17、跨市场传染效应：股票、债券、外汇、商品市场之间的流动性联动。相关性结构突变（Regime Switching）的检测。

各位，咱们今天聊一个非常刺激的话题——跨市场传染效应。

说白了，就是当某个市场突然“抽风”时，其他市场会不会跟着一起“抽风”？

我做了这么多年量化，见过太多次这种场景了。2020年3月，美股熔断，你以为债券是避风港？结果连国债都被抛售，美元指数暴涨，黄金也跟着跌。这就是典型的跨市场流动性传染。

为什么会这样？因为流动性本身是“活”的。当某个市场出现极端波动，做市商和机构投资者会本能地收缩风险敞口，开始抛售一切能卖的东西。这时候，相关性就不再是教科书上那个稳定的数字了。

17.1 跨市场联动的底层逻辑

我们先理清一个概念：跨市场联动不是简单的“A涨B跌”。

它分两种：

• 基本面联动：比如美联储加息，美元走强，新兴市场货币贬值，股市承压。这是有因果关系的。
• 流动性联动：纯粹因为资金紧张，被迫抛售。这是最危险的。

我个人习惯把流动性联动比作“多米诺骨牌”。你想想看，当一家对冲基金在美股上爆仓，它需要补保证金，怎么办？它可能先卖流动性最好的资产——比如国债期货。然后债券市场流动性下降，做市商开始提高买卖价差。接着，外汇市场也感受到压力，因为需要换汇来平仓。最后，连商品市场都逃不掉。

嗯，这里要注意：流动性联动往往发生在“尾部风险”事件中。平时你看不到，一旦出现，就是灾难。

17.2 相关性结构突变：为什么传统模型会失效？

很多交易员喜欢用滚动相关系数来监控跨市场关系。比如股票和债券的30天相关性。

但我要告诉你一个残酷的事实：滚动相关系数在关键时刻会骗人。

为什么？因为它假设相关性是平稳的。但现实中，相关性会突然“跳变”。

举个例子：

• 正常市场：股票和债券负相关（股涨债跌）。
• 危机时刻：股票和债券正相关（一起跌）。

这种跳变，就是结构突变（Regime Switching）。

我曾经在2015年股灾时吃过这个亏。当时我用滚动相关系数监控股债关系，结果模型告诉我“相关性稳定在-0.3”。但实际市场已经变成了+0.5。等我反应过来，仓位已经亏了一大截。

所以，我们需要专门的方法来检测这种突变。

17.3 检测方法：从简单到复杂

我给大家梳理几种实用的方法，从入门到进阶。

方法一：滚动窗口 + 阈值报警（入门级）

这是最直观的方法。计算一个固定窗口（比如60天）内的相关系数，然后设定一个阈值。当相关系数超过阈值时，发出警报。

import numpy as np
import pandas as pd

def rolling_corr_alarm(price1, price2, window=60, threshold=0.5):
    ret1 = price1.pct_change().dropna()
    ret2 = price2.pct_change().dropna()
    corr = ret1.rolling(window).corr(ret2)
    alarm = corr.abs() > threshold
    return corr, alarm

# 示例：股票 vs 债券
spy = pd.read_csv('SPY.csv', index_col=0, parse_dates=True)['Close']
tlt = pd.read_csv('TLT.csv', index_col=0, parse_dates=True)['Close']
corr, alarm = rolling_corr_alarm(spy, tlt, window=60, threshold=0.5)

这个方法简单，但有个大问题：窗口大小怎么选？太短了噪声多，太长了反应慢。而且它只能检测“已经发生”的突变，不能预警。

方法二：马尔可夫区制转换模型（Markov Regime Switching Model）

这是专业选手的玩法。它假设市场存在两种或多种“状态”（比如正常状态和危机状态），并且状态之间可以随机切换。

模型会估计：

• 当前处于哪个状态的概率
• 状态切换的概率
• 每个状态下，资产之间的相关性

我给大家一个简单的实现思路：

import statsmodels.api as sm

# 假设我们有两个收益率序列
ret1 = spy.pct_change().dropna().values
ret2 = tlt.pct_change().dropna().values

# 构建一个二元马尔可夫区制转换模型
# 这里用 statsmodels 的 MarkovRegression 做简化
model = sm.tsa.MarkovRegression(ret1, k_regimes=2, trend='c', switching_variance=True)
result = model.fit()

