💰 quantitative finance

A Hybrid Gaussian Process Regression Framework for Stable Volatility-Covariance Estimation: Evidence from Global Equity Indices

本文提出了一种新颖的混合高斯过程回归 - 历史模拟框架，该框架将动态单变量波动率建模与稳定的历史相关性相结合，并采用激进噪声初始化策略，以实现相较于传统计量经济学模型更优的、符合监管要求的全球股票投资组合波动率 - 协方差预测。

原作者： Ujjwala Vadrevu

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Ujjwala Vadrevu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一艘巨轮（银行的投资组合）的船长，航行在全球股票市场的海洋中。你最重要的工作是预测明天的海浪会有多大，以便装载足够的救生艇（资本）来抵御风暴。如果你把海浪估计得太小，船就会沉没；如果你把海浪估计得太大，你就会浪费资金携带不必要的救生艇。

本文介绍了一种预测这些海浪的新颖且更智能的方法，称为混合 GPR-HS 框架。其工作原理如下，分解为简单的概念：

1. 旧地图的问题

长期以来，银行使用“旧地图”（如 GARCH 或 EWMA 等传统数学模型）来预测海浪。本文指出，这些地图存在三个主要缺陷：

它们假设海洋是平静的：它们预期海浪是平滑且可预测的，但真实市场存在“肥尾”——即这些模型会遗漏的突然且巨大的海啸。
它们过于僵化：它们假设坏消息和好消息对海洋的影响是相同的。事实上，风暴（坏消息）通常比平静的一天（好消息）产生更大的海浪。
它们在人群中会困惑：当你试图预测七艘不同的船（股票）如何协同移动时，这些旧模型往往会崩溃，或者给出数学上不可能得出的答案。

2. 新解决方案：“智能混合”方法

作者构建了一个新系统，结合了两个世界的最佳之处：高斯过程回归（GPR）和历史模拟（HS）。这就像使用高科技天气雷达来预测单个海浪，同时使用可靠的历史书来了解海浪之间如何相互作用。

雷达（GPR）：这部分模型不将海浪强行纳入僵化的形状，而是学习海洋的“粗糙度”。它使用一种称为Matern 5/2 核的特殊工具。想象一下试图绘制海岸线。平滑的曲线（如圆形）看起来不像真实的锯齿状海岸。Matern 核就像一幅锯齿状、逼真的素描，比平滑曲线更能捕捉股票价格粗糙且不可预测的本质。
历史书（HS）：虽然雷达预测单艘船如何对风做出反应，但历史书则观察所有船只在过去是如何协同移动的。这保持了数学的稳定性，并防止模型在船队规模扩大时陷入困惑。

3. 秘密武器：“激进噪声初始化”（ANI）

这是本文最大的创新。在教计算机学习时，你必须给它一个初始猜测。通常，人们从一个“安全”的猜测开始。本文提出：“从一个响亮且保守的猜测开始。”

类比：想象你在教学生开车。如果你让他们在安静、空旷的道路上起步，他们可能会变得过于自信。相反，作者告诉计算机：“起步时假设道路上满是坑洼和混乱。”
结果：通过从这个“响亮”的假设开始（将噪声水平设置为与实际数据的狂野程度相等），计算机被迫非常谨慎。它永远不会低估危险。这确保了即使模型出错，它也会偏向安全——携带比必要更多的救生艇，而这正是监管机构所喜爱的。

4. 试驾

作者在五年（2020–2025）期间，在七个主要全球股票市场（包括美国、欧洲、日本和印度）上测试了这个新系统。他们使用了一种“前向链式”方法，这就像开车时只透过挡风玻璃看路，从不偷看后视镜作弊。

结果：

安全第一：新模型在整个投资组合的严格“预期亏损”测试（衡量灾难中损失金额的标准）中，100% 通过了。
优于旧方法：在准确性方面，它在 71.4% 的案例中优于标准的“历史 VaR"（旧地图），并且在安全性方面（更少的意外违规）在 100% 的案例中表现更佳。
保守获胜：在某些情况下，模型预测的崩溃次数少于实际发生的次数。在银行业，这是一种“良性失败”。这意味着银行持有额外的资本并处于安全状态，而不是措手不及。

5. 核心结论

本文提出了一种测量金融风险的新方法，它比传统方法更智能、更灵活、更安全。通过使用“粗糙”的数学核来捕捉现实世界的混乱，并从“保守”的猜测开始，该系统确保银行为最糟糕的风暴做好了准备，在满足严格政府监管的同时，无需使用那些容易崩溃的不稳定、复杂数学。

简而言之：这是一个新的导航系统，它假设海洋总是比看起来更汹涌，从而确保船只永远不会耗尽救生艇。

技术摘要：用于稳定波动率 - 协方差估计的混合高斯过程回归框架

问题陈述
准确预测波动率 - 协方差矩阵（VCV）对于监管资本充足性流程至关重要，特别是内部资本充足性评估流程（ICAAP）和全面资本分析与审查（CCAR）。传统的计量经济学模型，包括 GARCH 族模型和指数加权移动平均（EWMA）方法，在现代金融环境中面临显著的结构局限性。这些局限性包括参数刚性、依赖正态性假设导致尾部风险（“肥尾”）的系统性低估、未能捕捉杠杆效应，以及无法在系统性压力期间建模非线性依赖和相关性传染。此外，多变量扩展模型如动态条件相关（DCC）GARCH 往往遭受数值不稳定的困扰，特别是在维持大规模 VCV 矩阵的正定性（PD）方面。虽然高斯过程回归（GPR）提供了一种能够建模非线性、时变异方差的非参数替代方案，但直接将多输出 GPR（MOGPR）应用于投资组合维度会引入不可接受的计算复杂度（ $O((N \cdot T)^3)$ ）并导致收敛失败。

