在金融风险管理里，大家最熟悉的风险刻度是VaR，它用一句话回答"最坏情况下会亏多少"。可一旦面对系统性风险、机构之间的风险传染这类问题，单一维度的VaR立刻不够用了。机构A的VaR正常，不代表A进入压力状态时不会把风险传导给整个市场；这种"传导"需要专门的度量工具，CoVaR和delta-CoVaR就是目前用得最多的两个指标。配合分位数回归作为估计手段，三者组合起来，成了最近几年风险计量和溢出效应分析里绕不开的一套方法。这篇文章是我自己从理论到代码完整跑过一遍之后的复盘总结，适合正在做系统性风险研究、金融风险管理论文、或者想把尾部风险度量落地的量化从业者参考，我会把定义、公式、代码和踩过的坑一起讲清楚。
1. 这个选题到底在解决什么问题
1.1 传统VaR为什么不够用
VaR的原始定义很简洁：给定置信水平q，在正常市场条件下，某资产或组合的最大可能损失。它本质上回答的是一个"单变量、无条件"的问题——只看自己，不看别人。但金融风险最有杀伤力的部分恰恰不是单个机构自己亏钱，而是机构之间通过资产负债关联、共同资产抛售、流动性挤兑等渠道互相传染。2008年之后做系统性风险研究的人越来越多，大家意识到，真正需要回答的问题不是"这个机构自己的VaR是多少"，而是"当某个机构处于压力状态时，其他机构甚至整个体系的风险会变成多少"。
这种条件化的风险度量，需要把"机构j处于困境"这件事显式地放进条件里。CoVaR的提出就是为了解决这个问题：它在"给定机构j发生风险事件"的前提下，度量机构i（或整个系统）的条件风险水平。delta-CoVaR则进一步把"机构j处于困境"和"机构j处于正常状态"两种情形下的条件风险做差，得到的差额就是机构j对机构i风险的边际贡献，也就是风险溢出效应的直接度量。学术上这叫系统性风险的贡献度，业务上可以理解为"谁才是真正的系统重要性机构"。
1.2 分位数回归：度量尾部传染的天然工具
很多人第一次看到CoVaR，第一反应是"这不就是条件VaR嘛，用GARCH族模型加个条件分布也能做"。但这个思路有个关键问题：GARCH模型的核心假设是均值方程和波动率方程共同决定整个分布，它把均值关系、波动率关系压缩在少数几个参数里，尾部行为是"推导出来"的，而不是"直接估计出来"的。一旦真实数据存在厚尾、偏度、非对称尾部依赖，GARCH的假设很容易失真。
分位数回归的思路完全不同。它不需要对整个分布建模，而是直接回答"在收益率分布的第q个分位点上，解释变量对被解释变量的影响系数是多少"。这里没有任何正态假设，也不需要显式指定参数分布族。Koenker和Bassett在1978年提出分位数回归时，用的是最小化非对称绝对偏差（check loss function）的思路，本质上是把所有样本按照被解释变量的大小分段，在给定分位点处做线性拟合。
用分位数回归来估计CoVaR有一个天然优势：风险传染往往只在尾部才显现。两个机构在日均收益率上可能相关性极弱，但在左尾极端下跌时，因为保证金、流动性、恐慌抛售等原因，尾部相关性会急剧上升。OLS拟合的是条件均值，它会把这段尾部关系平均掉；如果改用OLS估计出的系数去推算CoVaR，大概率会低估压力时期的传染强度。分位数回归直接在5%甚至1%分位点估计系数，捕捉的就是尾部关系本身，这是它成为CoVaR标准估计方法的根本原因。
1.3 动态化是落地关键
静态CoVaR只能给出整个样本期平均意义上的风险贡献，但金融体系的风险溢出强度是时变的。2008年危机期间、2015年股市波动期、2020年全球流动性冲击期间，溢出效应都会显著放大，平静时期的CoVaR根本反映不了压力时期的真实风险。这就是"动态条件下"四个字的分量。
动态化主要有三条路。第一条是滚动窗口法，每250个交易日做一次分位数回归，得到一条随时间变化的CoVaR和delta-CoVaR序列；第二条是条件状态变量法，在分位数回归方程里加入滞后一期的宏观状态变量（如期限利差、信用利差、市场波动率指数等），让分位数水平本身随宏观状态移动；第三条是更复杂的时变参数模型，比如TVP-VAR和DCC-GARCH的变体。三条路各有取舍，我在后面章节会给出具体对比和实现细节。
2. CoVaR与delta-CoVaR：定义、公式与业务含义
2.1 CoVaR的精确定义与一个容易混淆的点
先给出原始定义。设 (X^i) 为机构i的收益率，(q) 为置信水平（通常取5%或1%），机构j的边际VaR定义为：
[ P(X^j \le VaR_q^j) = q ]
这是机构j自己的风险底线。在此基础上，Adrian和Brunnermeier在2016年把CoVaR定义为"给定机构j恰好处于其VaR水平时，机构i的条件分位数"：
