分散投资在极端行情下的统计局限

恐慌蔓延击穿静态相关假设

2008 年 9 月的第三周，华尔街交易台上的风控屏幕亮起红灯。资产之间的相关系数突然跳变。过去十年里一直维持在 0.2 附近的股债组合，在同一个下午同步下挫。分散风险的理论前提，是资产价格走势不同步。压力测试表格却显示，当恐慌蔓延时，原本承诺提供对冲的标的开始齐步走。你手里的多策略账户，净值回撤曲线突然变得像单一资产一样陡峭。数学公式没有写错，是前提条件变了。

相关系数这个概念，本身带着强烈的线性假设。皮尔逊相关系数把复杂的价格互动压缩成一个 -1 到 1 之间的数字。它衡量的是两个变量围绕各自均值波动的同步程度。这个数字在常态行情里很稳定。历史数据拉得越长，计算出的数值越显得牢靠。机构投资者习惯用过去三年的日收益率协方差矩阵来配置仓位。计算过程干净利落。均值、方差、协方差，输入优化器，输出权重。这套流程在低波动环境里运行顺畅。但协方差矩阵暗含了一个极其脆弱的预设：历史波动分布是平稳的。市场不承认平稳。

极端行情之所以特殊，不在于价格跌幅多大，而在于交易机制的连锁反应。流动性枯竭时，资产不再按基本面逻辑定价，而是按现金需求逻辑定价。基金经理接到机构赎回指令，必须在收盘前变现。优质债券和流动性好的蓝筹股最先被抛售。原本负相关的资产，因为共享同一批卖出指令，相关系数在几个交易日内迅速趋近于 1。这种相关性跃迁不是偶然现象，是强制去杠杆的必然副产品。静态历史数据捕捉不到这种结构性断裂。它只记录了过去平静日子里的波动轨迹，无法预演资金链紧绷时的抛售路径。1998 年长期资本管理公司爆仓时，原本用来分散风险的国债期货和新兴市场债券同步暴跌，交易台发现所有头寸都在向同一个方向失血。

动态模型滞后于尾部联动

模型需要重新校准。

动态估计试图修补这个漏洞。指数加权移动平均和 GARCH 族模型会给近期数据更高的权重。参数随市场波动率自动调整。协方差矩阵从静态表格变成会呼吸的矩阵。压力行情下，模型能更快捕捉到相关系数的飙升。但动态估计也有自己的盲区。权重调整本质上是滞后反应。波动率突破临界值的那一刻，模型给出的相关系数仍然偏低。等权重追上实际水平时，资产价格已经跌去了一大截。更麻烦的是尾部联动。线性相关系数只关心波动的中间部分。真正决定组合生死的，是极端分位数上的协同概率。两个资产平时各走各路，一旦跌穿 5% 分位数，往往死死绑在一起。

危机样本稀缺制约模型拟合

历史不承诺重复。

金融教科书里常说的分散投资降低风险，严格限定在正态分布和线性相关的假设之内。现实市场的收益分布带着明显的尖峰厚尾。偏度不为零，峰度远大于 3。Copula 函数被引入进来，专门剥离边缘分布，只刻画变量间的依赖关系。t-Copula 能捕捉到尾部协同跳跃。区制转换模型则把市场状态划分为高波动与低波动两个区间。不同区间适用不同的参数集。这些方法在学术回测里表现优异。实盘应用却面临另一重摩擦。数据量不够。极端行情样本稀少。模型需要几百次危机才能训练出可靠的参数。而市场给投资者的试错机会，通常只有寥寥几次。你无法用一次 2020 年 3 月的熔断行情，去拟合一整条尾部依赖曲线。

平稳数学难框定非平稳博弈

统计局限的根源，不在算法本身。在于我们试图用平稳的数学工具去框定非平稳的人类博弈。分散投资在常态下是有效的风险管理手段。在压力期却容易变成昂贵的错觉。风控系统可以加入压力情景假设，手动调低分散化收益的预期。也可以直接降低杠杆，用现金仓位替代复杂的对冲结构。模型再精密，也算不出交易对手盘的强制平仓线在哪……