第 11 章风险管理与绩效评估

研究流程的最后一环是两个问题：这个组合明天最坏会亏多少，以及过去赚的钱从哪里来、靠不靠得住。本章用前面各册的 VaR、极值理论、希腊字母和绩效评估方法，搭起一套能每天运行的风控与评估流程。主要结论有五条。第一，在波动聚集的市场中，模型必须"有条件"：过滤历史模拟和条件 EVT 的突破率接近名义水平，而 500 天历史模拟和 EWMA-正态都会在危机中成串突破。第二，VaR 必须回测，ES 也能回测；突破次数、突破是否成簇、尾部损失的大小是三个不同的检验。第三，含期权的账户必须做完全重估的压力测试，delta 近似在大行情下会把亏损低估一半以上；反向压力测试能找到"最可能让你亏到底线"的情景。第四，回撤规则只有在策略收益有持续性（失效期会延续）时才改善风险调整收益，在 iid 世界里只是按比例降低收益。第五，归因要把收益拆成因子暴露和真正的 alpha，而 alpha 的置信区间往往宽得惊人；多期归因要用对数链接才能对上几何超额。大多数重大亏损事故不是模型精度不够，而是限额、流程和激励失效，所以事前风控（pre-trade check）和 kill switch 是代码，不是制度文件。

学习目标

实现历史模拟、EWMA-正态、GARCH-t、过滤历史模拟（FHS）和条件 EVT 五种 1 日 VaR/ES，并理解它们在危机中的差别。
用 Kupiec、Christoffersen、巴塞尔交通灯和 Acerbi–Szekely $Z_2$ 回测 VaR 与 ES。
对含期权的账户做完全重估、delta 和 delta-gamma-vega 三种压力测试，做反向压力测试和相关性压力。
用模拟理解最大回撤的基准分布，比较波动率目标、回撤线性降仓和止损冷却规则。
做收益型因子归因、Brinson–Fachler 归因和 Carino 多期链接，并把实盘收益与同期回测对照。
写一个事前风控引擎：单笔、价格带、持仓、敞口、频率、重复订单与日内亏损熔断。

读前导读

这一章在解决什么问题。 这是全书离你日常工作最近的一章。它回答两个问题：明天最坏会亏多少（风险管理），过去赚的钱从哪里来、靠不靠得住（绩效评估）。各节可以直接对应到你熟悉的部门和工作：

11.2–11.3 节的 VaR、ES 及其回测，就是银行风控部门市场风险组每天出的报告，也是巴塞尔资本计量（FRTB 用 97.5% ES）和交通灯规则的出处。CFA 里你学过 VaR 的三种算法（参数法、历史模拟、蒙特卡洛），本章往前多走一步：波动是时变的，所以要用"条件"模型；模型要回测，否则无从知道它准不准。
11.4 节压力测试对应风控部门的情景分析与监管压力测试，以及风险委员会讨论"最坏情形"的材料。其中的 delta、gamma 近似和你熟悉的"久期 + 凸性"估算债券价格变动是同一套数学。
11.5 节回撤控制对应投资政策书（IPS）中的风险预算和止损条款，也是 FOF 或资金方给量化管理人设"清盘线、预警线"时要先想清楚的问题。
11.6 节绩效评估对应 CFA 三级的业绩评估、业绩归因与 GIPS：收益型归因是基于收益的风格分析，Brinson 是基于持仓的归因，Carino 链接解决的是 GIPS 报告里多期几何收益与各期归因"对不上"的问题。
11.7 节风控体系对应内部控制与运营风险：前中后台分离就是 CPA 审计里的"不相容职务分离"，事前风控引擎相当于把内控制度写成每笔交易都要过的程序。

讲解框会重点解释每段代码在做什么、为什么这样设计，因为本章的代码本身就是一个可以每天运行的风控流程的雏形。

需要先想起来的数学。

分位数与 $\inf$。 $\inf A$（下确界）可以先理解为"集合 $A$ 的最小值"；严格说是"不超过 $A$ 中所有元素的最大的数"，用它是为了在分布有跳跃时定义也成立。VaR 的定义就是"使损失不超过 $\ell$ 的概率至少为 $p$ 的最小 $\ell$"，即损失分布的 $p$ 分位数。见第 00 册第 01 章函数极限与连续。
条件期望与 $\mathcal F_{t-1}$。 $\mathcal F_{t-1}$ 读作"截至 $t-1$ 日收盘的全部信息"，$E[\cdot\mid\mathcal F_{t-1}]$ 就是"站在昨天收盘时看的期望"。条件 VaR 随每天的新信息更新，无条件 VaR 不更新。见第 00 册第 07 章概率中的分析工具。
泰勒展开。 $f(x+\Delta x)\approx f(x)+f'(x)\Delta x+\tfrac12f''(x)\Delta x^2$。债券的"久期 + 凸性"、期权的"delta + gamma"都是它的特例。大行情下高阶项不可忽略，近似就会失效。见第 00 册第 02 章导数与泰勒展开。
矩阵求逆、二次型与拉格朗日乘子。 $x^\top\Sigma^{-1}x$ 是"马氏距离的平方"，一个标量：把各因子变动按波动和相关性标准化后的总长度。反向压力测试是"在亏损约束下最小化它"，用拉格朗日乘子求解。见第 00 册第 06 章线性代数速成和第 05 章多元微积分与优化。
对数与几何链接。 $\ln(1+R)$ 把乘法变加法：多期累计收益 $\prod(1+R_t)-1$ 取对数后变成各期对数收益之和。Carino 链接利用的正是这一点。例：两个月各 +10%，算术相加 20%，几何累计 21%。见第 00 册第 04 章级数与收敛。

怎么读这一章。 核心必读是 11.2.1（五种方法的区别）、11.3（回测的三种失效方式）、11.4 的三点观察和 11.6。11.2.2 的代码较长，第一次读可以只看注释和输出表格，抓住"HS 在错误的时间高、EWMA-正态尾部太薄"两个结论。11.5 的结论一句话就够：回撤规则只在收益有持续性时才有用。11.7 偏制度，CPA 背景读起来会很快，重点看事前风控代码的检查顺序。建议顺序：11.1 → 11.2.1 → 11.3.1 → 11.4 → 11.6 → 11.5 → 11.7，最后回头读各段代码。

11.1 问题与动机

风险管理在量化流程中有三个层次。第一层是度量：VaR、ES、因子暴露、希腊字母、压力情景，回答"可能亏多少"。第二层是控制：限额、仓位规则、对冲和熔断，回答"亏到一定程度怎么办"。第三层是评估：绩效统计、归因和事后复盘，回答"赚的钱是不是我们以为的那种钱"。

前面各册提供了度量所需的全部理论：VaR 与 ES 的定义、历史模拟与模型构建法见第 08 册第 22 章；RiskMetrics、ARMA-GARCH 与分位数估计以及 VaR 回测见第 06 册第 07a 章；极值理论与 POT 见第 06 册第 07b 章；波动率与相关估计见第 08 册第 23 章、第 06 册第 10 章；希腊字母见第 08 册第 19a、19b 章。绩效评估的统计困难见第 07 册第 22a、22b 章，回测指标与 Deflated Sharpe 见本册第 06 章。本章不重复这些推导，而是关注怎样把它们组装成每天运行、能被检验、出错时能及时发现的系统。

本章的合成数据包括：带危机段的 GJR-GARCH 厚尾组合收益；一个股票因子组合加卖出看跌的期权账户；iid 与两状态马尔可夫两种策略收益；带因子暴露的月度收益与行业组合；以及一个交易日内的订单流。与真实数据的主要差别在每节末尾说明。

11.2 VaR 与 ES：五种方法

11.2.1 方法回顾

记 $L_t=-r_t$ 为 $t$ 日损失，$\mathcal F_{t-1}$ 为前一日收盘的信息。置信水平 $p$ 的 1 日 VaR 和 ES 为

\text{VaR}_p=\inf\{\ell:\ P(L_t\le\ell\mid\mathcal F_{t-1})\ge p\},\qquad \text{ES}_p=E[L_t\mid L_t\ge\text{VaR}_p,\mathcal F_{t-1}].

巴塞尔的市场风险新框架（FRTB）用 97.5% 的 ES 替代 99% 的 VaR 作为资本计量标准，两者在正态分布下数值接近，但 ES 对尾部形状敏感，并且满足次可加性（第 08 册第 22 章 22.1 节）。

白话解释：用一个小例子读这两个式子。假设站在昨天收盘时看，今天的损失有 100 种等可能的情形，从小到大排好。$\text{VaR}_{99\%}$ 是"至少 99 种情形的损失都不超过它"的最小值，也就是第 99 小的那个损失；$\text{ES}_{99\%}$ 是"损失达到或超过 VaR 的那些情形"的平均。若最差的两个损失是 3% 和 5%，则 VaR 是 3%，ES 是 $(3\%+5\%)/2=4\%$。VaR 只告诉你"门槛在哪里"，不管门后有多深；ES 告诉你"过了门槛平均亏多少"。两个式子里都有 $\mid\mathcal F_{t-1}$，它是本章一切"条件模型"的出发点：分布要用昨天收盘时已知的信息（尤其是当前波动水平）来刻画，而不是用一个固定的长期分布。次可加性指 $\text{ES}(A+B)\le\text{ES}(A)+\text{ES}(B)$，即合并两个组合的风险不会超过分别计算之和，符合"分散化不增加风险"的直觉；VaR 在某些分布下会违反这一点。

五种方法的区别在于对"条件分布"做了多少假设：

历史模拟（HS）：直接用过去 $W$ 天损失的经验分位。不假设分布，但也不区分平静期和危机期，波动上升后要很久才反映到 VaR 中。
EWMA-正态（RiskMetrics）：$\sigma_t^2=\lambda\sigma_{t-1}^2+(1-\lambda)r_{t-1}^2$，$\lambda=0.94$，VaR $=z_p\sigma_t$。对波动变化反应快，但正态尾部太薄（第 06 册第 07a 章 7.2 节）。
GARCH-t：GJR-GARCH(1,1) 加标准化 t 新息，参数用极大似然估计。条件分布全部参数化。
过滤历史模拟（FHS）：先用 GARCH 得到 $\sigma_t$ 和标准化残差 $\hat z_t=(r_t-\hat\mu)/\hat\sigma_t$，再用 $\hat z$ 的经验分位乘以当天的 $\sigma_t$。波动用模型，形状用数据。
条件 EVT（McNeil–Frey 2000）：同样先过滤，再对标准化损失的上尾用 POT 拟合广义帕累托分布（第 06 册第 07b 章式 7.37、7.38）： $\text{VaR}_q=u+\frac{\beta}{\xi}\Big[\Big(\frac{n}{N_u}(1-q)\Big)^{-\xi}-1\Big],\qquad \text{ES}_q=\frac{\text{VaR}_q}{1-\xi}+\frac{\beta-\xi u}{1-\xi}.$ 对极端分位数，它比经验分位更稳定，因为经验分位在 99.9% 这样的水平只靠几个点决定。