# 获取状态概率
smoothed_probs = result.smoothed_marginal_probabilities[0]

这个模型的好处是：它能给出“当前处于危机状态的概率”。当这个概率超过0.8时，你就该警惕了。

但缺点也很明显：参数估计不稳定，而且需要大量数据。我建议至少用3-5年的日度数据。

方法三：基于Copula的尾部相关性检测（进阶）

如果你觉得上面两种方法还不够“硬核”，可以试试Copula。

Copula的核心思想是：把资产的边缘分布和相关性结构分开建模。这样就能捕捉到“非对称”的相关性——比如下跌时相关性比上涨时更强。

我常用的一个指标是尾部相关系数（Tail Dependence）：

• 上尾相关系数：两个资产同时大涨的概率
• 下尾相关系数：两个资产同时大跌的概率

在流动性传染的场景下，我们最关心的是下尾相关系数。当它突然升高时，说明市场正在进入“一起死”的模式。

from copulas.multivariate import GaussianMultivariate
from copulas.univariate import Univariate

# 假设我们有两个收益率序列
returns = np.column_stack([ret1, ret2])

# 拟合高斯Copula
copula = GaussianMultivariate()
copula.fit(returns)

# 计算尾部相关系数
# 这里用经验方法：计算两个收益率同时低于5%分位数的概率
threshold = np.percentile(returns, 5, axis=0)
tail_prob = np.mean((returns[:, 0] < threshold[0]) & (returns[:, 1] < threshold[1]))

这个方法的好处是：它能给出一个具体的概率值，而不是一个模糊的“相关性变了”。

17.4 实战框架：如何构建跨市场传染预警系统？

说了这么多理论，我们来落地一个实战框架。

我个人习惯把预警系统分为三层：

1. 数据层：实时获取股票、债券、外汇、商品的价格和流动性指标（买卖价差、成交量等）。
2. 检测层：同时运行滚动相关系数、马尔可夫区制转换模型、Copula尾部相关性。取“多数投票”结果。
3. 决策层：当检测到结构突变时，自动降低风险敞口，或者切换到低相关性资产。

下面这张图展示了整个流程：

17.5 实战案例：2020年3月的跨市场传染

我们来复盘一下2020年3月的情况。当时我用马尔可夫区制转换模型监控了四个市场：标普500、10年期美债、美元指数、黄金。

结果如下：

时间	标普500	10年期美债	美元指数	黄金	危机状态概率
2020-02-20	正常	正常	正常	正常	5%
2020-03-09	暴跌	暴跌	上涨	下跌	78%
2020-03-12	熔断	流动性枯竭	暴涨	暴跌	95%
2020-03-23	触底	反弹	回落	反弹	60%

你看，在3月9日到12日这段时间，所有资产的相关性都变成了正相关——连黄金这种“避险资产”都在跌。这就是典型的流动性传染。

我当时做了一件事：把模型输出的“危机状态概率”作为风险因子，动态调整了多资产组合的权重。当概率超过80%时，我把股票仓位从60%砍到20%，同时增加了现金和短期国债。

结果呢？虽然没躲过全部下跌，但回撤比基准少了将近一半。

17.6 避坑指南与常见误区

最后，我给大家总结几个容易踩的坑：

1. 不要过度依赖单一模型：滚动相关系数、马尔可夫区制转换、Copula各有优缺点。我建议至少用两个模型互相验证。
2. 注意数据频率：日度数据适合做中期预警，但日内流动性传染可能几分钟就结束了。如果你做高频交易，建议用5分钟数据。
3. 小心“伪相关”：有时候两个资产的相关性突变只是因为某个共同因子（比如美元）在起作用。要区分“传染”和“共同驱动”。
4. 回测要包含危机时期：如果你只用2017-2019年的数据做回测，模型看起来会非常完美。但一遇到2020年3月，立马现原形。

我曾经犯过一个错误：在2018年用滚动相关系数做股债对冲策略，回测表现很好。结果2018年10月市场大跌时，股债相关性突然转正，策略直接亏了15%。从那以后，我每次回测都会刻意加入2008年、2020年等危机数据。

好了，关于跨市场传染效应和相关性结构突变，今天就聊到这里。记住：流动性是市场的血液，当血液不流动时，所有器官都会出问题。你的模型必须能捕捉到这种“血液凝固”的瞬间。

---