标签： #风险管理

OLS 只建模条件均值，但风险管理关心尾部。分位数回归用 check function 钉住任意条件分位，把「看均值」升级成「看整个条件分布」。本文从零实现 LP 求解，演示 QR 喇叭形展开、与 OLS 的尾部盲区对比、条件 VaR 回测，以及系数路径揭示的尾部不对称性，附可复现 Python。

日频协方差只有开收两个点、还被隔夜跳空污染。本文用分钟级高频把全天资产联动拼成已实现协方差矩阵：朴素 RC 构造、微观结构噪声的 U 形偏差与 Epps 塌缩、已实现核(RK)救回真实方差与相关系数，再用 HAR-RV 预测波动，附可复现 Python。

组合波动从来不是一个数，而是无数风险源叠加。本文用 Barra 式因子模型 r=Xf+u，把组合方差拆成行业、风格、特异性三块，给出精确风险贡献公式 C_k=a_k(Fa)_k，并用偏科技+动量的组合演示：84.6% 风险来自因子、科技独占 65.6%，顺带指出因子缺失、估计误差、非平稳三大陷阱。

相关系数在危机里会失灵。Copula 把边际分布与相依结构解耦，对比高斯与 t-copula 的尾部相依，量化危机时资产如何联动，并给出更诚实的组合 VaR。

固定对冲比在 regime 切换时会系统性失效。本文用状态空间模型把对冲比建模为随机游走，从零实现卡尔曼滤波估计动态 β，并实证对比静态 OLS、滚动 OLS 与卡尔曼动态对冲的方差削减效果，覆盖配对交易、动态 Delta 对冲与三大实战陷阱。

正态分布在量化风险管理中无处不在，但市场回报的真实分布是肥尾的。本文系统拆解肥尾分布、黑天鹅事件、VaR 的致命缺陷与 CVaR 的正确用法，并用 Hill 估计器、正态 QQ 图与蒙特卡洛实战争议，给出在肥尾世界里活下去的风险管理框架。

回测漂亮不等于能赚钱。本文系统拆解量化策略中的模型风险与回测过拟合：从样本内/样本外鸿沟、多重检验假阳性、去膨胀夏普比率(DSR)到 Walk-Forward 验证，并附完整 Python 实现，帮你识别并防御「看起来很美」的陷阱。

策略研发只占量化工作的一小部分,真正的考验在实盘。本文给出一套可落地的监控体系:覆盖数据健康、策略绩效、风险暴露、系统运行四层,用 Python 实现单策略总览、告警分级状态机与多策略监控矩阵,并指出告警疲劳、只看收益不看分布等真实陷阱。