推导拆解：EVT 的 VaR 公式怎么来的。POT 的结论是：损失超过一个较高阈值 $u$ 之后，超出量 $y=L-u$ 近似服从广义帕累托分布，尾部概率 $P(Y>y)=(1+\xi y/\beta)^{-1/\xi}$（$\xi$ 是尾指数，越大尾越厚；$\beta$ 是尺度）。第一步，把超阈值概率拆成两段相乘：$P(L>u+y)=P(L>u)\cdot P(Y>y)$，其中 $P(L>u)$ 用样本频率 $N_u/n$ 估计（$N_u$ 是超过阈值的点数，$n$ 是样本数）。第二步，令 $P(L>\text{VaR}_q)=1-q$，即 $\frac{N_u}{n}(1+\xi y/\beta)^{-1/\xi}=1-q$。第三步，两边乘 $n/N_u$ 再取 $-\xi$ 次方：$1+\xi y/\beta=\big(\frac{n}{N_u}(1-q)\big)^{-\xi}$，解出 $y$ 再加上 $u$，就是文中的 $\text{VaR}_q$。这个公式的好处是把"只有几个点的极端尾部"外推交给了一个由几百个超阈值点估出的分布形状，相当于用整个尾部的信息估计 99.9% 分位，而不是只看最差的三四天。

工程上有两个要点。第一，参数估计和滤波要分开：每隔一段时间（本例 250 天）用截至当时的数据重估参数，其余日期固定参数只做滤波。$\sigma_t$ 只依赖 $t-1$ 及以前的收益，所以用固定参数在更长样本上滤波不会引入前视。第二，每种方法同时输出 99% VaR、97.5% ES 和 97.5% VaR，后者是 ES 回测需要的。

11.2.2 代码：五种方法的滚动预测

模拟 14 年组合日收益（%）：GJR-GARCH(1,1)，新息为 t4 与 1% 概率的 −3 倍冲击的混合；第 9 年初嵌入 40 天的"危机"，期间常数项放大 2.5 倍。

# 代码 11.1  五种 1 日 VaR/ES 的滚动预测（代码 11.2 接在本段之后运行）
import numpy as np
import pandas as pd
from scipy import stats
from arch import arch_model

# ---------- 合成组合日收益（%）：GJR-GARCH(1,1) + 厚尾新息，中间嵌入一段"危机" ----------
rng = np.random.default_rng(42)
n = 252 * 14
omega, a, g, b = 0.02, 0.03, 0.10, 0.90
def skew_t(size):                    # 厚尾新息：t4 与"偶发负冲击"的混合，近似标准化到单位方差
    x = rng.standard_t(4, size) / np.sqrt(2) + np.where(rng.random(size) < 0.01, -3.0, 0.0)
    return (x + 0.03) / np.sqrt(1 + 0.09 * 0.99)
z = skew_t(n); h = np.empty(n); r = np.empty(n); h[0] = omega / (1 - a - g / 2 - b)
for t in range(n):
    if t:
        shock = 2.5 if 252 * 9 <= t < 252 * 9 + 40 else 1.0       # 第 9 年初：40 天的危机
        h[t] = shock * omega + (a + g * (r[t-1] < 0)) * r[t-1]**2 + b * h[t-1]
    r[t] = 0.04 + np.sqrt(h[t]) * z[t]
L = -r                                                             # 损失 = 负收益
print(f"日收益：均值 {r.mean():.3f}%  波动 {r.std():.2f}%  偏度 {stats.skew(r):.2f}  超额峰度 {stats.kurtosis(r):.1f}")

# ---------- 五种 1 日 VaR(99%) 与 ES(97.5%) 的滚动预测 ----------
p_var, p_es = 0.99, 0.975
start, win = 1000, 500
idx = np.arange(start, n)
out = {k: np.full((n, 3), np.nan) for k in ["HS", "EWMA-正态", "GARCH-t", "FHS", "GARCH-EVT"]}
# 每种方法输出三列：VaR(99%)、ES(97.5%)、VaR(97.5%)（后者供 ES 回测使用）

# (1) 历史模拟：过去 500 天
for t in idx:
    w = L[t-win:t]
    v, v2 = np.quantile(w, p_var), np.quantile(w, p_es); e = w[w >= v2].mean()
    out["HS"][t] = v, e, v2
# (2) RiskMetrics：EWMA λ=0.94，零均值正态
s2 = pd.Series(r**2).ewm(alpha=0.06, adjust=False).mean().shift(1).values
zq, ze = stats.norm.ppf(p_var), stats.norm.pdf(stats.norm.ppf(p_es)) / (1 - p_es)
out["EWMA-正态"][idx] = np.c_[zq, ze, stats.norm.ppf(p_es)] * np.sqrt(s2[idx])[:, None]
# (3)(4)(5) GJR-GARCH(1,1)-t：每 250 天用过去全部数据重估一次参数，其余日期只做滤波
def gpd_var_es(x, u_q=0.90):
    """对标准化损失 x 的上尾做 POT：阈值取 90% 分位，GPD 拟合超出量，返回 (VaR, ES) 分位"""
    u = np.quantile(x, u_q); exc = x[x > u] - u
    xi, _, beta = stats.genpareto.fit(exc, floc=0)
    tail = lambda p: u + beta / xi * ((len(x) / len(exc) * (1 - p))**(-xi) - 1)
    q_es = tail(p_es)
    return tail(p_var), q_es / (1 - xi) + (beta - xi * u) / (1 - xi), q_es, xi
xi_path = []
for s in range(start, n, 250):
    am = arch_model(r[:s], mean="Constant", vol="GARCH", p=1, o=1, q=1, dist="t")
    res = am.fit(disp="off")
    seg = np.arange(s, min(s + 250, n))
    # 用固定参数对 [0, seg 末] 滤波：sigma_t 只依赖 t-1 及以前的收益，所以没有前视
    full = arch_model(r[:seg[-1]+1], mean="Constant", vol="GARCH", p=1, o=1, q=1, dist="t")
    fr = full.fix(res.params)
    sig = fr.conditional_volatility                                 # sigma_t（基于 t-1 的信息）
    mu, nu = res.params["mu"], res.params["nu"]
    std_resid_hist = ((r[:s] - mu) / sig[:s])                       # 估计样本的标准化残差
    # (3) 参数化 t
    tq = stats.t.ppf(p_var, nu) * np.sqrt((nu - 2) / nu)
    te_ = stats.t.ppf(p_es, nu)
    tes = stats.t.pdf(te_, nu) / (1 - p_es) * (nu + te_**2) / (nu - 1) * np.sqrt((nu - 2) / nu)
    out["GARCH-t"][seg] = -mu + sig[seg][:, None] * np.array([tq, tes, te_ * np.sqrt((nu - 2) / nu)])
    # (4) 过滤历史模拟：标准化损失的经验分位 × 当日 sigma
    zl = -std_resid_hist
    qv, qv2 = np.quantile(zl, p_var), np.quantile(zl, p_es); qe = zl[zl >= qv2].mean()
    out["FHS"][seg] = -mu + sig[seg][:, None] * np.array([qv, qe, qv2])
    # (5) 条件 EVT（McNeil–Frey 2000）：对标准化损失上尾拟合 GPD
    gv, ge, gv2, xi = gpd_var_es(zl); xi_path.append(xi)
    out["GARCH-EVT"][seg] = -mu + sig[seg][:, None] * np.array([gv, ge, gv2])
print("GPD 尾指数 ξ 的估计（各次重估）:", np.round(xi_path, 2))
for k, v in out.items():
    hit = L[idx] > v[idx, 0]
    print(f"{k:10s} 平均 VaR {v[idx,0].mean():.2f}%  平均 ES {v[idx,1].mean():.2f}%  "
          f"突破率 {100*hit.mean():.2f}%（应为 1%）  危机 60 天内突破 {hit[252*9-start:252*9-start+60].sum()} 次")

输出：

日收益：均值 0.046%  波动 0.88%  偏度 0.25  超额峰度 9.9
GPD 尾指数 ξ 的估计（各次重估）: [0.18 0.19 0.15 0.09 0.12 0.09 0.06 0.08 0.11 0.08 0.05]
HS         平均 VaR 2.27%  平均 ES 2.32%  突破率 1.38%（应为 1%）  危机 60 天内突破 3 次
EWMA-正态    平均 VaR 1.81%  平均 ES 1.82%  突破率 2.29%（应为 1%）  危机 60 天内突破 3 次
GARCH-t    平均 VaR 2.19%  平均 ES 2.38%  突破率 1.11%（应为 1%）  危机 60 天内突破 1 次
FHS        平均 VaR 2.39%  平均 ES 2.41%  突破率 0.91%（应为 1%）  危机 60 天内突破 1 次
GARCH-EVT  平均 VaR 2.27%  平均 ES 2.38%  突破率 1.03%（应为 1%）  危机 60 天内突破 1 次

各方法的平均 VaR 相差不大，差别在于"什么时候高、什么时候低"。EWMA-正态平均 VaR 最低，突破率 2.3%，是名义水平的两倍多，原因是正态尾部太薄。HS 的平均 VaR 不低，突破率却也偏高（1.38%），原因是它在错误的时间高：危机开始时 500 天窗口里几乎全是平静期，VaR 偏低，于是在危机前 60 天内突破 3 次；危机过后它又在很长时间里保持偏高，浪费资本。三种基于 GARCH 的方法在危机中只突破 1 次，突破率都接近 1%。

白话解释：代码 11.1 的结构值得看懂，它就是风控系统每天跑的那个批处理的缩影。外层循环每 250 天做一次"重估"：arch_model(r[:s]).fit() 只用截至第 $s$ 天的数据估参数，相当于每年年初做一次模型校准。之后用 full.fix(res.params) 把这组参数固定下来，在更长的数据上只做滤波，算出这一年每天的 $\sigma_t$。之所以可以这样做而不偷看未来，是因为 GARCH 的 $\sigma_t$ 由 $t-1$ 及以前的收益递推得到，参数固定后，第 $t$ 天的 $\sigma_t$ 不会因为数据延长而改变。三种 GARCH 类方法共用同一个 $\sigma_t$，只在"标准化损失的分位从哪里来"上不同：GARCH-t 用 t 分布的理论分位；FHS 用历史标准化残差的经验分位；EVT 用 GPD 拟合尾部。这就是 11.2.1 说的"波动用模型，形状用数据"。代码里反复出现的 $\sqrt{(\nu-2)/\nu}$：自由度 $\nu$ 的 t 分布方差是 $\nu/(\nu-2)$，乘以这个因子把它缩到单位方差，才能和 $\sigma_t$ 相乘。例如 $\nu=4$ 时方差为 2，因子为 $1/\sqrt2$。 HS 的问题可以这样记：它是一个 500 天的"平均"，就像用过去两年平均坏账率给今天的贷款拨备，经济刚转坏时拨备不足，经济恢复后又长期拨备过度。

