模拟一个随机游走（非平稳）
np.random.seed(42)
random_walk = np.cumsum(np.random.randn(1000))

# ADF检验
result = adfuller(random_walk)
print(f'ADF统计量: {result[0]:.4f}')
print(f'p值: {result[1]:.4f}')
# p值通常大于0.05，说明非平稳

# 一阶差分后
diff_series = np.diff(random_walk)
result_diff = adfuller(diff_series)
print(f'差分后p值: {result_diff[1]:.4f}')
# p值通常小于0.05，说明平稳

2.3.2 ARIMA模型：经典的时间序列工具

ARIMA模型，全称是自回归积分滑动平均模型。名字听着吓人，其实逻辑很简单：

• AR（自回归）：用过去的值预测现在的值。比如今天的利率跟昨天的利率有关。
• I（积分）：对非平稳序列做差分，让它变平稳。
• MA（滑动平均）：用过去的预测误差来修正现在的预测。

我在做国债收益率预测时，ARIMA(1,1,1)经常是起点。但说实话，ARIMA对线性关系捕捉得不错，遇到结构性突变（比如央行突然加息）就抓瞎了。所以它更适合做短期预测，比如未来1-5天的收益率变动。

2.3.3 GARCH模型：波动率的建模

债券市场有个特点：波动率会聚集。平静期波动小，动荡期波动大。GARCH模型就是用来捕捉这种「波动率聚集」效应的。

我记得2013年钱荒期间，银行间市场隔夜回购利率的波动率飙升了10倍以上。如果用恒定波动率的模型去算VaR，那简直是自杀。GARCH模型能动态调整波动率估计，在市场动荡时自动放大风险敞口。

一个简单的GARCH(1,1)模型：

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

其中σ²_t是当期方差，ε²_{t-1}是上一期的残差平方（代表新信息），σ²_{t-1}是上一期的方差（代表旧信息）。α+β越接近1，波动率的持续性越强。

2.3.4 协整：债券利差的秘密

协整这个概念，在债券配对交易里特别重要。两支信用债的利差，可能各自是非平稳的，但它们的线性组合却是平稳的。这说明它们之间存在长期均衡关系。

我曾在做信用债利差套利时，用协整检验筛选配对。找到协整关系的债券对，当利差偏离均值超过2个标准差时，做多被低估的、做空被高估的，等待均值回归。这个策略在2016-2017年效果不错，但2018年信用违约潮后就失效了——因为市场结构变了。

好了，这一章的内容就到这里。概率论、线性代数、时间序列，这三块是量化风控的三大支柱。你不需要成为数学家，但你需要理解它们的核心思想，知道什么时候该用什么工具。下一章，我们会把这些工具真正用到债券风控场景中——从VaR计算到压力测试，从信用评分到组合优化。到时候你会发现，今天打的基础，全都能派上用场。

---