金融報酬率資料非常態，該用哪種模型？

情境

先感受問題：平均值說沒事，但極端損失一來就崩

「遠勝資產管理」的量化分析師阿哲，在評估某股票型基金的風險時，把過去 10 年的日報酬率拿出來看。

大部分的日子，報酬率在 ±2% 之間波動，平均是 +0.03%，看起來很正常。但 10 年裡有幾次，一天就跌了 15%、18%，金融海嘯那年甚至有一天 -25%。

阿哲用傳統模型（假設常態分佈）算出來的「最大可能損失」只有 4%，但現實一來就是 20% 的坑。問題在哪？常態分佈的「尾巴」太薄了，對極端事件的機率嚴重低估。

他需要一個方法，可以直接對「最差的 5% 情境」、「最差的 1% 情境」建模，而不是只看平均值附近的波動。

舊方法

依賴常態假設的方法，遇到肥尾分佈就失準

1. 平均值和標準差假設對稱分佈：±2σ 涵蓋 95% 的常態分佈，但若分佈右偏或左偏，這個區間嚴重低估尾端損失機率。
2. 線性迴歸假設殘差常態：OLS 迴歸的假設之一是誤差項符合常態分佈，對非常態資料估計量仍有偏。
3. 裁剪掉極端值讓問題消失：把 ±3σ 以外的資料刪掉，等於主動消除「最需要被評估的風險資訊」，在風險管理上是最危險的做法。
4. VaR（風險值）用常態近似算：傳統 VaR 假設常態，對尾部事件的機率估計系統性偏低，2008 年金融危機後，監管機構已要求補充 CVaR（條件風險值）。
5. 只建單一模型而非分段建模：用一個模型涵蓋所有條件（平均情況和極端情況），極端區段的預測精度永遠被平均段稀釋。

新方法

分位數迴歸直接建模極端尾部

阿哲改用分位數迴歸（Quantile Regression）。這個方法最核心的特點：它估計的不是條件平均值，而是條件分位數。

他可以問模型：「給定市場波動率這麼高，報酬率最差的 5% 情境（第 5 百分位）是多少？」模型直接給出那條線，不需要假設資料是常態分佈。

分位數迴歸的好處：

• 不假設分佈形狀（無母數假設），對偏斜、厚尾資料照樣準確
• 可同時建多條分位線（第 1%、第 5%、第 10%、第 90%……），同時看悲觀和樂觀情境
• 聚焦尾部分位（Tail Quantiles）時，直接對「最壞情況」建模，是風險管理的最直接工具

這就是選項 D 講的：採用分位數迴歸模型（Quantile Regression Model），聚焦於尾部分位（Tail Quantiles）以評估極端風險。

錯選項

為什麼其他選項是錯的

變形題

同個考點下次怎麼變形

延伸

想再往下看，這 5 個

• 線性迴歸（Linear Regression）
  假設常態殘差、估計條件均值的迴歸方法，對非對稱肥尾資料不適用。
• 常態分佈（Normal Distribution）
  金融建模的傳統假設，但因尾部過薄而低估極端損失機率。
• 異常偵測（Anomaly Detection）
  識別偏離常態模式的極端事件，是風險管理系統的重要組成部分。
• 描述性統計（Descriptive Statistics）
  平均數、標準差是描述性統計的核心，但對非常態資料需搭配分位數一起看。
• 預測性分析（Predictive Analytics）
  分位數迴歸是預測性分析在風險情境中的應用，聚焦極端條件下的預測。