GPD 尾指数 $\xi$ 在 0.05 到 0.19 之间，随样本增长而下降并趋于稳定。早期估计偏高是因为样本少、只有约 100 个超阈值点。实务中 $\xi$ 的估计误差很大，常对阈值做敏感性分析（第 06 册第 07b 章 7.8.3 节的平均超出图），并对 $\xi$ 设合理上下限。

与真实数据的差别：真实组合的风险来自成百上千个头寸，要先把头寸映射到风险因子（第 08 册第 22 章 22.4 节），再对因子收益建模；单变量 GARCH 只适用于"组合收益序列"这一层次的风险汇总，无法回答"风险来自哪里"。真实数据还有节假日、停牌、价格陈旧导致的低估波动等问题。

11.3 回测 VaR 与 ES

11.3.1 四个检验

定义突破 $I_t=\mathbb 1(L_t>\text{VaR}_t)$。

Kupiec 无条件覆盖：突破比例是否等于 $1-p$。似然比 $LR_{uc}\sim\chi^2_1$（第 06 册第 07a 章 7.5 节）。
Christoffersen 独立性：今天突破是否让明天更容易突破。突破成簇说明模型对波动变化反应太慢。
巴塞尔交通灯：最近 250 天 99% VaR 的突破次数，0–4 次为绿灯，5–9 次为黄灯，10 次及以上为红灯。黄灯和红灯会提高资本乘数。它不是严格的统计检验，但它是监管实际使用的规则，在代码里应当逐日计算。
ES 回测：ES 是尾部均值，不能像 VaR 那样数突破次数。Acerbi 与 Szekely（2014）提出的 $Z_2$ 统计量 $Z_2=1-\frac{1}{T\alpha}\sum_{t=1}^{T}\frac{L_tI_t}{\text{ES}_t},\qquad \alpha=1-p,$ 其中 $I_t$ 是突破 $\text{VaR}_{97.5\%}$ 的指示。模型正确时 $E[Z_2]=0$；突破太多或者突破时亏得比 ES 预测的多，$Z_2$ 都会变成负数。临界值依赖样本长度和分布，这里用模拟得到。

推导拆解：Kupiec 检验是你在 CFA 里见过的似然比检验的直接应用。突破是一串 0/1，在"突破率等于 $1-p$"的原假设下，$n$ 天里出现 $x$ 次突破的对数似然是 $\ell_0=(n-x)\ln p+x\ln(1-p)$；不加限制时突破率的最优估计是样本频率 $\hat\pi=x/n$，对数似然为 $\ell_1=(n-x)\ln(1-\hat\pi)+x\ln\hat\pi$。$LR=-2(\ell_0-\ell_1)$ 越大，说明原假设越不像真的；它近似服从自由度 1 的卡方分布（只约束了一个参数）。代码 11.2 的 kupiec 函数里，参数 p 传入的是突破率 $1-p_{\text{var}}=0.01$，所以写法和这里的符号相反，但内容一样。例：1000 天、期望 10 次，实际 20 次，$LR\approx7.8$，p 值约 0.005，拒绝。 Christoffersen 独立性检验把突破序列看成两状态的转移：$p_{01}$ 是"昨天没突破、今天突破"的概率，$p_{11}$ 是"昨天突破、今天又突破"的概率。模型正确时两者应相等；$p_{11}$ 明显更大，就说明突破成簇，模型对波动上升反应太慢。 $Z_2$ 的直觉：如果 ES 准确，每次突破的损失除以当天 ES，平均约为 1，而突破次数的期望是 $T\alpha$，所以 $\sum L_tI_t/\text{ES}_t$ 的期望约为 $T\alpha$，$Z_2$ 期望为 0。突破次数偏多或突破时亏得偏狠，都会让这个和变大、$Z_2$ 变负。

11.3.2 代码

# 代码 11.2  VaR 与 ES 回测：Kupiec、Christoffersen、交通灯与 Acerbi–Szekely Z2
# —— 接上段（同一会话）：使用 L, out, idx, p_var, p_es ——
def kupiec(hit, p):
    n, x = len(hit), hit.sum(); pi = x / n
    ll0 = (n - x) * np.log(1 - p) + x * np.log(p)
    ll1 = (n - x) * np.log(1 - pi) + x * np.log(pi) if 0 < x < n else 0.0
    lr = -2 * (ll0 - ll1); return lr, 1 - stats.chi2.cdf(lr, 1)

def christoffersen(hit):
    h0, h1 = hit[:-1], hit[1:]
    n00, n01 = np.sum(~h0 & ~h1), np.sum(~h0 & h1); n10, n11 = np.sum(h0 & ~h1), np.sum(h0 & h1)
    p01, p11 = n01 / (n00 + n01), n11 / max(n10 + n11, 1); p = (n01 + n11) / len(h1)
    ll = lambda a, b, q: a * np.log(1 - q) + b * np.log(q) if 0 < q < 1 else 0.0
    lr = -2 * (ll(n00 + n10, n01 + n11, p) - ll(n00, n01, p01) - ll(n10, n11, p11))
    return lr, 1 - stats.chi2.cdf(lr, 1)

def traffic_light(hit, window=250):
    """巴塞尔交通灯：最近 250 天 99% VaR 突破次数 ≤4 绿，5–9 黄，≥10 红"""
    cnt = np.array([hit[i-window:i].sum() for i in range(window, len(hit) + 1)])
    return (cnt <= 4).mean(), ((cnt >= 5) & (cnt <= 9)).mean(), (cnt >= 10).mean()

def acerbi_z2(Ls, var_es, alpha):
    """Acerbi–Szekely (2014) Z2：Z2 = 1 - sum(L_t·I_t / ES_t) / (T·alpha)，I_t 为突破 VaR_alpha 的指示。
    ES 估计正确时 E[Z2]=0；Z2 显著为负说明 ES 低估了尾部损失。"""
    v, e = var_es[:, 0], var_es[:, 1]
    I = Ls > v
    return 1 - np.sum(Ls * I / e) / (len(Ls) * alpha)

# Z2 的临界值：在"模型完全正确"的原假设下模拟（t4 分布、T=250），取 5% 分位
sim = []
nu0 = 4; sc = np.sqrt((nu0 - 2) / nu0)
q975 = stats.t.ppf(p_es, nu0)
es0 = stats.t.pdf(q975, nu0) / (1 - p_es) * (nu0 + q975**2) / (nu0 - 1)
for _ in range(5000):
    x = rng.standard_t(nu0, 250)
    sim.append(1 - np.sum(x * (x > q975) / es0) / (250 * (1 - p_es)))
z2_crit = np.quantile(sim, 0.05)
print(f"Z2 原假设下 5% 临界值（模拟）{z2_crit:.2f}")

print("方法        Kupiec p   独立性 p   绿/黄/红灯占比          Z2(全样本)  Z2<临界的年份")
for k, v in out.items():
    hit = L[idx] > v[idx, 0]
    _, pk = kupiec(hit, 1 - p_var); _, pc = christoffersen(hit)
    g_, y_, r_ = traffic_light(hit)
    z2_all = acerbi_z2(L[idx], v[idx][:, [2, 1]], 1 - p_es)
    yearly = [acerbi_z2(L[idx][i:i+250], v[idx][i:i+250][:, [2, 1]], 1 - p_es)
              for i in range(0, len(idx) - 249, 250)]
    print(f"{k:10s}  {pk:8.3f}   {pc:8.3f}   {g_:.2f}/{y_:.2f}/{r_:.2f}        {z2_all:+.2f}      "
          f"{sum(z < z2_crit for z in yearly)}/{len(yearly)}")

输出：

Z2 原假设下 5% 临界值（模拟）-0.75
方法        Kupiec p   独立性 p   绿/黄/红灯占比          Z2(全样本)  Z2<临界的年份
HS             0.066      0.096   0.73/0.17/0.09        -0.18      2/10
EWMA-正态        0.000      0.580   0.19/0.80/0.00        -0.59      4/10
GARCH-t        0.593      0.428   0.86/0.14/0.00        -0.00      0/10
FHS            0.644      0.516   0.86/0.14/0.00        +0.14      0/10
GARCH-EVT      0.886      0.462   0.86/0.14/0.00        +0.12      0/10

模拟得到的 $Z_2$ 在 250 天样本下的 5% 临界值约为 −0.75，与 Acerbi–Szekely 报告的约 −0.7 接近。

EWMA-正态被所有检验拒绝：Kupiec p 值为 0，80% 的时间处于黄灯，$Z_2$ 在 10 年中有 4 年低于临界值。它的独立性检验却通过了，说明它对波动变化反应及时，问题只在尾部形状。HS 的情况相反：Kupiec 勉强通过（p=0.066），独立性检验接近拒绝（p=0.096），9% 的时间亮红灯，问题出在反应速度。三种 GARCH 类方法全部通过，绿灯占 86%。

这说明三种检验看的是不同的失效方式，必须一起用。另外要注意检验功效：10 年 99% VaR 只有约 25 次期望突破，一个突破率真实为 1.5% 的模型也很可能通过 Kupiec 检验。这就是监管同时使用交通灯和资本乘数，而不是单纯依赖 p 值的原因。

11.4 压力测试与情景分析

11.4.1 为什么 VaR 不够

VaR 和 ES 基于近期分布估计，回答的是"正常的坏日子"。压力测试回答的是"假如发生了某件事"，它不需要概率，但需要情景。实务中有三类：

历史情景：重放 1987 年 10 月、2008 年秋、2020 年 3 月等时期的因子变动。优点是可信，缺点是历史不会简单重复，并且新产品没有历史。
假设情景：由风险委员会设定，例如"指数下跌 20%、隐含波动上升 30 个点、价值因子下跌 4%"。可以针对当前组合的薄弱环节设计。
反向压力测试：先设定不可接受的损失，再找最可能导致它的情景。设风险因子变动为 $x$，协方差为 $\Sigma$，求 $\min_x\ x^\top\Sigma^{-1}x\quad\text{s.t.}\quad \text{P\&L}(x)\le -L^*.$ 目标函数是马氏距离的平方，代表情景的"不可能程度"。对线性账户，解析解沿着 $\Sigma g$ 的方向（$g$ 为敞口向量）；含期权时需要数值优化，并且必须用完全重估的 P&L。