[ P(X^i \le CoVaR_q^{i|j} \mid X^j = VaR_q^j) = q ]
这里最容易踩的坑是条件事件的设定。上式用的是 (X^j = VaR_q^j)，也就是"机构j恰好等于自己的VaR"，这是Adrian和Brunnermeier原始论文的写法。但后来Girardi和Ergün在2013年指出，这个条件太苛刻，实际业务中"机构j处于困境"更应该理解为 (X^j \le VaR_q^j)，即机构j的损失至少达到VaR水平。两种设定的估计结果会不同，条件事件放宽后，CoVaR对尾部联合分布的依赖更强，也更贴近真实风险传染。现在很多论文采用Girardi和Ergün的修正版，但文献里两种都有，写文章时必须在开头明确自己用的是哪种定义。
实际估计时，分位数回归提供了简洁的实现方式。假设：
[ X^i_t = \alpha^{i|j}_q + \beta^{i|j}_q X^j_t + \gamma^{i|j}q M{t-1} + \varepsilon^{i}_t ]
在q分位点估计参数，那么：
[ CoVaR_q^{i|j} = \hat{\alpha}^{i|j}_q + \hat{\beta}^{i|j}_q VaR_q^j + \hat{\gamma}^{i|j}q M{t-1} ]
(M_{t-1}) 是一组滞后宏观状态变量，它把动态条件信息带入模型。如果只用滚动窗口不加入宏观变量，方程最后一项可以省略，模型就退化成单纯的滚动分位数回归。
2.2 delta-CoVaR才是溢出效应的贡献度指标
CoVaR本身是条件风险水平，但它包含了"两重风险"：一是机构j处于困境时，机构i本身也会面临更高的风险；二是这个较高的风险里，有多少是因为机构j的状态变差导致的。后者才是溢出效应要识别的东西。delta-CoVaR的逻辑很简单：用压力状态下的条件风险减去正常状态下的条件风险。
[ \Delta CoVaR_q^{i|j} = CoVaR_q^{i|X^j = VaR_q^j} - CoVaR_q^{i|X^j = VaR_{0.5}^j} ]
其中 (VaR_{0.5}^j) 是机构j收益率的中位数，代表正常状态。用线性分位数回归的参数表达，上式可以写成：
[ \Delta CoVaR_q^{i|j} = \hat{\beta}^{i|j}q \times (VaR_q^j - VaR{0.5}^j) ]
这个形式非常直观：(\hat{\beta}^{i|j}_q) 衡量的是机构j的收益率对机构i尾部收益率的敏感系数，括号里是机构j从正常状态滑向压力状态的收益率变化幅度。两者相乘，就是机构j状态恶化对机构i风险的边际贡献。
注意符号约定。收益率通常用负数表示亏损，VaR_q（q=5%）是一个负值，VaR_0.5是组合的中位数，通常为0附近甚至略正，所以括号里前半部分减后半部分通常为正。再看(\hat{\beta}^{i|j}_q)，如果两家机构的正相关性在尾部更强，这个系数通常是正的。于是delta-CoVaR通常是个负数（因为风险增加的方向是"亏损更多"，而负的delta-CoVaR代表条件风险进一步下降）。实务中有人直接取绝对值报告，有人保留负号并解释为"使得系统的风险进一步恶化"。我建议写文章时保留负号，把数值大小作为风险贡献排序的依据，这样才能和其他文献的图表对齐。
2.3 delta-CoVaR在实际业务中的三个典型用法
第一种是系统性重要性排序。对每家机构计算它对系统的delta-CoVaR，数值越大（绝对值越大）说明这家机构陷入困境时对整个体系的溢出越严重。监管和内部压力测试中常用这个排序来识别"大到不能倒"的机构。
第二种是溢出强度的时序监测。把某家机构对系统的delta-CoVaR画成曲线，可以看到它在特定事件前后明显攀升。做风险预警时可以把这条曲线当成一个先行指标，压力状态下的跳升往往先于系统性危机的全面爆发。
第三种是两两机构之间的溢出矩阵。把N家机构的delta-CoVaR组成一个N×N矩阵，对角线表示机构对自身的影响（可以设为0），行表示"该机构对外界的溢出"，列表示"该机构受到外界的溢出"。这个矩阵是构建风险网络的基础输入，后面的网络中心度、系统重要性排名都是从它上面叠加出来的。
3. 从数据到指标：完整实操流程
3.1 数据准备与变量构造
数据质量直接影响尾部估计的稳定性，这一步值得花时间打磨。以日频数据为例，我通常按以下流程准备数据。
