多元GARCH与NIG新息：动态组合优化的突破

MHN-GARCH(1,1) 模型：

本质上是在解决一个长期割裂的问题：传统上你要么用多元 GARCH 做组合优化（但假设高斯新息，抓不住尾部），要么用 Lévy 过程给期权定价（但难以做高维动态配置），要么用随机波动率模型（但估计困难、不易滤波）。作者用 正态逆高斯（NIG）新息 + 仿射结构 把这三件事压进同一个可估计、可滤波、可闭式求解的框架里。

下面按"模型机制 → 估计与滤波 → 组合优化闭式解 → 期权定价 → 实证经济学含义"五个层次拆开。

一、MHN-GARCH的模型机制：为什么是"仿射 + NIG"

1. 核心建模思想

采用逐对（each stock--index pair）的二元结构来规避高维矩阵估计的维度灾难：对 30 只道指成分股中的每一只，都与 DJIA 指数构成一个二元 MHN-GARCH 系统。这样设计有两个好处：

降维：30 只股票的高维联合分布被拆成 30 个二元系统，每个系统的参数规模可控
契合对冲实践：现实中投资者本来就用指数 ETF 对冲个股暴露，二元结构天然捕捉"个股特质波动 + 系统性波动"的双层风险

2. 模型的数学形式

对第 nnn 只资产（个股）与资产 1（指数）构成的系统，离散时间对数价格过程为：

Xn,t=Xn,t−1+r+λ1,nh1,t+λnhn,t+anh1,t z1,t+hn,t zn,tX_{n,t} = X_{n,t-1} + r + \lambda_{1,n}h_{1,t} + \lambda_n h_{n,t} + a_n\sqrt{h_{1,t}}\,z_{1,t} + \sqrt{h_{n,t}}\,z_{n,t}Xn,t=Xn,t−1+r+λ1,nh1,t+λnhn,t+anh1,t z1,t+hn,t zn,t

条件方差服从 GARCH(1,1) 递推：

hi,t=ωi+βihi,t−1+αi(zi,t−1−θihi,t−1)2,i=1,...,nh_{i,t} = \omega_i + \beta_i h_{i,t-1} + \alpha_i(z_{i,t-1} - \theta_i\sqrt{h_{i,t-1}})^2, \quad i=1,\dots,nhi,t=ωi+βihi,t−1+αi(zi,t−1−θihi,t−1 )2,i=1,...,n

其中 zi,tz_{i,t}zi,t 是标准化 NIG 新息 ，平稳性要求经典的 βi+αiθi2<1\beta_i + \alpha_i\theta_i^2 < 1βi+αiθi2<1。

这套参数体系的经济含义：

ωi\omega_iωi：长期方差水平
αi,βi\alpha_i, \beta_iαi,βi：波动持续性（αi+βi\alpha_i+\beta_iαi+βi 越接近 1，持续性越强）
θi\theta_iθi：杠杆效应------控制负冲击对方差的非对称放大
λi\lambda_iλi：风险的市场价格（风险溢价与条件方差线性挂钩：μt=rf+λht\mu_t = r_f + \lambda h_tμt=rf+λht）
ana_nan：个股收益与指数新息的瞬时相关系数的编码，是动态相关性的核心载体

3. 为什么选NIG而不是其他重尾分布

NIG分布在这篇框架里不是随便挑的，它同时满足三个硬性要求：

捕捉偏度与超额峰度：相比纯高斯，NIG 有四个参数（位置、尺度、对称参数、尾重参数），能独立调节偏度和峰度
保持在仿射类内：NIG 的特征函数是指数-仿射形式，这是后面能推出闭式解的数学前提
更好拟合经验收益：论文指出经验证据一致显示金融收益具有超额峰度、时变波动、压力期相关性上升------NIG 能同时刻画这三点

关键点：仿射结构 + NIG 新息 = 既保留了 Heston--Nandi 单变量框架的解析易处理性，又把它推广到了多元重尾场景。这是整个论文的"技术支点"。

二、估计与滤波：实时提取方差与相关性

论文在 30 只道指成分股 + DJIA 指数本身的面板数据上估计模型，数据转换为连续复合对数收益以满足 GARCH 建模的平稳性假设。

估计后模型能提供** $实时滤波$ **的方差与相关矩阵------这意味着每个交易日都能得到：

每只股票的当日条件方差 hi,th_{i,t}hi,t
个股与指数的瞬时协方差（通过 anh1,thn,ta_n\sqrt{h_{1,t}}\sqrt{h_{n,t}}anh1,t hn,t 捕捉）
随时间演化的相关系数

这套滤波输出是后面所有应用（组合权重、期权定价、财富模拟）的共同输入。

三、CRRA 投资者的跨期组合优化：闭式解

这是论文最硬的理论贡献。投资者具有常相对风险厌恶效用 U(W)=W1−γ1−γU(W) = \frac{W^{1-\gamma}}{1-\gamma}U(W)=1−γW1−γ，财富演化满足：

Wt+1=Wtexp⁡(r+πt⊤rt+1)W_{t+1} = W_t \exp\left(r + \boldsymbol{\pi}t^\top \mathbf{r}{t+1}\right)Wt+1=Wtexp(r+πt⊤rt+1)

其中 πt\boldsymbol{\pi}tπt 是风险资产权重向量，π0,t=1−∑i=1nπi,t\pi{0,t} = 1 - \sum_{i=1}^n \pi_{i,t}π0,t=1−∑i=1nπi,t 是无风险资产权重。