推导拆解：线性账户的解析解。线性账户的盈亏是 $g^\top x$，问题变成 $\min_x x^\top\Sigma^{-1}x$，约束 $g^\top x=-L^*$（最可能的情景恰好落在约束边界上）。第一步，写拉格朗日函数 $\mathcal L=x^\top\Sigma^{-1}x+\lambda(g^\top x+L^*)$，对 $x$ 求梯度并令其为零：$2\Sigma^{-1}x+\lambda g=0$，所以 $x=-\tfrac{\lambda}{2}\Sigma g$。最优情景与 $\Sigma g$ 同方向，这就是文中说的"沿着 $\Sigma g$"。第二步，代回约束定出 $\lambda$：$x^*=-\frac{L^*}{g^\top\Sigma g}\Sigma g$。第三步，算出它的马氏距离：$d=\sqrt{x^{*\top}\Sigma^{-1}x^*}=L^*/\sqrt{g^\top\Sigma g}$。反过来，给定距离 $d$，线性账户的最大亏损是 $d\sqrt{g^\top\Sigma g}$，代码 11.3 的"对照"一行就是用这个式子算的。金融上 $\sqrt{g^\top\Sigma g}$ 就是组合的波动（CFA 的组合方差公式写成矩阵形式），所以对线性账户，反向压力测试只是"组合波动乘以 $d$ 倍"；$d=2.33$ 时正好是正态假设下的 99% VaR。期权账户的 P&L 不是线性的，才需要数值优化。

对含期权的账户，第 08 册第 22 章 22.5 节给出了 delta-gamma 近似：$\Delta P\approx\delta\Delta S+\tfrac12\gamma\Delta S^2+\nu\Delta\sigma$。小行情下它很准，大行情下误差很大，因为卖出虚值看跌的 gamma 会随下跌急剧变化，而且下跌时偏斜变陡，虚值看跌的隐含波动率上升得比平值更多。压力测试的价值恰恰在大行情，所以应当用完全重估。

金融直觉：delta-gamma 近似和债券的"修正久期 + 凸性"是同一个二阶泰勒展开：$\Delta P/P\approx-D\,\Delta y+\tfrac12C\,\Delta y^2$。你知道收益率变动 300bp 时久期凸性估算会明显偏离实际价格，原因是三阶及更高阶项被截掉了。卖出虚值看跌的情况更糟：下跌过程中期权从虚值走向平值，gamma 本身急剧变大（三阶导数很大），二阶近似必然低估；再叠加偏斜变陡带来的 vega 损失，误差就会翻倍。

白话解释：代码 11.3 的几个设计。book_value 是"完全重估"：给定新的指数点位和波动变化，逐个期权用 Black–Scholes 重新定价再求和，下跌时对执行价低于现价的看跌期权额外加 50% 的波动冲击，模拟偏斜变陡。delta、gamma、vega 用有限差分算：把指数上下各挪万分之一，$(V_+-V_-)/2h$ 是一阶导数，$(V_+-2V_0+V_-)/h^2$ 是二阶导数。这样算出的希腊字母和定价函数完全一致，不需要另写解析公式，是风险系统里的常见做法。反向压力测试用 scipy 的 SLSQP 求解带约束的最小化，约束 target - pnl_full(x) >= 0 即"完全重估亏损至少 1500 万"，并给每个因子设了合理的取值范围，防止优化器跑到不现实的角落。协方差乘 10 是把日度协方差按平方根法则放大到 10 天（方差按时间线性增长）。

11.4.2 代码：一个股票加期权的账户

账户由两部分组成：1 亿元资本的股票多空组合，对市场、价值、动量三个因子的元暴露分别为 0.15、0.4、0.6 亿；以及一个指数期权账户，卖出两档虚值看跌、买入少量虚值看涨。风险因子是指数收益、价值因子收益、动量因子收益和平值隐含波动的变化，下跌时虚值看跌的隐含波动额外上升 50%。

# 代码 11.3  股票加期权账户的压力测试、反向压力测试与相关性压力
import numpy as np
from scipy.stats import norm
from scipy.optimize import minimize

def bs(S, K, T, r, sig, cp):
    s = sig * np.sqrt(T); d1 = (np.log(S / K) + (r + 0.5 * sig**2) * T) / s
    return cp * (S * norm.cdf(cp * d1) - K * np.exp(-r * T) * norm.cdf(cp * (d1 - s)))

# ---------- 账户：股票多空组合（因子暴露）+ 指数期权账户 ----------
# 风险因子：x = [指数收益, 价值因子收益, 动量因子收益, 平值隐含波动率变化(绝对值)]
S0, r = 4000.0, 0.03
equity_expo = np.array([0.15, 0.40, 0.60]) * 1e8      # 1 亿资本的股票账户：市场 0.15、价值 0.4、动量 0.6 的元暴露
options = [  # (数量, 执行价, 期限, 类型, 当前 IV) —— 卖出虚值看跌、买入少量虚值看涨
    (-600, 3600, 0.25, -1, 0.24), (-400, 3400, 0.25, -1, 0.28), (300, 4400, 0.25, 1, 0.17)]
mult = 50                                              # 每点 50 元
def book_value(spot, dvol, dt=0.0):
    v = 0.0
    for q, K, T, cp, iv in options:
        skew_bump = dvol * (1.0 + (K < S0) * 0.5)      # 下跌时虚值看跌的 IV 涨得更多（偏斜变陡）
        v += q * mult * bs(spot, K, T - dt, r, max(iv + skew_bump, 0.01), cp)
    return v
V0 = book_value(S0, 0.0)
def pnl_full(x):
    eq = equity_expo @ x[:3]
    return eq + book_value(S0 * (1 + x[0]), x[3]) - V0
# Delta / Gamma / Vega（有限差分），用于近似
h = 1e-4
delta = (book_value(S0 * (1 + h), 0) - book_value(S0 * (1 - h), 0)) / (2 * h)            # 每单位指数收益
gamma = (book_value(S0 * (1 + h), 0) - 2 * V0 + book_value(S0 * (1 - h), 0)) / h**2
vega = (book_value(S0, 1e-4) - book_value(S0, -1e-4)) / 2e-4
def pnl_delta(x):  return equity_expo @ x[:3] + delta * x[0]
def pnl_dg(x):     return pnl_delta(x) + 0.5 * gamma * x[0]**2 + vega * x[3]
print(f"期权账户：现值 {V0/1e6:.2f} 百万；delta {delta/1e6:.1f} 百万/100%；"
      f"gamma {gamma/1e6:.0f} 百万/(100%)²；vega {vega/1e6:.2f} 百万/100 波动率点")

# ---------- 情景：历史型与假设型 ----------
scen = {
    "温和回调 -5%，IV +5点":            [-0.05, 0.00, 0.00, 0.05],
    "1987 型单日 -20%，IV +30点":       [-0.20, 0.00, 0.00, 0.30],
    "2008 型 -12%，价值 -4% 动量 +3%":   [-0.12, -0.04, 0.03, 0.15],
    "动量崩溃：指数 +8%，动量 -12%":    [0.08, 0.02, -0.12, -0.04],
    "2007 年 8 月量化地震：价值 -3% 动量 -6%": [-0.01, -0.03, -0.06, 0.02],
}
print(f"{'情景':34s} {'完全重估':>10s} {'delta近似':>10s} {'delta-gamma-vega':>17s}  （百万元）")
for k, x in scen.items():
    x = np.array(x)
    print(f"{k:34s} {pnl_full(x)/1e6:10.2f} {pnl_delta(x)/1e6:10.2f} {pnl_dg(x)/1e6:17.2f}")

# ---------- 反向压力测试：找到"最可能"导致亏损 ≥ 1500 万的因子组合 ----------
vol = np.array([0.012, 0.004, 0.006, 0.010])                 # 日波动：指数、价值、动量、IV(绝对)
corr = np.array([[1, 0.1, -0.2, -0.75], [0.1, 1, -0.3, -0.05], [-0.2, -0.3, 1, 0.1], [-0.75, -0.05, 0.1, 1]])
Sigma = np.outer(vol, vol) * corr * 10                         # 10 天持有期（平方根法则）
Si = np.linalg.inv(Sigma)
target = -15e6
res = minimize(lambda x: x @ Si @ x, x0=np.array([-0.05, 0, 0, 0.05]), method="SLSQP",
               bounds=[(-0.5, 0.5), (-0.2, 0.2), (-0.2, 0.2), (-0.15, 0.6)],
               constraints=[{"type": "ineq", "fun": lambda x: target - pnl_full(x)}])
x_star = res.x
print("反向压力测试：亏损 1500 万的最可能情景 = 指数 %+.1f%%，价值 %+.1f%%，动量 %+.1f%%，IV %+.1f 点"
      % tuple(100 * x_star), f"；马氏距离 {np.sqrt(x_star @ Si @ x_star):.2f}，完全重估 P&L {pnl_full(x_star)/1e6:.1f} 百万")
# 同样的马氏距离下，只看股票账户（不含期权）最多亏多少：线性情形的解析解 = 距离 × sqrt(g'Σg)
g_eq = np.r_[equity_expo, 0]
print(f"对照：同一马氏距离下，仅股票账户的最大亏损 {np.sqrt(x_star @ Si @ x_star) * np.sqrt(g_eq @ Sigma @ g_eq)/1e6:.1f} 百万")
# 相关性压力：危机中相关性趋向 ±1 时，10 天 99% 线性 VaR 的变化
g_lin = np.r_[equity_expo + np.array([delta, 0, 0]), vega]
corr_crisis = np.array([[1, .5, -.6, -.9], [.5, 1, -.6, -.3], [-.6, -.6, 1, .3], [-.9, -.3, .3, 1]])
for name, c, k in (("正常相关、正常波动", corr, 1.0), ("危机相关、正常波动", corr_crisis, 1.0),
                   ("危机相关、波动×1.8", corr_crisis, 1.8)):
    S_ = np.outer(vol * k, vol * k) * c * 10
    print(f"{name}: 10 天 99% delta-vega 线性 VaR {2.326 * np.sqrt(g_lin @ S_ @ g_lin)/1e6:.1f} 百万")