收益率采用对数收益率，即 (r_t = \ln(P_t / P_{t-1}))，原因是对数收益率的可加性更好，也更接近正态分布的形状。价格序列要做复权处理，尤其是长期跨度数据，不复权会引入虚假跳变。
如果是分析机构对系统的溢出，系统组合收益率有两种做法。第一种是用市场指数直接代替，但这样有个问题：当机构j本身就是指数权重股时，指数收益率和机构j收益率天然存在重合，CoVaR中会混入"机构对自己"的影响。更严谨的做法是构建剔除掉机构j的系统组合，比如计算指数内除机构j以外的所有成分股的市值加权收益率。这个处理在文献里称为leave-one-out系统收益率，虽然麻烦，但结果更干净。
宏观状态变量方面，常规选择包括：期限利差（十年期国债收益率减三个月或一年期收益率）、信用利差（企业债与国债的收益率差）、短期市场波动率指标（比如股市已实现波动率或VIX类指标）。所有宏观变量都要滞后一期进入回归方程，一方面避免同期内生性，另一方面符合"用前期状态预测当期尾部风险"的实际逻辑。
缺失值和停牌问题值得单独说。日频数据里，机构停牌会导致收益率出现零值或缺失值。我一般先做空值剔除，然后对收益率序列做Winsorize处理，把1%和99%之外的极端值缩尾。对尾部回归来说，Winsorize不是为了抹掉极端值，而是防止数据录入错误造成的个别离群点把回归系数拉偏。真实的极端下跌应该保留，所以Winsorize的阈值不能缩得太紧。
3.2 分位数回归的核心代码实现
Python里最直接的工具是statsmodels的QuantReg。下面是一段基础实现，包含机构j收益对系统收益的tail回归和median回归。
import numpy as np import pandas as pd import statsmodels.api as sm # rt_sys: 系统组合收益率序列(Series) # rt_j : 机构j收益率序列(Series) def quantile_regress(y, x, tau): X = sm.add_constant(x) model = sm.QuantReg(y, X) # vcov='robust' 用Huber三明治标准误, 比默认更稳 res = model.fit(q=tau, vcov='robust', max_iter=10000) return res # 压力状态: q=0.05 res_tail = quantile_regress(rt_sys, rt_j, 0.05) # 正常状态: 中位数回归 res_med = quantile_regress(rt_sys, rt_j, 0.50) beta_tail = res_tail.params.iloc[1] beta_med = res_med.params.iloc[1] # 机构j的VaR: 用样本分位数近似(简化版) var_j_tail = np.percentile(rt_j, 5) var_j_med = np.percentile(rt_j, 50) delta_covar = beta_tail * (var_j_tail - var_j_med) print(f"delta-CoVaR = {delta_covar:.4f}")这里有几个细节。分位数回归在statsmodels里默认用迭代加权最小二乘实现，遇到低分位点时有失败风险，设置max_iter=10000能减少"算法没跑完就报错"的尴尬。vcov参数我习惯用'robust'，因为金融数据残差异方差非常常见，稳健标准误至少能避免你报告一个虚假的显著系数。
如果更喜欢R，quantreg包的rq函数更成熟，处理尾部估计的数值稳定性更好，尤其在小样本条件下差距更明显。科研论文里R用得更多，但Python在工程化落地、批量跑滚动窗口时更方便。我现在的习惯是研究阶段用R验证系数，工程复现阶段用Python。
3.3 滚动窗口：动态CoVaR怎么滚动出来
滚动窗口的思路不复杂：设定一个固定长度的窗口，比如250个交易日，从样本开头依次向后滑动，每次滑动都重新做一遍分位数回归，得到一组随时间变化的系数和delta-CoVaR序列。
窗口长度怎么定？我试过120、250、500、750这几档，经验如下：120天对尾部估计来说样本太少，5%分位点实际只用了约6个极端样本，系数噪声非常大，序列看起来就像随机游走；750天序列太平滑，2008年那种突然爆发的系统性风险事件会被严重摊薄。250天大概是一个交易日历年的长度，既能保证5%分位点有12个左右的尾部样本，又能保留一定的时间敏感度，是大部分文献的默认选择。