方法论
本文提出了一种**混合高斯过程回归 - 历史模拟（GPR-HS）**框架，旨在解耦单个资产波动率的估计与资产间相关性的估计。

数据与预处理：研究使用了七个主要全球股票指数（标普 500、欧元斯托克 50、日经 225、富时 100、恒生指数、印度 Nifty 50 和孟买 SENSEX）从 2020 年 6 月 30 日至 2025 年 6 月 30 日的每日收盘价。数据经过预处理以确保同步交易日历，并转换为每日对数收益率。
单变量 GPR 波动率建模：使用带有Matern 5/2 核的单变量 GPR 对单个资产的条件方差进行建模。选择该核函数而非径向基函数（RBF）核，是因为其关于二阶可微性的假设更能反映金融收益固有的“粗糙度”，而 RBF 的无限可微性在理论上并不适用。添加了一个白噪声核来建模不可约的异方差性。
激进噪声初始化（ANI）：引入了一种新颖的超参数策略，将初始白噪声方差（ $\sigma_n^2$ $σ_{n}^{2}$ ）设置为训练收益的经验方差。这服务于三个目的：
- 监管保守性：它驱动优化器趋向更平滑的结构函数，产生符合压力风险价值（SVaR）要求的保守波动率估计。
- 数值稳定性：它确保 Gram 矩阵从一开始就是良态的，防止求逆失败。
- 全局收敛：它平坦化了边缘似然曲面，辅助 L-BFGS-B 优化器逃离局部最优解。
混合 VCV 构建：投资组合 VCV 矩阵通过结合动态的、GPR 预测的条件方差（对角元素）与源自扩展训练窗口的稳定历史协方差（非对角元素）来构建。这将计算复杂度从 $O((N \cdot T)^3)$ 降低到 $O(N \cdot T^3)$ 。
风险指标推导：假设自由度为 $\nu=5$ 的 Student's t 分布来推导风险价值（VaR）和预期短缺（ES），以捕捉尖峰厚尾特征。
验证：该框架使用扩展窗口前向链式交叉验证方案（2022–2025）进行评估。通过 Kupiec 无条件覆盖（UC）、Christoffersen 条件覆盖（CC）、McNeil-Frey ES 回溯测试和二次损失（QL）函数评估性能，并与静态历史 VaR 进行基准比较。

主要贡献
本文做出了三项主要贡献：

混合架构：引入了一种新颖框架，将用于动态波动率的单变量 GPR 与用于相关性的历史模拟相结合，解决了全量 MOGPR 的可扩展性和稳定性约束。
激进噪声初始化（ANI）：提出了一种原则性的初始化策略，确保 Gram 矩阵的正定性、数值稳定性以及符合监管要求的保守性。
跨市场实证验证：在五年内对七个异质全球股票市场进行了严格的回溯测试，证明了该框架在不同市场体制下的稳健性。

结果

模型收敛：GPR 模型在所有七个市场均实现了最优收敛，证据是随着训练历史的扩展，对数边缘似然（LML）分数单调递增。
单变量表现：该框架对大多数指数实现了 75% 至 100% 的条件覆盖（CC）通过率。无条件覆盖（UC）和预期短缺（ES）的失败主要被定性为“过度保守”（违规次数少于预期），这在监管背景下是首选的失败模式。
投资组合层面表现：混合框架在所有分割中实现了ES 测试 100% 的通过率，这是最具挑战性的监管验证。虽然 Kupiec 测试在特定分割中显示了一些“保守性失败”（实际违规次数 < 预期），但条件覆盖测试在所有情况下均通过，证实了模型能够跟踪时变波动率且违规未出现聚集。
基准比较：基于二次损失（准确性），GPR-HS 框架在 71.4% 的单变量案例中优于静态历史 VaR 基准；基于违规次数（安全性），在 100% 的案例中表现更优或持平。在投资组合层面的比较中，GPR-HS 框架显示出显著更低的二次损失值（例如，2022 年为 0.619 对比历史 VaR 的 13.931）。

意义与主张
本文主张，混合 GPR-HS 框架为动态投资组合风险测量提供了一种可行且符合监管要求的解决方案。通过解耦波动率和相关性估计，它克服了全量多变量 GPR 的计算和数值不稳定性，同时避免了传统 GARCH 模型的参数刚性。激进噪声初始化策略被强调为一种方法论贡献，确保了适合 ICAAP 和 CCAR 压力测试的保守且可辩护的预测。该框架在不同全球市场（包括高不确定性的亚洲体制）中保持稳定性和保守性的能力，表明其可作为现代市场风险管理的稳健工具。作者承认了静态相关性假设的局限性，但指出动态波动率成分在实践中有效地弥补了这一点，从而产生了稳健的投资组合层面风险指标。未来工作 noted 将把该框架扩展到压力情景分析，并通过 SHAP 值实现模型可解释性。