输出：

期权账户：现值 -1.41 百万；delta 36.6 百万/100%；gamma -169 百万/(100%)²；vega -24.93 百万/100 波动率点
情景                                       完全重估    delta近似  delta-gamma-vega  （百万元）
温和回调 -5%，IV +5点                         -4.98      -2.58             -4.04
1987 型单日 -20%，IV +30点                  -32.60     -10.33            -21.19
2008 型 -12%，价值 -4% 动量 +3%              -16.04      -6.00            -10.96
动量崩溃：指数 +8%，动量 -12%                     -2.53      -2.27             -1.81
2007 年 8 月量化地震：价值 -3% 动量 -6%            -5.92      -5.32             -5.82
反向压力测试：亏损 1500 万的最可能情景 = 指数 -13.0%，价值 -0.6%，动量 +0.0%，IV +9.6 点 ；马氏距离 3.58，完全重估 P&L -15.0 百万
对照：同一马氏距离下，仅股票账户的最大亏损 4.1 百万
正常相关、正常波动: 10 天 99% delta-vega 线性 VaR 6.2 百万
危机相关、正常波动: 10 天 99% delta-vega 线性 VaR 5.8 百万
危机相关、波动×1.8: 10 天 99% delta-vega 线性 VaR 10.4 百万

几点观察。

第一，近似误差随行情放大。温和回调时 delta-gamma-vega 近似低估亏损 20%；1987 型情景下完全重估亏 3260 万，delta 近似只报 1030 万，delta-gamma-vega 报 2120 万。卖出虚值看跌的风险是"越跌越大"，任何截断的泰勒展开都会低估。

第二，反向压力测试找到的情景是"指数 10 天跌 13%、隐含波动升 9.6 个点"，马氏距离 3.6。也就是说，在正常协方差下这是一个罕见但并非不可想象的情景。对照组说明了问题所在：同样不可能程度的情景下，股票账户最多亏 410 万，1500 万的风险几乎全部来自期权账户。反向压力测试的价值就在这里：它把"哪个头寸最危险"变成了一个具体的情景，便于风险委员会讨论。

第三，相关性压力的结果和直觉相反：把相关性设成危机水平、波动不变时，线性 VaR 从 620 万降到 580 万。原因是在这个账户中，危机相关性加强了价值与动量的负相关，股票账户的两个因子暴露互相对冲得更好。危机中真正伤害这个账户的是波动放大（乘 1.8 后 VaR 到 1040 万）以及期权的非线性。这说明"相关性趋于 1"不是一个通用的压力情景，要根据账户的暴露结构判断哪些相关性的变化有害。

与真实数据的差别：真实压力测试要覆盖几百个风险因子，情景需要通过因子映射传递到每个头寸；流动性不足时平仓成本本身就是压力损失的一部分（2007 年 8 月"量化地震"中，同类策略同时去杠杆造成了主要损失，见 Khandani 与 Lo 2007）。

11.5 回撤控制

11.5.1 先知道"正常"的回撤有多大

最大回撤 $\text{MDD}=\min_t\big(V_t/\max_{s\le t}V_s-1\big)$ 是投资者最在意的指标，但它是路径依赖的极值统计量，样本误差很大（本册第 06 章 6.7 节说明了它随样本长度增长、需要用块 bootstrap 给出置信区间；本节转向如何据此设定限额和控制规则）。在设定回撤限额之前，应当先算出一个没有任何问题的策略在给定 Sharpe 和期限下"正常"会有多大回撤。否则，限额设得太紧，好策略也会被频繁触发止损；设得太松，又失去意义。

常见的回撤控制规则有：

波动率目标：仓位 $w_t=\sigma^*/\hat\sigma_t$。它控制的是波动，不直接控制回撤。
回撤线性降仓：$w_t=\max(0,1-\text{DD}_t/D_{\max})$。Grossman 与 Zhou（1993）证明，在连续交易下按回撤成比例降低风险资产仓位，可以保证回撤不超过 $D_{\max}$。代价是在回撤中仓位低，恢复变慢。
止损加冷却：回撤超过阈值后清仓，冷却一段时间后以较低仓位重新开始。

这些规则能否改善风险调整收益，取决于收益是否有持续性。如果策略收益是 iid 的，过去的亏损不包含未来的信息，任何根据回撤降仓的规则都只是在随机时点降低平均仓位，收益和回撤同比例下降。如果策略有"失效期"（例如因子拥挤、市场状态切换），亏损会延续，回撤规则才能避开一部分亏损。

11.5.2 代码

# 代码 11.4  最大回撤的基准分布与三种回撤控制规则
import numpy as np

def max_dd(eq):
    return (eq / np.maximum.accumulate(eq) - 1).min()

# ---------- 1) 先建立基准：无技能变化的 iid 策略，最大回撤本来就有多大 ----------
rng = np.random.default_rng(8)
def mdd_dist(sr, vol=0.10, years=5, n_sim=4000):
    mu = sr * vol / 252; sd = vol / np.sqrt(252)
    R = rng.normal(mu, sd, (n_sim, 252 * years))
    eq = np.cumprod(1 + R, axis=1)
    return (eq / np.maximum.accumulate(eq, axis=1) - 1).min(axis=1)
print("年化波动 10% 的策略，5 年内最大回撤的分布（iid 正态）：")
for sr in (0.5, 1.0, 2.0):
    d = mdd_dist(sr)
    print(f"  Sharpe {sr}: 中位数 {100*np.median(d):.1f}%  10% 分位 {100*np.quantile(d,0.1):.1f}%  "
          f"P(回撤超过 15%) {100*np.mean(d < -0.15):.0f}%")

# ---------- 2) 两个世界：iid 与"有状态"（策略失效期持续存在） ----------
def gen(world, n=252 * 20, seed=0):
    g = np.random.default_rng(seed)
    if world == "iid":
        return g.normal(0.8 * 0.10 / 252, 0.10 / np.sqrt(252), n)
    # 两状态马尔可夫：正常期 Sharpe 1.5；失效期 Sharpe -1.0、波动 1.5 倍；平均失效期约 60 天
    s, out = 0, np.empty(n)
    for t in range(n):
        if s == 0 and g.random() < 1 / 400: s = 1
        elif s == 1 and g.random() < 1 / 60: s = 0
        mu, sd = (1.5 * 0.10 / 252, 0.10 / np.sqrt(252)) if s == 0 else (-1.0 * 0.15 / 252, 0.15 / np.sqrt(252))
        out[t] = g.normal(mu, sd)
    return out

def run(R, rule, cost=0.0005):
    eq, peak, w, ws, cool = 1.0, 1.0, 1.0, [], 0
    var = R[:20].var(); path = []
    for t, x in enumerate(R):
        # 仓位 w 在 t 日开盘前决定，只用 t-1 及以前的信息
        dd = eq / peak - 1
        if rule == "无":
            w_new = 1.0
        elif rule == "波动率目标":
            w_new = min(0.10 / np.sqrt(252 * var), 2.0)
        elif rule == "回撤线性降仓":             # Grossman–Zhou 型：回撤 0→20%，仓位 1→0
            w_new = max(0.0, 1 + dd / 0.20)
        elif rule == "止损+冷却":                 # 回撤超 10% 清仓，冷却 40 天后以半仓重启并重置高点
            if cool > 0:
                cool -= 1; w_new = 0.0
                if cool == 0: peak = eq; w_new = 0.5
            elif dd < -0.10:
                cool = 40; w_new = 0.0
            else:
                w_new = 1.0 if dd > -0.05 else w
        eq *= 1 + w_new * x - cost * abs(w_new - w)
        w = w_new; ws.append(w); peak = max(peak, eq); path.append(eq)
        var = 0.94 * var + 0.06 * x**2
    path = np.array(path)
    cagr = path[-1] ** (252 / len(R)) - 1
    return cagr, max_dd(path), np.mean(ws)

for world in ("iid", "有状态"):
    print(f"—— {world} 世界（20 年，50 条路径的中位数）——")
    for rule in ("无", "波动率目标", "回撤线性降仓", "止损+冷却"):
        res = np.array([run(gen(world, seed=s), rule) for s in range(50)])
        med = np.median(res, axis=0)
        calmar = np.median(res[:, 0] / -res[:, 1])
        print(f"  {rule:8s} 年化 {100*med[0]:5.2f}%  最大回撤 {100*med[1]:6.1f}%  Calmar {calmar:4.2f}  平均仓位 {med[2]:.2f}")

输出：

年化波动 10% 的策略，5 年内最大回撤的分布（iid 正态）：
  Sharpe 0.5: 中位数 -16.8%  10% 分位 -26.7%  P(回撤超过 15%) 63%
  Sharpe 1.0: 中位数 -12.9%  10% 分位 -19.7%  P(回撤超过 15%) 31%
  Sharpe 2.0: 中位数 -9.2%  10% 分位 -13.2%  P(回撤超过 15%) 4%
—— iid 世界（20 年，50 条路径的中位数）——
  无        年化  8.32%  最大回撤  -21.7%  Calmar 0.41  平均仓位 1.00
  波动率目标    年化  8.13%  最大回撤  -22.6%  Calmar 0.39  平均仓位 1.02
  回撤线性降仓   年化  5.87%  最大回撤  -14.4%  Calmar 0.40  平均仓位 0.75
  止损+冷却    年化  7.85%  最大回撤  -20.3%  Calmar 0.39  平均仓位 0.94
—— 有状态 世界（20 年，50 条路径的中位数）——
  无        年化 11.09%  最大回撤  -24.6%  Calmar 0.44  平均仓位 1.00
  波动率目标    年化 10.82%  最大回撤  -20.4%  Calmar 0.52  平均仓位 0.97
  回撤线性降仓   年化  8.09%  最大回撤  -15.3%  Calmar 0.52  平均仓位 0.74
  止损+冷却    年化 10.85%  最大回撤  -19.6%  Calmar 0.59  平均仓位 0.94

第一部分给出了基准：年化波动 10%、Sharpe 1 的策略，5 年内最大回撤的中位数约 13%，有 31% 的概率超过 15%；Sharpe 0.5 时这一概率是 63%。如果把这样一个策略的回撤限额设为 10%，大概率会在没有任何问题的情况下被止损。

第二部分验证了上面的论断。在 iid 世界中，回撤线性降仓把最大回撤从 21.7% 降到 14.4%，年化收益也从 8.3% 降到 5.9%，Calmar 比率几乎不变（0.41 对 0.40），相当于直接把仓位降到 75%。在有状态的世界中，三种规则都提高了 Calmar：止损加冷却从 0.44 提到 0.59，回撤降仓和波动率目标都到 0.52。

回撤线性降仓在两个世界中的最大回撤都没有超过 20%，这正是 Grossman–Zhou 规则的保证。但它也有一个工程上的隐患：回撤越接近上限，仓位越接近零，资金曲线越难恢复。真实使用时通常会设置重置规则（例如季度末重置高水位）或仓位下限。

