第 4 章 · 03 高频与 EVT 在 VaR

第 4 章 · 03 高频与 EVT 在 VaR

本节摘要:本节讲两个看似不同但都关乎「极端」的主题:高频交易(HFT) 的微秒级执行架构,与极值理论(EVT) 在尾部风险(VaR/ES)的建模。高频交易把自动化交易系统从传统人工撮合推向低延迟极限——市场适配器、CEP 引擎、订单管理器构成核心,FPGA/ASIC 把延迟压到亚微秒,共置(Colocation)让服务器物理靠近交易所。而极值理论则聚焦金融数据最容易被低估的部分——尾部,通过 Block Maxima(分块最大值,拟合广义极值 GEV 分布)与 Peak-Over-Threshold(超阈值,拟合广义帕累托 GPD)两种方法,改进 VaR 与 ES(预期尾部损失)的估计。两者结合,覆盖了量化从「执行端」到「风险端」的两大前沿。素材来自 docs/start/high-frequency 与 docs/start/evt-var-es。

内容来源:quant-wiki docs/start/high-frequency.md、docs/start/evt-var-es.md,知识结构化整理。

⚠️ 学习提示:高频与 EVT 都是「深水区」。本节目标是建立框架性理解——HFT 的架构层次、EVT 的两种方法——而非教你手工部署 FPGA 或推导 GPD 极大似然。这些是后续专题章节的起点。

学习目标

阅读完本节,你应当能够:

1. 区分自动化交易与算法交易。
2. 说出自动化交易系统的三大核心组件(市场适配器、CEP、订单管理器)。
3. 解释延迟的关键性与 Colocation 的作用。
4. 给出 VaR 与 ES 的定义与区别。
5. 描述 EVT 的两种方法(Block Maxima 与 POT)及其分布(GEV 与 GPD)。
6. 说清为什么正态分布会低估尾部,EVT 如何补救。

一、自动化交易:从人工到低延迟

过去十年,自动化交易(Automated Trading) 改变了交易系统的结构。它是算法交易的子集——不仅用计算机生成信号,还自动管理订单执行,尽量减少人工干预。

自动化 vs 算法:

传统交易系统做三件事:接收市场数据、发送订单、接收回执。早期需经纪商手动执行,费时且受情绪干扰。自动化后,系统接收实时行情(订单簿、成交量、最新成交),结合历史数据推断走势,生成订单,经风控检查后发到交易所。直接市场接入(DMA) 把延迟从秒级压到毫秒甚至微秒。

二、系统架构核心组件

Market Adapter(市场适配器)

交易所数据格式各异,适配器把它们转成系统统一格式。交易所通常提供 API 协助开发。

CEP(Complex Event Processing Engine,复杂事件处理)

策略的「大脑」。拿到数据后,基于历史与实时数据做统计分析、决策、生成订单请求。复杂事件是对市场趋势、波动、新闻等事件的实时处理。量化研究员的大部分时间花在 CEP 的策略设计、回测、优化上。

Order Manager(订单管理器)

接收 CEP 的指令,做风险检查(RMS),生成最终订单发到交易所。系统分策略级 RMS(SLRMS) 和全局 RMS(GRMS),分别管单策略与整体组合。

💡 Fat Finger 与风控:应用层和订单管理器都承担风控职责,防止「胖手指」错误(把 100 输成 10000)。这是自动化系统健壮性的关键。

三、协议、延迟与共置

FIX(Financial Information eXchange)协议 是行业标准化协议,降低接入新交易所的成本,使模拟器、历史回放、第三方分析工具的对接更容易。

延迟(Latency) 是高频交易的核心竞争力。延迟来自全链路:

1. 交易所发布行情数据包。
2. 数据包在网络中传输。
3. 服务器端路由处理。
4. Market Adapter 接收并解析。
5. CEP 决策。
6. 订单返回市场。

每环节延迟累积决定最终速度。Colocation(机柜共置) 把交易服务器物理靠近交易所,缩短网络传输距离,是 HFT 标配。

网卡选择与延迟:

个人或小型交易者通常用订阅式平台,而非自建 FPGA/ASIC 系统。

四、VaR 与 ES:尾部风险的度量

转向风险端。VaR(Value at Risk,风险价值) 是某置信水平下的最大损失分位数。如「95% VaR = 5%」意味有 95% 的把握,单日损失不超过 5%。