下面是一段滚动估计的代码骨架：
def rolling_delta_covar(rt_sys, rt_j, window=250, tau=0.05): dates = rt_sys.index n = len(rt_sys) out = [] for t in range(window, n): y = rt_sys.iloc[t-window:t] x = rt_j.iloc[t-window:t] res_tail = quantile_regress(y, x, tau) res_med = quantile_regress(y, x, 0.50) beta_tail = res_tail.params.iloc[1] var_j_tail = np.percentile(x, tau * 100) var_j_med = np.percentile(x, 50) delta = beta_tail * (var_j_tail - var_j_med) out.append((dates[t], beta_tail, delta)) return pd.DataFrame(out, columns=['date', 'beta_tail', 'delta_covar'])循环里有两次QuantReg估计，当机构数和窗口数都很大时计算量不小。实测下来，对20家机构做10年日频数据滚动，纯Python跑一次需要几分钟，属于可接受范围。如果机构数上百，建议用numba加速或者把分位数回归改成凸优化求解器。
有一点必须提醒：滚动窗口的最后一个估计值对应样本末期，如果样本最后一段恰好没有足够的尾部观测，delta-CoVaR序列可能出现异常的跳升或崩落。这是小样本的固有噪声，不是模型bug。处理办法是在报告里对序列做月度平均，或者用5日移动平均平滑后再绘图。
3.4 溢出效应矩阵与机构排名
单家机构的delta-CoVaR只是一个截面。做溢出效应分析，通常要扩展到多机构矩阵。假设有N家机构，两两之间都做一遍"j对i的delta-CoVaR"，得到N×N矩阵：
[ D = \begin{bmatrix} d_{11} & d_{12} & \cdots & d_{1N} \ d_{21} & d_{22} & \cdots & d_{2N} \ \vdots & \vdots & \ddots & \vdots \ d_{N1} & d_{N2} & \cdots & d_{NN} \end{bmatrix} ]
矩阵的行表示"这一家机构对外发送风险"，列表示"这一家机构接收风险"。实际操作中，我通常计算三个汇总指标：
- 行和（或者行均值）：表示该机构的总溢出水平，用于系统重要性排序；
- 列和（或者列均值）：表示该机构受外界风险影响的总暴露水平；
- 非对角元素的标准差：表示该机构溢出风险的结构稳定性，方差大说明它对不同交易对手的风险传导有显著差异。
这个矩阵本身就是风险网络的输入。把每行最大的几个元素对应的机构连起来，可以得到一张有向风险网络图，再叠加网络中心度指标，可以做更丰富的拓扑分析。不过提醒一句：矩阵形式的结果对尾部分位数和窗口长度很敏感，做机构排名时至少要有三个分位点的稳健性对照，否则排序结果可能在分位点改变时发生明显翻转。
3.5 稳健性检验的标准动作
一篇完整的CoVaR研究，稳健性检验几乎是规定动作，我自己一般做三组：
第一组是分位点敏感性。主结果用5%分位点，稳健性检验用1%和10%两个分位点重跑全部步骤。如果delta-CoVaR的排名结构在这三个分位点下大致一致，结论才算站得住。
第二组是窗口敏感性。除了基准的250天，额外跑200天和300天的滚动结果，看时变曲线是否保持相似的形态和峰值。窗口变化会导致水平值的整体平移，但峰值的时点应该是稳定的，如果峰值时点随窗口长度漂移，说明样本期存在罕见极端事件干扰，需要单独讨论。
第三组是模型设定检验。把有宏观状态变量和无宏观状态变量的结果都跑一遍，对比delta-CoVaR序列的相关性。正常情况下两者高度相关，因为宏观变量主要影响CoVaR的截距水平，对差分后的delta-CoVaR影响有限。如果出现两者走势明显分叉，多半是宏观变量和机构收益率之间存在共线性，要重新审查变量选取。
4. 常见问题与排查技巧实录
4.1 尾部分位回归不稳定的处理
这个问题几乎每个人都会遇到。典型表现有两种：一是statsmodels报ConvergenceWarning，二是结果系数大得离谱，比如beta_tail超过3甚至10。