白话解释：代码 11.4 分两部分，各自有明确的设计意图。第一部分 mdd_dist 是"先算基准"：生成 4000 条没有任何问题的 iid 收益路径，np.maximum.accumulate 求出每条路径上截至每天的历史最高净值（高水位），净值除以高水位减 1 就是每天的回撤，取最小值即最大回撤。这和私募基金按高水位计提业绩报酬时用的是同一条"高水位线"。第二部分 run 是一个逐日的仓位模拟器。关键是顺序：每天先用昨天收盘的净值和高水位算回撤、决定仓位 w_new，再乘以今天的收益，最后才更新高水位和 EWMA 方差。如果顺序反了，就等于用今天的收益决定今天的仓位，回撤规则会显得神奇地有效。调仓成本按 $|w_{\text{新}}-w_{\text{旧}}|\times5$bp 扣除，所以频繁进出的规则会被如实惩罚。线性降仓为什么能保证回撤不超过 20%：仓位 $w=1-\text{DD}/0.2$ 恰好等于"离 20% 底线还剩多少"占 20% 的比例。回撤越深仓位越小，剩余空间越小亏得越少，净值只会无限接近底线而不会穿过（只要单日跌幅不超过 20%）。这和 CPPI（固定比例组合保险）的思路相同：风险资产仓位与"净值高于保底线的部分"成正比。 Calmar 比率 = 年化收益 / 最大回撤的绝对值，是回撤版的"收益风险比"。iid 世界中降仓规则的 Calmar 不变，正是因为收益和回撤被同比例缩小了。

与真实数据的差别：真实策略的"失效期"不会像马尔可夫模型那样有固定的平均长度，事前无法知道它属于哪个世界。合理的做法是用策略自身的历史检验收益的持续性（例如亏损月之后的收益分布），并把回撤规则当作风险预算的一部分写进投资政策，而不是在回撤发生之后临时决定。

11.6 绩效评估与归因

11.6.1 先承认统计误差，再对照实盘

第 07 册第 22b 章说明了一个令人沮丧的事实：在月度数据上，分辨中等水平的技能需要几十年。本册第 06 章 6.6、6.7 节已经给出了日常需要的工具：Sharpe 比率的标准误及其偏度、峰度修正，收益自相关时的 Lo（2002）年化调整，块 bootstrap 置信区间，以及多次试验后的 PSR 与 Deflated Sharpe。这里不再重复，只强调两条用法。其一，负偏、厚尾的策略（例如本册第 09 章的卖方差），同样的 Sharpe 可信度更低，标准误要用含偏度、峰度的公式；其二，估值平滑的资产（第 07 册第 22a 章）会让观测到的 Sharpe 虚高，要先做自相关修正再比较。

策略上线后，绩效评估还多了一项日常工作：把实盘收益和"同期回测收益"逐日对照。两者之差可以拆成几部分：信号差异（实盘数据与研究数据不一致、延迟）、成交差异（执行差额、滑点高于成本模型，见本册第 07 章）、持仓差异（风控拒单、涨跌停无法成交、手工干预）和费用差异。差异的均值说明回测是否系统性乐观，差异的波动说明回测能否代表实盘的风险。差异突然扩大，往往是数据或系统出了问题，而不是市场变了。

11.6.2 归因的三种方法

收益型因子归因：用策略收益对因子收益做时间序列回归，$r_t=\alpha+\beta^\top f_t+\varepsilon_t$，每个因子的贡献为 $\hat\beta_k\bar f_k$。它只需要收益序列，适合评估外部经理；缺点是暴露被假定为常数，择时会被错误地计入 alpha（第 07 册第 22a 章的三分解讨论了这一点）。标准误用 Newey–West（第 05 册第 16 章）。
持仓型因子归因：每天用组合的因子暴露 $x_t$ 乘以当天的因子收益 $f_t$，剩下的是特质收益：$r_t=x_t^\top f_t+u_t$。它需要持仓和风险模型（本册第 04 章），能处理时变暴露，是内部风控和交易员考核的标准做法。
Brinson 归因：按行业（或资产类别）把相对基准的超额收益拆成配置效应、选股效应和交互效应。Brinson–Fachler 形式为 $A_j=(w_j^P-w_j^B)(r_j^B-R^B),\quad S_j=w_j^B(r_j^P-r_j^B),\quad I_j=(w_j^P-w_j^B)(r_j^P-r_j^B),$ 三者对行业求和等于 $R^P-R^B$。

推导拆解：为什么三者之和恰好等于超额。记 $R^P=\sum_jw_j^Pr_j^P$，$R^B=\sum_jw_j^Br_j^B$。第一步，选股与交互合并：$S_j+I_j=w_j^B(r_j^P-r_j^B)+(w_j^P-w_j^B)(r_j^P-r_j^B)=w_j^P(r_j^P-r_j^B)$。第二步，配置效应求和时，$\sum_j(w_j^P-w_j^B)R^B=R^B(1-1)=0$，因为两套权重之和都是 1，所以 $\sum_jA_j=\sum_j(w_j^P-w_j^B)r_j^B$。第三步，相加：$\sum_j(w_j^P-w_j^B)r_j^B+\sum_jw_j^P(r_j^P-r_j^B)=\sum_jw_j^Pr_j^P-\sum_jw_j^Br_j^B=R^P-R^B$。 Fachler 形式减去 $R^B$ 的作用只在单个行业上：超配一个跑输整体基准的行业，即使该行业收益为正，配置效应也记为负。代码输出中能源行业低配 5 个百分点、行业收益 −3%（远低于基准 1.775%），所以配置效应为正（+23.9bp），这正是"低配差行业"应得的奖励。

金融直觉：这就是 CFA 三级业绩评估里的 Brinson 归因，和 GIPS 要求的业绩呈报配套使用：GIPS 规定收益怎么算、怎么报，归因回答收益为什么是这个数。配置效应对应"行业判断"（通常是投资总监或资产配置委员会的决策），选股效应对应"行业内选股"（通常是行业研究员的决策），交互效应是两者的叠加。很多机构为了让责任清楚，把交互效应并入选股效应，这和上面第一步合并的式子一致。

多期归因有一个技术问题：各期的超额收益可以相加，但年度的几何超额收益不等于各月超额之和，所以各月的归因效应直接相加对不上年度超额。Carino（1999）的对数链接法用系数 $k_t/k$ 缩放每期效应，其中

k_t=\frac{\ln(1+R^P_t)-\ln(1+R^B_t)}{R^P_t-R^B_t},\qquad k=\frac{\ln(1+R^P)-\ln(1+R^B)}{R^P-R^B},

缩放后各期效应之和恰好等于年度几何超额。

推导拆解：Carino 链接为什么"恰好"。核心是对数可以相加。第一步，按定义 $k_t(R_t^P-R_t^B)=\ln(1+R_t^P)-\ln(1+R_t^B)$。每月的归因效应之和等于当月超额 $R_t^P-R_t^B$，乘以 $k_t$ 后就等于当月的"对数超额"。第二步，对数超额可以跨月相加：$\sum_t[\ln(1+R_t^P)-\ln(1+R_t^B)]=\ln(1+R^P)-\ln(1+R^B)$，因为 $1+R^P=\prod_t(1+R_t^P)$，乘积取对数就是对数之和。第三步，年度上同样有 $k(R^P-R^B)=\ln(1+R^P)-\ln(1+R^B)$。把第二步的和除以 $k$，就回到年度几何超额 $R^P-R^B$。所以每期效应乘以 $k_t/k$ 再相加，总和一定等于年度超额。 $k_t$ 本身是"对数差 ÷ 算术差"，月度收益不大时接近 $1/(1+R_t)$，一般在 0.9–1.1 之间，所以缩放只是微调各月权重。代码中 k_t 在 $R_t^P=R_t^B$ 时会出现 0/0，真实系统里要单独处理这种情形（取极限值 $1/(1+R_t^B)$）。

11.6.3 代码

# 代码 11.5  收益型因子归因、Brinson–Fachler 与 Carino 多期链接
import numpy as np
import pandas as pd
import statsmodels.api as sm

rng = np.random.default_rng(21)
# ================= A) 收益型因子归因：时间序列回归 + Newey–West =================
n_m = 120
fac = pd.DataFrame({"市场": rng.normal(0.006, 0.045, n_m), "规模": rng.normal(0.002, 0.025, n_m),
                    "价值": rng.normal(0.002, 0.030, n_m), "动量": rng.normal(0.006, 0.040, n_m)})
true_beta = np.array([0.3, 0.5, 0.0, 0.6])
strat = 0.001 + fac.values @ true_beta + rng.normal(0, 0.012, n_m)
m = sm.OLS(strat, sm.add_constant(fac)).fit(cov_type="HAC", cov_kwds={"maxlags": 3})
contrib = m.params[fac.columns] * fac.mean() * 12
print(f"策略年化收益 {100*strat.mean()*12:.1f}%，其中：" + "，".join(f"{k} {100*v:.1f}%" for k, v in contrib.items()) +
      f"，alpha {100*m.params['const']*12:.1f}%（NW t={m.tvalues['const']:.2f}，真值 1.2%）；R²={m.rsquared:.2f}")

# ================= B) Brinson–Fachler 归因（单期）与 Carino 多期链接 =================
sectors = ["金融", "科技", "消费", "工业", "能源"]
def brinson(wp, wb, rp, rb):
    Rb = wb @ rb
    alloc = (wp - wb) * (rb - Rb); select = wb * (rp - rb); inter = (wp - wb) * (rp - rb)
    return alloc, select, inter
wb = np.array([0.25, 0.30, 0.20, 0.15, 0.10]); wp = np.array([0.15, 0.40, 0.25, 0.15, 0.05])
rb = np.array([0.010, 0.040, 0.020, 0.015, -0.030]); rp = np.array([0.012, 0.050, 0.015, 0.020, -0.020])
a_, s_, i_ = brinson(wp, wb, rp, rb)
print(pd.DataFrame({"配置": a_, "选股": s_, "交互": i_}, index=sectors).mul(1e4).round(1).T.to_string())
print(f"超额 {1e4*(wp@rp - wb@rb):.1f}bp = 配置 {1e4*a_.sum():.1f} + 选股 {1e4*s_.sum():.1f} + 交互 {1e4*i_.sum():.1f}")