ES(Expected Shortfall,预期损失,又叫 CVaR) 是 VaR 之外的平均损失——即损失超过 VaR 时,平均亏多少。ES 比 VaR 更稳健,因为它考虑了尾部「形状」而不仅是分位点。

💡 VaR 的痛点:VaR 用正态分布估时会系统性低估尾部——因为金融收益是胖尾的,真实极端损失远超正态预测。这就是 EVT 的用武之地。

五、极值理论(EVT):专门建模尾部

极值理论(Extreme Value Theory, EVT) 专注于数据分布的尾部行为,在金融市场用于分析极端波动与风险事件。它的核心信念:尾部虽然稀少,但有规律,可单独建模。

方法一:Block Maxima(分块最大值)

把历史数据分成多块(按月/季/年),取每块最大值,对这些最大值建模。Fisher-Tippett-Gnedenko 定理指出,适当缩放后,最大值分布收敛到三种之一:甘贝尔(Gumbel)、弗雷歇(Fréchet)、威布尔(Weibull),统一为广义极值(GEV)分布:

G(x) = exp{ −[1 + ξ(x−μ)/σ]^(−1/ξ) }

参数:μ 位置、σ 尺度、ξ 形状。ξ 决定尾部:ξ=0 为甘贝尔,ξ<0 为威布尔,ξ>0 为弗雷歇(肥尾)。

方法二:Peak-Over-Threshold(POT,超阈值)

关注所有超过某阈值的观测值,用广义帕累托分布(GPD) 建模。Pickands-Balkema-de Haan 定理:阈值足够大时,超出量的分布近似 GPD:

当 ξ≠0:P(X ≤ x | X > u) ≈ 1 − (1 + ξx/τ)^(−1/ξ)

当 ξ=0:P(X ≤ x | X > u) ≈ 1 − exp(−x/τ)

💡 两种方法的选择:Block Maxima 适合「周期性极端」(如每年最大回撤);POT 适合「簇状极端」(同一波动期内多次超阈),数据利用更充分。实务中 POT 更常用。

六、用 EVT 计算 VaR 与 ES

VaR 的计算

把拟合的 GEV/GPD 参数代入逆累积分布函数,求给定置信水平下的分位数。GEV 的 VaR(置信度 p):

VaR = μ − (σ/ξ) × [1 − yₚ^(−ξ)],其中 yₚ = −log(1 − p)

ES 的计算

ES 是超过 VaR 部分的平均:

ES = VaR / (1 − ξ) + (σ̃ − ξu) / (1 − ξ)

ES 总比 VaR 大,因为它考虑了 VaR 之外的损失。

⚠️ 实务要点:EVT 的参数估计用最大似然(MLE),样本量需足够(通常需几百个超阈值点)。阈值 u 的选择是艺术——太高样本不足,太低违反 GPD 假设。常见做法是用平均超额图(mean excess plot) 帮助选阈值。

七、EVT 与正态分布的对比

💡 整合用法:实务里两者结合——日常风险用正态/历史模拟,尾部用 EVT。这样既覆盖常态又覆盖极端,是巴塞尔协议对银行风险计量的基本要求。

本节要点回顾

1. 自动化 vs 算法:自动化是算法子集,信号+执行全自动;DMA 把延迟压到毫秒/微秒。
2. 三组件:Market Adapter(格式转换)、CEP(策略大脑)、Order Manager(下单+风控);FIX 协议标准化接入。
3. 延迟与共置:全链路累积;Colocation 让服务器物理靠近交易所;FPGA/ASIC 把延迟压到亚微秒。
4. VaR/ES:VaR 是分位数损失,ES 是超 VaR 的平均损失;ES 更稳健(满足次可加性)。
5. 正态的盲区:金融收益胖尾,正态估 VaR 系统低估尾部。
6. EVT 两法:Block Maxima 拟合 GEV(周期性极端),POT 拟合 GPD(簇状极端,更常用)。
7. 整合:日常用正态/历史模拟,尾部用 EVT;阈值选择是艺术,需充足样本。

下一节,我们看策略类型解密——把全书出现的所有策略(动量、反转、套利、事件驱动、宏观、多策略、九大机构策略)系统分类,为第 5 章脚本实战铺路。