先说报错。分位数回归的IRLS算法在低分位点、小样本情况下确实会震荡，尤其是当解释变量中存在极度偏态的序列时。我的排查顺序是：先看是否有常数项和变量共线性，再用标准化后的变量重跑，最后把max_iter调到50000。如果还是不收敛，换成R的quantreg包跑一遍，通常能收敛。R的rq函数底层用的是线性规划求解，数值稳定性比IRLS更好。
再说系数异常。beta_tail大于10这种结果，往往不是因为传染效应真的那么强，而是解释变量的尾部区间里样本太少，个别极端值主导了拟合。处理办法有三层：先缩尾1%极端值，再看是否有个别交易日因为除权除息导致收益率异常，最后考虑把窗口从250天放大到300到350天。
4.2 符号方向"反了"怎么办
分位数回归系数为负，在部分机构对之间是完全正常的。它表示两个机构的尾部收益率存在负相关关系，即一家机构下跌时另一家反而上涨。这在某些行业组合里真实存在，比如防御性行业和周期行业之间、银行和黄金股之间。但如果整个市场的机构对都是负beta_tail，那就要检查数据了。
我遇到过一个典型案例：系统收益率构建时没剔除目标机构，而目标机构在系统中权重过大，导致系统收益率和机构自身收益率高度重合，回归后的beta_tail被严重压缩甚至变为负值。改成leave-one-out系统收益率之后结果恢复正常。另一个常见原因是价格没有复权，拆股日出现大幅价格跳变，导致机构收益率序列包含非交易性噪声。这两个属于数据层面的坑，排查时要最先确认。
4.3 窗口、分位点、状态变量的取舍建议
这三个参数是连在一起的整体。低分位点（1%）天然需要更多样本，因为极端值数量太少，如果同时用短窗口，结果会非常不稳定。我实验后的建议组合是：5%分位配250天窗口、1%分位配500天窗口、10%分位配200天窗口。按这个逻辑搭配，每个窗口内的尾部样本数量不至于过少。
宏观状态变量的加入也要节制。状态变量不是越多越好，每多一个变量，尾部回归的自由度就少一截。我一般控制在3到5个，并且先用相关性矩阵筛选，剔除两两相关性超过0.7的变量。宏观状态变量主要价值是在"动态条件"上体现时变性，但它的作用要经过检验才值得保留。一个快速筛选办法：带状态变量和不带状态变量的模型分别跑出delta-CoVaR序列，计算两者的相关系数。如果相关系数在0.95以上，说明状态变量的边际信息有限，可以直接放简化模型。
4.4 结果呈现与解释的易错点
我见过很多人在解释delta-CoVaR时犯一个错误：把"统计贡献"直接说成"因果关系"。分位数回归本质上是在特定分位点上的条件相关关系，它描述的是"当机构j处于压力状态时，机构i的条件分位数会移动到什么位置"，这并不等于机构j的亏损直接导致机构i下跌。两者可能是共同受到某个宏观冲击驱动的结果。写结论时用"溢出效应"可以，但不要用"导致"这种强因果词。
另外，不同机构的收益率风险水平不同，直接比较delta-CoVaR的绝对值会有偏差。更公平的排序做法是先对每家机构的delta-CoVaR除以其自身VaR（或者无条件波动率），得到标准化溢出强度，再做跨机构比较。文献里有不少论文直接报告原始delta-CoVaR，这在解释时容易引起争议，我的做法是原始值和标准化值同时报告，主排序用标准化结果。
5. 我的实操心得与后续扩展
这个选题的价值在于它把"风险度量"从单一机构推进到了"关联风险"层面，而分位数回归又让尾部风险有了直接可估计的路径。我个人在跑完整个流程后最大的感触是：这个模型看起来简单，但每一步的细节都决定结果可信度。数据清洗、系统组合构建、窗口选择、分位点搭配、符号和规模的处理，任何一个环节草率，跑出来的delta-CoVaR都可能是一堆说服不了任何人的数字。
最后分享两个日常工作里的习惯。一是我每跑完一组样本，都会把滚动beta_tail和滚动delta-CoVaR画在同一张图上，叠加几个关键事件的时间标记。这个习惯帮助我很快发现窗口和分位点设置不当导致的失真。二是做多机构溢出矩阵时，我不会直接给完整N×N矩阵，而是先画热力图看整体模式，再挑出排序靠前的机构对做时间序列图。信息呈现永远比参数堆砌重要。
如果想在这个基础上继续往下做，比较自然的方向有两个：一是把分位数回归换成机器学习分位数方法，比如分位数随机森林或分位数梯度提升，用来捕捉非线性尾部关系；二是引入变量选择机制，在高维机构面板数据中自动识别真正有溢出效应的机构对，而不是所有机构两两全跑一遍。沿着这个框架走下去，能做的东西还非常多，但底层的CoVaR和delta-CoVaR定义、分位数回归的估计逻辑、动态化的窗口设计，起作用的始终是这套基础思路。