# 12 个月：各月效应直接相加 ≠ 年度几何超额；Carino 用对数系数把各月效应缩放后再相加
months = []
for _ in range(12):
    rb_t = rng.normal(0.008, 0.03, 5); rp_t = rb_t + rng.normal(0.001, 0.005, 5)
    wp_t = np.clip(wp + rng.normal(0, 0.02, 5), 0, None); wp_t /= wp_t.sum()
    months.append((wp_t @ rp_t, wb @ rb_t, *[x.sum() for x in brinson(wp_t, wb, rp_t, rb_t)]))
Mo = pd.DataFrame(months, columns=["Rp", "Rb", "配置", "选股", "交互"])
Rp_y, Rb_y = np.prod(1 + Mo.Rp) - 1, np.prod(1 + Mo.Rb) - 1
k = (np.log1p(Rp_y) - np.log1p(Rb_y)) / (Rp_y - Rb_y)
k_t = (np.log1p(Mo.Rp) - np.log1p(Mo.Rb)) / (Mo.Rp - Mo.Rb)
linked = Mo[["配置", "选股", "交互"]].mul(k_t / k, axis=0).sum()
print(f"年度超额 {1e4*(Rp_y-Rb_y):.1f}bp；各月效应简单相加 {1e4*Mo[['配置','选股','交互']].sum().sum():.1f}bp；"
      f"Carino 链接后 " + " + ".join(f"{c} {1e4*v:.1f}" for c, v in linked.items()) + f" = {1e4*linked.sum():.1f}bp")

输出：

策略年化收益 10.1%，其中：市场 2.4%，规模 -1.7%，价值 -0.0%，动量 6.2%，alpha 3.2%（NW t=3.06，真值 1.2%）；R²=0.86
     金融    科技    消费   工业    能源
配置  7.8  22.3   1.1 -0.0  23.9
选股  5.0  30.0 -10.0  7.5  10.0
交互 -2.0  10.0  -2.5  0.0  -5.0
超额 98.0bp = 配置 55.0 + 选股 42.5 + 交互 0.5
年度超额 141.5bp；各月效应简单相加 128.6bp；Carino 链接后 配置 -41.6 + 选股 214.3 + 交互 -31.3 = 141.5bp

A 部分：策略年化收益 10.1%，其中市场和动量暴露分别贡献 2.4 和 6.2 个百分点，规模暴露因为样本期规模因子收益为负而拖累 1.7 个百分点；回归的 alpha 为 3.2%，NW t 值 3.06。模拟中真实的 alpha 只有 1.2%：10 年月度数据下 alpha 的标准误约 1.0%，估计值偏离真值约两个标准误，这在单次样本中完全可能发生。所以 alpha 的点估计不应直接用于资金分配，至少要给出置信区间，并与其他证据结合（第 03 册第 11 章的贝叶斯收缩是一种做法）。

白话解释：A 部分的代码就是 CFA 里基于收益的风格分析：用 statsmodels 把策略月收益对四个因子回归，cov_type="HAC" 指定 Newey–West 标准误（对残差的自相关和异方差稳健，maxlags=3 表示考虑最多 3 个月的自相关）。每个因子的年化贡献 = 回归系数 × 该因子样本期月均收益 × 12，剩下的截距 × 12 就是年化 alpha。标准误可以手算验证：残差月波动 1.2%，120 个月，截距的月度标准误约 $1.2\%/\sqrt{120}\approx0.11\%$，年化约 1.3%；输出给出的 NW 标准误是 $3.2\%/3.06\approx1.05\%$，量级一致（样本残差波动和 HAC 修正会让它略有不同）。95% 置信区间大约是点估计 ±2 个百分点，即从 1% 左右到 5% 左右，这就是"宽得惊人"的含义。

B 部分：单期 Brinson 中，超额 98bp 由配置 55bp、选股 42.5bp、交互 0.5bp 组成，三者相加精确等于超额。12 个月的例子中，年度几何超额 141.5bp，各月效应直接相加只有 128.6bp，差额约 13bp 没有归属；Carino 链接后三项之和精确等于 141.5bp。这个例子里选股贡献为正，配置和交互为负，如果只看年度超额，会掩盖"行业判断在亏钱"这一信息。

与真实数据的差别：真实的 Brinson 归因要处理现金、汇率、交易日内买卖和基准成分变化；因子归因的结果依赖所选风险模型，同一组合在两个风险模型下 alpha 可以差很多。

11.7 风控体系与事故教训

11.7.1 事故的共同模式

第 08 册第 36 章（Hull）整理了衍生品历史上的重大亏损，第 07 册第 28 章（Harris）讨论了泡沫、崩盘和熔断。把这些案例与量化交易相关的部分放在一起，可以看到几种反复出现的模式：

限额形同虚设：巴林银行（1995）、法国兴业银行（2008）、UBS（2011）的巨亏都来自单个交易员。共同点是授权的业务是低风险的套利或对冲，实际持有巨大的方向性头寸；前台同时控制了交易记录和结算，限额从未被真正执行。教训是前台、中台、后台分离，风险由独立部门基于实际持仓计算。
模型和杠杆：LTCM（1998）的收敛套利在模型上是正确的，许多头寸后来也确实收敛了，但高杠杆让它撑不到收敛的那天；同类机构持有相似头寸，被迫同时平仓。2007 年 8 月的"量化地震"是同一机制在股票统计套利上的重演。教训是警惕所有人采用同一策略，压力测试要包含流动性和同行去杠杆。
对冲变成投机：Metallgesellschaft（1993）用滚动短期期货对冲长期供货合约，油价下跌带来巨额保证金追缴，曲线转为升水又让展期持续亏损（展期机制见本册第 09 章 9.6 节）；Amaranth（2006）在天然气价差上集中持仓。教训是对冲方案要做融资流动性压力测试，并限制集中度。
软件和运维：Knight Capital（2012）在新代码部署时，八台服务器中有一台残留旧代码，被新的标志位重新激活后在约 45 分钟内发出大量错误订单，亏损约 4.4 亿美元。2010 年 5 月 6 日的"闪电崩盘"中，美股指数在几分钟内下跌约 9% 后迅速反弹。教训是事前风控必须在交易系统内部以代码运行，并有不依赖策略本身的自动熔断。
组合保险与正反馈：1987 年 10 月的股灾中，组合保险按规则在下跌时卖出期货，加剧了下跌（第 08 册第 19a 章 19.14 节）。动态对冲策略在跳空和流动性枯竭时失效，这一点在本册第 09 章的尾部对冲中也看到了。

11.7.2 风控系统的结构

一个量化交易系统的风控通常分三道：

事前（pre-trade）：每一笔订单发出前在交易系统内部检查。必须快（微秒到毫秒级），必须独立于策略代码，策略不能绕过。检查项包括单笔金额、价格带、持仓、总敞口与净敞口、行业或因子暴露、下单频率、重复订单。
盘中（intraday）：实时盯市，计算盈亏、希腊字母和 VaR，触及日内亏损上限或异常行为时触发 kill switch，停止新订单，必要时撤销所有挂单。kill switch 的恢复需要人工确认。
事后（post-trade）：日终的 VaR、压力测试、归因、限额使用率报告，以及成交与持仓的对账。

代码层面有几个容易忽视的细节：频率和重复订单的统计要包括被拒的订单，因为失控程序被拒后往往会更快地重试；检查顺序从最便宜的到最贵的，先做简单比较，后做需要汇总全部持仓的计算；限额参数集中配置并有版本记录；风控模块本身要有单元测试，覆盖每一种拒单路径。

11.7.3 代码：一个最小的事前风控引擎

下面模拟一个交易日约 6000 笔订单尝试：正常算法单略偏买方，使净多头逐渐累积；第 1500 笔价格多打一个零，第 2500 笔数量多打两个零；第 3000–3400 笔是一个每 10 毫秒重复同一订单的失控循环；第 4500 笔时全市场闪崩 8%。

# 代码 11.6  最小事前风控引擎与 kill switch
import numpy as np
from collections import deque, Counter
from dataclasses import dataclass, field

@dataclass
class Limits:
    max_order_notional: float = 2e6        # 单笔金额上限
    price_band: float = 0.05               # 限价偏离最新价不超过 5%（防"胖手指"）
    max_position_notional: float = 8e6     # 单票持仓上限
    max_gross: float = 1.2e8               # 总敞口上限
    max_net: float = 1.5e7                 # 净敞口上限
    max_sector_net: float = 1.0e7          # 单行业净敞口上限
    max_orders_per_sec: int = 20           # 下单频率上限
    max_dup_orders: int = 5                # 同一 (股票, 方向, 数量) 在 1 秒内的重复次数上限
    daily_loss_limit: float = 1.0e6        # 日内亏损达到即触发 kill switch

@dataclass
class RiskEngine:
    lim: Limits
    sector: dict
    pos: dict = field(default_factory=dict)            # 股数
    last_px: dict = field(default_factory=dict)
    pnl: float = 0.0
    killed: bool = False
    recent: deque = field(default_factory=deque)       # (时间, 订单签名)
    log: Counter = field(default_factory=Counter)

    def _expo(self, pos):
        g = sum(abs(q) * self.last_px[s] for s, q in pos.items())
        n = sum(q * self.last_px[s] for s, q in pos.items())
        sec = Counter()
        for s, q in pos.items(): sec[self.sector[s]] += q * self.last_px[s]
        return g, n, sec

    def check(self, t, sym, qty, limit_px):
        """事前风控：任何一条不过即拒单，并记录原因。顺序：从最便宜的检查到最贵的检查。"""
        L = self.lim
        if self.killed: return self._rej("kill switch 已触发")
        # 频率与重复检查统计的是"所有下单尝试"，包括被拒的：失控程序被拒后往往会更快地重试
        while self.recent and t - self.recent[0][0] > 1.0: self.recent.popleft()
        sig = (sym, np.sign(qty), abs(qty))
        n_recent, n_dup = len(self.recent), sum(1 for _, s in self.recent if s == sig)
        self.recent.append((t, sig))
        if n_recent >= L.max_orders_per_sec: return self._rej("下单频率超限")
        if n_dup >= L.max_dup_orders: return self._rej("重复订单（疑似失控循环）")
        px = self.last_px[sym]
        if abs(limit_px / px - 1) > L.price_band: return self._rej("价格偏离超限（胖手指）")
        if abs(qty) * px > L.max_order_notional: return self._rej("单笔金额超限")
        new = dict(self.pos); new[sym] = new.get(sym, 0) + qty
        if abs(new[sym]) * px > L.max_position_notional: return self._rej("单票持仓超限")
        g, n, sec = self._expo(new)
        if g > L.max_gross: return self._rej("总敞口超限")
        if abs(n) > L.max_net: return self._rej("净敞口超限")
        if abs(sec[self.sector[sym]]) > L.max_sector_net: return self._rej("行业净敞口超限")
        self.log["通过"] += 1
        return True

    def _rej(self, why):
        self.log[why] += 1; return False

    def fill(self, sym, qty):
        self.pos[sym] = self.pos.get(sym, 0) + qty

    def mark(self, new_px):
        """盯市：更新价格与当日盈亏；触及日内亏损上限就熔断"""
        self.pnl += sum(q * (new_px[s] - self.last_px[s]) for s, q in self.pos.items())
        self.last_px.update(new_px)
        if self.pnl < -self.lim.daily_loss_limit and not self.killed:
            self.killed = True; self.log["触发 kill switch"] += 1

