# 风控

这篇文章讲的是美国交易商骑士资本（Knight Capital）在 2012 年 8 月 1 日发生的交易事故及其连锁后果。文章先从 CEO Thomas Joyce 接到纽交所异常成交电话写起：公司下单量突然飙升，订单数量和行为都极不正常，所有交易几乎都在高位买入、低位卖出，导致资金以极快速度亏损。

事故的核心原因出在交易系统 SMARS 里一个早已停用但没有彻底删除的功能模块 Power Peg。这个模块原本用于拆单和控制子订单执行量，后来被停用，但相关代码仍残留在系统中。2005 年时，骑士资本又把这段代码切回到了一个更早的版本，而这个版本缺少必要的追踪与停止机制，一旦触发就可能让子订单无限循环执行。这个隐患在系统中潜伏了多年，始终没有暴露。

转折点出现在 2012 年。纽交所推出零售流动性计划（RLP）后，骑士资本决定参与，但距离上线时间很紧。开发团队为了给 RLP 新增标记位，复用了原本废弃的 Power Peg 标记位，并试图通过新代码覆盖旧逻辑。然而在 7 月 27 日部署脚本执行时，出现了关键失误：脚本在某台服务器 SSH 连接失败后直接跳过，没有重新部署，也没有报警确认，最后却向外报告“部署成功”。结果，其中一台仍然运行旧版本代码的服务器在 8 月 1 日开盘后率先触发异常交易。

事故发生后，IT 团队在没有迅速定位根因的情况下，又将其余服务器切回旧代码，反而让旧版 Power Peg 在更多机器上被激活，造成更大规模的失控下单。短短 45 分钟内，骑士资本对大量股票执行了数百万次交易，成交量占到市场总量的巨大比例，持有了规模庞大的多空仓位，最终形成约数亿美元级别的巨额损失。文章也回顾了这场事故中本可避免灾难的多个节点：旧代码没有彻底清除、部署脚本存在跳过失败节点的缺陷、部署失败邮件无人处理、异常发生后缺少应急机制、以及在未查明原因前贸然全量回退等。

最后，文章提到 SEC 认定这些成交属于有效交易，无法撤销。骑士资本只能在市场中被动平仓，最终在极短时间内亏损严重，股价也随之暴跌，随后被竞争对手收购。整篇文章本质上是在讲一个典型的“技术债 + 部署失误 + 风控缺失”共同酿成的金融灾难案例。

这篇文章围绕 GARCH 模型在量化风控中的局限展开，核心问题是：为什么很多时候模型在样本内表现正常，但一遇到剧烈波动，真实亏损仍会大幅超出预测？

文章首先从“波动率聚集”讲起：市场经常呈现大波动跟着大波动、平静跟着平静的特征，因此 ARCH/GARCH 这类条件异方差模型成为描述波动动态的重要工具。它们相比固定波动率模型更贴近现实，也因此长期被用于 VaR 估计和风险管理。但作者指出，GARCH 主要解决的是“波动随时间变化”的问题，并没有真正解决收益率的肥尾问题。即便把分布改成更厚尾的学生 t 分布，极端行情下的损失仍经常超出模型给出的风险边界。

接着文章把矛头对准“标准化残差”的隐含假设。理论上，标准化残差应该用真实波动率来除，但实际计算时只能用模型估计的波动率，这里面同时包含模型设定误差和参数估计误差。于是，当真实波动率快速上升或下降时，估计值往往滞后，导致标准化残差的分布被“污染”：在波动骤升时，普通下跌会被模型误判为极端事件；在波动骤降时，真正的风险又可能被低估成小波动。作者认为，这正是很多 VaR 回测失败的重要隐藏原因。

为了进一步刻画尾部风险，文章讨论了极值理论（EVT）的用法：先用 GARCH 过滤出标准化残差，再对尾部超额损失用广义帕累托分布（GPD）建模。然而，这套方法也有明显问题。首先是阈值怎么选：阈值太低会把非尾部样本混进来，太高又会让样本过少、估计不稳。其次，GPD 的形状参数在小样本滚动窗口里经常剧烈波动，难以判断究竟是尾巴变厚了，还是只是样本噪声。作者因此建议把极值理论更多当作稳健性检验，而不是唯一的精确答案。

文章随后讨论贝叶斯收缩。它可以把局部估计往长期均值上拉，降低参数抖动，但新的问题是先验怎么选、先验窗口多长、先验是否本身也是时变的。尤其在局部样本很短时，后验结果高度依赖人为设定，主观性并不比阈值选择更少。作者因此倾向于把贝叶斯收缩当作辅助检验，而不是最终结论，并建议与滚动历史分位数等更朴素的方法交叉验证。

在期权数据部分，文章引入了“波动率偏斜”这一视角。尾部风险升高时，价外看跌期权隐含波动率往往高于看涨期权，偏斜能反映市场对尾部风险的即时定价。但作者提醒，这个信号的回归关系很不稳定，日内噪声也很大，难以直接作为精确输入。更可行的方式是把它作为辅助预警：当偏斜超过历史高分位时，适当上调 ES 估计；若没有高质量期权数据，也可以用历史已实现波动率的偏度做交叉参考。

最后文章回到金融建模的根本限制：从巴舍利耶的正态随机漫步，到曼德勃罗的厚尾，再到 GARCH、极值理论和波动率微笑，模型一直在修正旧框架，却始终无法彻底预测极端状态。作者强调，所有基于历史数据的 VaR/ES 模型都有一个共同前提——历史会以某种连续方式重复。但当出现极端流动性枯竭或历史上未曾出现的新状态时，模型会整体失效。因此，除了统计模型，策略还应该设置一条不依赖回测证明的硬性风控线，确保在未知状态来临时仍能存活。

文章的落点也很明确：与其执着于寻找一个“终极更优”的风险模型，不如承认预测的边界，把更多精力放在准备与防守上。

这篇文章用问答形式，系统解释了 A 股量化投资的基本概念、原理和市场影响。
作者首先说明，量化投资本质上是用数学、统计和人工智能方法替代人工决策，在选股、择时、下单等环节实现自动化。
文章认为，量化的核心仍然是“因子”逻辑，比如价值、成长、动量、波动率、流动性、情绪、资金流和盘口等，只是表达方式和工具更科学。
它强调，量化并没有发明全新的投资逻辑，很多原理在传统投资经典著作里早已存在，只是借助计算机变得更系统、更稳定。
在交易层面，文章指出 A 股量化并不等于日内高频，更多资金其实是短中长周期结合，换手并没有外界想象得那么夸张。
对于“量化是否靠抢速度赚钱”这一点，文章也给出较温和的看法：只有极小部分资金对下单速度极敏感，大多数产品的收益并不主要依赖毫秒级速度。
文章还讨论了量化是否会加剧波动、是否提供流动性、是否改善定价效率，整体结论是：量化在多数情况下更像是市场的“阻尼器”和“准做市商”，对定价和流动性有正面作用。
在收益来源上，作者把量化的盈利拆成几部分，包括企业基本面增长、价格均值回归、纠正错误定价以及提供流动性的风险溢价。
文章也强调，量化并不是稳赚不赔的黑箱，风控、持仓限制和交易约束都很重要，而且大多数量化策略其实是可解释的白盒。
最后，作者认为量化会让市场更有效率，也会让交易型机会更难做，但总体上对市场和散户并非坏事。