进阶四景：高频、VaR、协整与状态空间

景一：高频数据与实现波动率（第 5 章）#

日内数据不是”更细的日线”，它带着微观结构噪声：买卖价跳动（成交在买一卖一之间来回弹，制造出虚假的负自相关）、非同步交易、离散报价。直接把日线方法搬到 tick 级会先测到噪声再测到信号——这与《打开量化投资的黑箱》交易成本模块互为注脚。

本章最有生命力的产出是实现波动率（realized volatility, RV）：用日内高频收益的平方和直接”测量”当日波动，把波动从潜变量变成可观测量。采样太密噪声占优、太疏丢信息，实务折中常取 5 分钟。第 3 版新增的 bi-power variation 进一步把 RV 拆成连续波动与跳跃两部分——“平稳的颠簸”与”突发的断崖”从此可以分开建模。对平台的启示：日频 GARCH 之外，波动率研究的下一站就是日内数据。

景二：极值理论与 VaR（第 7 章）#

VaR 回答”给定置信度下，未来一段时间最多亏多少”——注意它是分位数，不是最坏情形，95% VaR 之外的 5% 里藏着多深的亏损，VaR 本身只字不提。计算路线三条，按对尾部的诚实程度排序：

1. RiskMetrics：正态 + EWMA 波动——最简单，尾部最失真；
2. 计量路线：GARCH + t 残差算条件分位数——蔡瑞胸的主推，兼顾波动时变与厚尾；
3. 极值理论（EVT/POT）：放弃对整个分布建模，只对超过阈值的尾部拟合广义 Pareto 分布——用极端数据说极端事，置信度越高（99.9%）优势越大。

一句祛魅：正态 VaR 在 99% 置信度处的低估，正是第 2 页厚尾事实的账单。做压力测试时，用 EVT 的尾部估计对照参数 VaR，差额就是”正态税”。

景三：协整与配对交易（第 8 章）#

两个 I(1) 价格序列，若存在某个线性组合是平稳的 I(0)，则称协整——两只股票各自随机游走，价差却围绕均值回摆，像两条被绳子拴着的醉汉。误差修正模型（ECM）刻画”偏离如何被拉回”，第 3 版专门新增了配对交易一节把它落地：价差偏离超过阈值时做多便宜腿、做空贵的一腿，赌绳子还在。

三个实务警告：协整关系会断（基本面变了绳子就断，2014 年后大量美股配对失效）；协整检验（Engle–Granger、Johansen）在样本内找出的关系必须留样本外验证——否则就是《金融机器学习》批判的回测过拟合换了个马甲；A 股融券约束使纯配对难做，但同一直觉可用于指数与成分、AH 价差等场景。

景四：状态空间与卡尔曼滤波（第 11 章）#

状态空间模型的框架：真正关心的量（状态）不可观测，只能通过带噪声的观测间接看到；卡尔曼滤波在每个时点做贝叶斯更新——预测一步、拿新观测修正一步，权重由信噪比自动决定。金融里的经典用法都长这个样子：

• 时变 beta：把 CAPM 的 beta 当状态，让它随时间缓慢漂移，比滚动窗口回归优雅（无窗口长度这个拍脑袋参数）；
• 时变因子暴露 / 动态配对价差：配对交易的对冲比率用卡尔曼滤波在线更新，是景三的现代升级；
• GARCH、随机波动率、动态因子模型都能写成状态空间形式——它是统一框架，值得作为长期武器库收藏。

本页带走的三句话#

1. 实现波动率把波动从潜变量变成可观测量，但先付”微观结构噪声”的门票——采样频率是偏差与方差的交易；
2. VaR 是分位数不是底线，置信度越高越该用极值理论——用极端数据说极端事；
3. 协整 = 两个随机游走被绳子拴住，卡尔曼滤波 = 让参数随时间呼吸——统计套利的两块基石都在这本书里。