# ---------- 模拟一个交易日：正常算法单 + 两次"胖手指" + 一段失控循环 + 午后闪崩 ----------
rng = np.random.default_rng(0)
syms = [f"S{i:02d}" for i in range(40)]
sector = {s: ["金融", "科技", "消费", "工业"][i % 4] for i, s in enumerate(syms)}
eng = RiskEngine(Limits(), sector, last_px={s: float(rng.uniform(10, 100)) for s in syms})
t = 0.0
for step in range(6000):
    t += rng.exponential(0.5)                                       # 平均每 0.5 秒一笔
    s = syms[rng.integers(40)]; px = eng.last_px[s]
    qty = int(rng.choice([-1, 1], p=[0.4, 0.6]) * rng.integers(1, 20) * 100)   # 买单略多：净多头逐渐累积
    lpx = px * (1 + rng.normal(0, 0.002))
    if step == 1500: lpx = px * 10                                  # 胖手指：价格多打一个 0
    if step == 2500: qty = 100_000                                  # 胖手指：数量多打两个 0
    if 3000 <= step < 3400:                                         # 失控循环：同一订单每 10 毫秒重复
        s, qty, lpx = "S07", 500, eng.last_px["S07"]; t += 0.01 - 0.5
    if eng.check(t, s, qty, lpx): eng.fill(s, qty)
    shock = -0.08 if step == 4500 else 0.0                          # 午后闪崩：全市场下跌 8%
    eng.mark({k: v * np.exp(rng.normal(0, 0.0005) + shock) for k, v in eng.last_px.items()})
    if step == 4499:
        g0, n0, _ = eng._expo(eng.pos); print(f"闪崩前：总敞口 {g0/1e6:.1f} 百万，净敞口 {n0/1e6:+.1f} 百万，日内盈亏 {eng.pnl/1e6:+.2f} 百万")
g, n, sec = eng._expo(eng.pos)
print("风控日志：", dict(eng.log))
print(f"收盘：总敞口 {g/1e6:.1f} 百万，净敞口 {n/1e6:+.1f} 百万，日内盈亏 {eng.pnl/1e6:+.2f} 百万，kill switch={eng.killed}")
print("各行业净敞口（百万）：", {k: round(float(v) / 1e6, 2) for k, v in sec.items()})

输出：

闪崩前：总敞口 20.3 百万，净敞口 +14.9 百万，日内盈亏 +0.01 百万
风控日志： {'通过': 3631, '净敞口超限': 507, '价格偏离超限（胖手指）': 1, '单笔金额超限': 1, '重复订单（疑似失控循环）': 113, '下单频率超限': 248, '触发 kill switch': 1, 'kill switch 已触发': 1499}
收盘：总敞口 18.9 百万，净敞口 +13.9 百万，日内盈亏 -1.08 百万，kill switch=True
各行业净敞口（百万）： {'消费': 4.64, '金融': 2.44, '工业': 1.1, '科技': 5.7}

两次胖手指各被价格带和单笔金额检查拦截。失控循环先被重复订单检查拦截 113 次，再被频率检查拦截 248 次；如果频率统计只计已通过的订单，这段循环会持续到撞上净敞口上限才停，而那时已经积累了不必要的持仓。正常订单中有 507 笔因净敞口达到 1500 万上限被拒，这是限额在约束策略的方向性漂移。闪崩时净多头 1490 万，损失 106 万，超过 100 万的日内亏损上限，kill switch 触发，此后 1499 笔订单全部被拒。

白话解释：代码 11.6 的设计要点。 Limits 用一个数据类集中存放全部限额参数，对应 11.7.2 说的"限额集中配置、有版本记录"：改限额只改这一处，也便于审计留痕。RiskEngine.check 按"从便宜到昂贵"的顺序检查：kill switch 状态是一次布尔判断；频率和重复订单只看最近 1 秒的队列；价格带、单笔金额只需当前订单；最后才复制一份持仓、汇总总敞口、净敞口和行业敞口，这一步要遍历全部持仓，最慢。任何一项不过就立即返回，后面的检查不再执行。最近 1 秒的订单用 deque（双端队列）保存：新订单从右边加入，超过 1 秒的旧订单从左边弹出，每次只需处理队首，代价很小。注意新订单在判断之前就已经加入队列，所以被拒的尝试也会计入频率，这就是正文强调的"失控程序被拒后会更快重试"的对策。 mark 每次盯市后检查日内盈亏，跌破上限就把 killed 置为真，此后 check 第一行就拒单；代码中没有任何把它恢复为假的路径，对应"自动触发、人工恢复"。对照 CPA 的内部控制：这几行代码就是"授权审批 + 限额控制"的自动化版本，而且不依赖交易员自觉，策略代码无法绕过。

白话解释：一处模拟细节。失控循环段写的是 t += 0.01 - 0.5，本意是抵消前面加上的平均 0.5 秒间隔，使每笔间隔约 10 毫秒。但前面加的是随机的指数分布间隔，所以这一段里的时间增量有时为负，即时间戳偶尔会倒退，只是平均间隔为 10 毫秒。这不影响本例的结论（循环仍然被重复检查和频率检查拦下），但 deque 按队首弹出的逻辑默认时间单调递增；在真实系统里时间戳来自交易系统时钟，不会出现这个问题。练习 6 写单元测试时，可以顺便把模拟改为固定的 10 毫秒间隔。

这个引擎只是骨架。生产系统还需要：撤单和改单的检查；按账户、策略、交易员分层的限额；保证金和融资约束；与交易所风控和券商风控的衔接；所有拒单和限额变更的审计日志。

11.8 常见陷阱与检查清单

VaR 与 ES

用条件模型（FHS、条件 EVT、GARCH-t）；单纯的历史模拟在波动转折点会成串突破。
参数重估与滤波分开，检查 $\sigma_t$ 是否只用了 $t-1$ 及以前的信息。
同时输出 VaR、ES 和 ES 回测所需的 VaR 分位。
EVT 的 $\xi$ 做阈值敏感性分析并设上下限。

回测

Kupiec、独立性、交通灯和 ES 回测一起用；记住样本少时检验功效低。
回测用的 P&L 要与 VaR 的定义一致：是否包含日内交易、手续费、新开仓。

压力测试

含期权的账户用完全重估；情景中包含隐含波动和偏斜的变化。
做反向压力测试，找出最危险的头寸。
相关性压力要根据暴露结构设计，"相关性趋于 1"不一定是坏情景。

回撤控制

先用模拟算出"正常"回撤的分布，再设限额。
回撤规则只在收益有持续性时有帮助；写进投资政策，不要事后临时决定。
线性降仓规则要有重置机制或仓位下限。

绩效与归因

Sharpe 报告标准误，并做非正态和自相关修正；多次试验后用 Deflated Sharpe（本册第 06 章）。
实盘与同期回测逐日对照，拆分信号、成交、持仓和费用差异。
alpha 给置信区间；收益型归因注意时变暴露。
多期 Brinson 用对数链接，保证各项之和等于几何超额。

风控体系

事前风控在交易系统内部运行，策略不能绕过；频率统计包含被拒订单。
kill switch 自动触发、人工恢复；限额集中配置、有版本、有审计。
前中后台分离；风险由独立部门基于实际持仓计算。

本章小结

本章把风险度量、风险控制和绩效评估组装成一个可以每天运行的流程。VaR 和 ES 要用条件模型估计，过滤历史模拟和条件 EVT 在本例的危机中表现最好；回测要同时检查突破频率、突破的独立性和尾部损失的大小。压力测试弥补了 VaR 只看"正常坏日子"的不足，含期权的账户必须做完全重估，反向压力测试能把最危险的头寸变成一个具体情景。回撤规则的价值取决于策略收益是否有持续性，设限额之前要先知道正常回撤有多大。绩效评估的核心是承认统计误差：Sharpe 和 alpha 都有很宽的置信区间；归因要拆出因子暴露，多期效应要正确链接，实盘还要与同期回测对照。最后，历史上的重大亏损大多来自限额、流程和软件的失效，事前风控和 kill switch 应当是交易系统里的代码。

练习

阈值敏感性。 在 11.2.2 的代码中，把 GPD 阈值分位从 0.90 改为 0.85、0.95、0.975，记录 $\xi$ 和 99.9% VaR 的变化，并画出标准化损失的平均超出函数。提示：阈值太高时超出点太少，$\xi$ 的估计方差急剧增大。
检验功效。 生成一个"真实"突破率为 1.5% 的独立突破序列，长度分别为 250、1000、2500 天，各重复 5000 次，计算 Kupiec 检验在 5% 水平的拒绝率。再对 $Z_2$ 做同样的试验：让真实损失分布的尾部比模型厚（例如真实为 t3、模型为 t6）。提示：结论应当是短样本下两者功效都很低。
多期压力情景。 把 11.4.2 的单期情景改为 10 天路径：指数每天下跌 2%，隐含波动每天上升 3 个点，期权每天按剩余期限重新定价，期间不调整头寸。比较路径情景与"一次性下跌 18%"的完全重估损失。提示：时间流逝让期权的 theta 和 gamma 都在变化。
回撤规则的过拟合。 在 11.5.2 的有状态世界中，对止损阈值（5%–20%）和冷却期（10–80 天）做网格搜索，在前 10 年选最优参数，在后 10 年检验。重复 50 条路径，比较样本内和样本外的 Calmar。提示：这与本册第 06 章的多重检验问题相同。
持仓型归因。 在 11.6.3 的代码中，让策略的动量暴露随时间变化（例如前 5 年 0.6、后 5 年 −0.2），比较收益型回归和持仓型归因（$x_t^\top f_t$ 逐月相加）对动量贡献和 alpha 的估计。提示：收益型回归会把时变暴露的影响混进 alpha。
风控引擎的单元测试。 为 11.7.3 的 RiskEngine 写测试：每一种拒单原因至少一个用例；kill switch 触发后所有订单被拒；频率窗口跨越 1 秒边界时计数正确。再加入"撤销所有挂单"和"人工恢复"两个接口。

第 11 章 风险管理与绩效评估