1. 值函数与一阶条件

通过 Bellman 方程与条件对数正态性假设，作者导出最优权重的闭式解：

πi,t⋆=(12+λihi,t) $1-2αiEi,t+1$ −2αiθiEi,t+11−2αiEi,t+1−γ,i=2,...,n\pi_{i,t}^{\star} = \frac{\bigl(\tfrac{1}{2}+\lambda_i h_{i,t}\bigr)\bigl $1-2\\alpha_i E_{i,t+1}\\bigr$ -2\alpha_i\theta_i E_{i,t+1}}{1-2\alpha_i E_{i,t+1}-\gamma}, \quad i=2,\dots,nπi,t⋆=1−2αiEi,t+1−γ(21+λihi,t) $1-2αiEi,t+1$ −2αiθiEi,t+1,i=2,...,n

π1,t⋆=(12+λ1h1,t) $1-2α1E0,t+1$ −2α1θ1E0,t+11−2α1E0,t+1−γ−∑i=2naiπi,t⋆\pi_{1,t}^{\star} = \frac{\bigl(\tfrac{1}{2}+\lambda_1 h_{1,t}\bigr)\bigl $1-2\\alpha_1 E_{0,t+1}\\bigr$ -2\alpha_1\theta_1 E_{0,t+1}}{1-2\alpha_1 E_{0,t+1}-\gamma} - \sum_{i=2}^{n} a_i \pi_{i,t}^{\star}π1,t⋆=1−2α1E0,t+1−γ(21+λ1h1,t) $1-2α1E0,t+1$ −2α1θ1E0,t+1−i=2∑naiπi,t⋆

伴随的协状态变量 Ei,tE_{i,t}Ei,t 满足递推：

Ei,t=(βi+αiθi2)Ei,t+1+Gi(Et+1,πt⋆),i=1,...,n−1E_{i,t} = (\beta_i + \alpha_i\theta_i^2)E_{i,t+1} + G_i(E_{t+1}, \boldsymbol{\pi}_t^{\star}), \quad i=1,\dots,n-1Ei,t=(βi+αiθi2)Ei,t+1+Gi(Et+1,πt⋆),i=1,...,n−1

2. 这个公式告诉了我们什么

把闭式解拆开看，权重 πi,t⋆\pi_{i,t}^{\star}πi,t⋆ 由四个力量共同决定：

12+λihi,t\frac{1}{2}+\lambda_i h_{i,t}21+λihi,t：Myopic（短视）组件------当期风险溢价越高，权重越大
1−2αiEi,t+11-2\alpha_i E_{i,t+1}1−2αiEi,t+1：跨期对冲组件------未来方差变化对效用的边际影响
−2αiθiEi,t+1-2\alpha_i\theta_i E_{i,t+1}−2αiθiEi,t+1 ：杠杆效应组件 ------θi\theta_iθi 越大，负冲击对方差的放大越强，投资者越倾向于减仓对冲
分母 1−2αiEi,t+1−γ1-2\alpha_i E_{i,t+1}-\gamma1−2αiEi,t+1−γ ：风险厌恶的归一化------γ\gammaγ 越大，整体仓位越保守

注意：Merton 式的常数策略完全忽略了组件 2-3，即跨期对冲机会。这正是论文量化"财富等价效用损失（WEL）"的理论基础------当波动率时变且具有杠杆效应时，静态策略放弃了有价值的跨期对冲。

四、期权定价：隐含波动率曲面

利用模型滤波出的条件方差，论文借助 Heston--Nandi 类闭式 GARCH 期权定价公式为欧式期权定价。

核心机制是：

将每个时点的条件方差 hi,th_{i,t}hi,t 代入 Heston--Nandi 的闭式期权定价公式
由于 NIG 新息保留了仿射结构，特征函数可解析求得
通过 Black--Scholes 反函数构造隐含波动率曲面

关键洞察：由于模型同时捕捉了

时变波动率（通过 GARCH 递推）
杠杆效应（通过 θi\theta_iθi 参数）
重尾（通过 NIG 新息）

所生成的隐含波动率曲面自然呈现出市场观察到的 skew（偏斜）和 smile（微笑）特征 ，且这些特征部分来源于相关性风险------这是论文的第三个核心贡献。

五、经济学含义

对比MHN-GARCH 动态策略与几类简化策略：

Merton 式常数 Sharpe 比率配置
静态均值-方差（Markowitz）
忽略跨资产动态的单变量 GARCH

核心发现

忽略时变相关性和尾部风险，会导致显著的财富等价效用损失（WEL）

具体表现为：

WEL 可观：相对于常数方差基准，动态风险感知策略产生了"sizeable"的 WEL------这意味着投资者愿意放弃相当一部分当前财富，以换取从静态策略切换到动态策略
夏普比率与期望效用双优：MHN-GARCH 动态策略在两个维度上都显著优于 Merton 常数策略
曲面捕捉相关性风险：生成的隐含波动率曲面能刻画由相关性风险导致的市场微笑与倾斜

经济学解释

为什么动态策略这么重要？因为：

波动率聚类 + 杠杆效应 ：市场下跌时方差放大（θi\theta_iθi 捕捉），此时静态策略无法及时减仓
相关性上升 ：压力时期个股与指数的相关性上升（由 ana_nan 动态捕捉），分散化红利消失，静态权重过度冒险
重尾事件：NIG 新息让模型在极端事件下不至于像高斯模型那样低估尾部风险，从而提前调整仓位