用日報酬的原始峰度來衡量尾部風險，聽起來很直覺，但實際上它有兩個結構性的問題：四次方讓少數幾筆極端觀測值主導了整個估計，而且峰度是對稱的，但投資人真正害怕的只有左尾。本文想談談兩個替代方案，下行半峰度與跳躍次數。
原始峰度的兩個毛病
先從數學上看原始峰度為什麼容易被少數事件綁架。峰度的定義是四階動差除以標準差的四次方：
`Kurt = E[(r - μ)⁴] / σ⁴`
四次方意味著觀測值的權重隨偏離程度急劇放大。一筆 2 個標準差的報酬，貢獻 16 個單位；一筆 6 個標準差的報酬，貢獻 1,296 個單位，是前者的 81 倍。換句話說，一個月的峰度估計值，很可能只是這個月有沒有出現過一筆極端報酬的代理變數，而不是一個描述分佈形狀的穩定統計量。
這在因子層面會產生幾個後果。
- 第一是估計不穩定：當那筆極端觀測值滾出估計窗口時，峰度會突然大幅下降，因子值跟著跳動，換手率上升。
- 第二是雜訊：一檔股票可能因為一次財報暴雷、一次併購傳聞、或一次流動性斷層而出現極端報酬，但這些事件未必代表它具備持續的高尾部風險特質。
- 第三是橫斷面排序失真：少數幾檔剛好有極端事件的股票會佔據因子值的最頂端，而其餘股票則擠在一個很窄的區間裡，排序的鑑別力下降。
第二個毛病是對稱性。原始峰度無法區分暴漲的厚尾與暴跌的厚尾。投資人願意為避免左尾事件支付溢價，而不是為避免右尾事件。用對稱的峰度去捕捉一個本質上不對稱的經濟機制，是概念上的錯配。
下行半峰度
下行半峰度的思路很直接：只看低於某個門檻的報酬，並且用一個正規化的形式來避免尺度問題。
定義下行半變異為：
`SV(τ) = (1/T) × Σ min(r_t - τ, 0)²`
其中 τ 是門檻，通常設為零、無風險利率，或一個小的正數目標報酬。對應的下行半峰度可以寫為：
`DSK(τ) = [ (1/T) × Σ min(r_t - τ, 0)⁴ ] / SV(τ)²`
這個比值形式的設計有幾個好處。分子只累積低於門檻的報酬的四次方，高於門檻的報酬完全不貢獻，這是下行的部分。分母用下行半變異的平方來正規化，使得 DSK 成為一個無尺度的形狀參數：如果下行報酬的尾巴很厚，DSK 會偏大；如果下行報酬集中在門檻附近，DSK 會接近某個基準值。
與原始峰度相比，DSK 的改進在於兩點。
- 第一，它完全忽略右尾：所以一檔股票因為暴漲而產生的極端正報酬不會污染因子值。
- 第二，正規化讓不同波動率的股票可以互相比較：一檔高波動股票與一檔低波動股票，即使絕對的下行損失差距很大，只要形狀相似，DSK 就會接近。
不過 DSK 仍然保留了四次方的敏感性。極端的下行報酬仍然會主導分子，只是主導的來源被限制在左尾。對於一筆暴跌就決定因子值的問題，DSK 只是緩解，不是根治。
跳躍次數
如果四次方太敏感，一個更激進的做法是完全拋棄幅度的資訊，只計數事件發生的頻率。這就是跳躍次數的思路。
跳躍的偵測通常建立在已實現變異與雙冪變差的比較上。已實現變異為：
`RV = Σ r_t²`
雙冪變差為：
`BV = (π/2) × Σ |r_t| × |r_{t-1}|`
在沒有跳躍、只有連續擴散的假設下，RV 與 BV 都收斂到整合變異，兩者應該接近。當出現跳躍時，RV 會被跳躍的平方大幅推高，而 BV 對單一筆大跳動不敏感，因此 RV − BV 可以作為跳躍變異的估計：
`JV = max(RV − BV, 0)`
跳躍比例則為 JV / RV。這個連續型的指標衡量的是總變異中有多少來自跳躍。
跳躍次數則是將這個邏輯離散化：對每一天的報酬，用一個統計檢定判斷它是否為跳躍，然後計算一段窗口內的跳躍天數。因子值就是這個計數，或計數除以窗口長度。
跳躍次數的優勢在於它對幅度完全不敏感。一筆 5 個標準差的跳躍與一筆 15 個標準差的跳躍，在計數上都算一次。這徹底解決了少數極端事件主導的問題。它的劣勢則是丟失了幅度資訊，兩檔股票同樣是三次跳躍，但一檔每次跳 3 個標準差、另一檔每次跳 10 個標準差，跳躍次數無法區分。
三者的比較
把三個定義放在一起，可以從幾個維度來比較。
- 對極端值的敏感度：原始峰度最高，下行半峰度中等，跳躍次數最低。
- 與左尾機制的對齊程度：原始峰度是對稱的，與下行風險的概念錯配；下行半峰度直接對準左尾，對齊程度最高；跳躍次數衡量的是事件頻率而非事件嚴重程度，與左尾傷害的關聯是間接的，頻繁跳躍的股票未必每次跳躍都很嚴重。
- 估計穩定性與換手率：原始峰度最不穩定，因為一筆觀測值的進出窗口就會造成大幅跳動；下行半峰度較穩定，因為權重分散在多筆下行報酬上；跳躍次數的穩定性取決於窗口長度與跳躍的頻率，當跳躍稀疏時，計數本身會有離散跳動。
- 經濟解釋：原始峰度最難解釋，它混雜了左右尾與幅度；下行半峰度最直接，它就是左尾的形狀；跳躍次數則對應到資訊到達的間歇性，跳躍往往與財報、政策、突發事件有關，頻繁跳躍的股票可能是「資訊事件密集」的股票。
原文出處：voltima_quant (@voltima_quant) 於 Threads · 查看原文
