核心观点 - 报告创新性地构建了一个融合GARCH模型、极值理论(EVT)与在险价值(VaR)的动态风险管理框架，并将其转化为防御性择时信号，该框架能有效捕捉市场厚尾特征和波动率聚集现象，在控制下行风险的同时保留向上弹性，显著提升投资组合绩效[1][2][10] - 实证检验表明，基于GARCH-EVT-VaR的防御性择时策略在创业板指、沪深300、中证500及中证1000等指数上均能产生正超额收益，显著降低年化波动率和最大回撤，并提升夏普比率与盈亏比[4][10][71][72] - 该策略的核心优势在于不依赖对市场走势的主动预测，而是通过动态风险阈值进行规则化、自动化的止损与再入场操作，为高波动市场环境提供了可落地的风险管理工具[10][13][74] 模型构建与方法 - GARCH模型应用：用于刻画收益率波动的集群效应，四个指数的GARCH模型参数α和β均为正，表明存在显著的波动聚集性，其中中证1000的α值更大，显示其当前波动对过去短期波动的反映更灵敏[3][49] - 极值理论(EVT)应用：采用超阈值模型(POT)和广义帕累托分布(GPD)来精准拟合收益率标准化残差的尾部特征，以解决传统正态分布假设无法反映市场尖峰厚尾特性的问题[13][25][26][53] - 模型合成与适配：结合GARCH与EVT构建动态VaR序列，不同指数适配的GARCH族模型不同，创业板指和沪深300适用GARCH(1,1)，中证500适配EGARCH(1,1,1)，中证1000更适合EGARCH(1,1,0)[3][49][67] - 防御性择时机制设计：当T-6至T-2期间的最小对数损失超过前一日计算的95%置信水平VaR阈值时，触发止损信号，将仓位调整为现金；待风险信号解除后，规则化再入场[16][31][32][35] 实证数据与检验结果 - 数据选取与处理：研究选取2017年1月1日至2025年11月7日的数据，涵盖创业板指、沪深300、中证500及中证1000指数及其ETF，其中2025年1月1日起为样本外回测，使用每日对数收益率进行计算[16][36][38] - 序列特征检验：各指数收益率序列的ADF检验p值均为0.0000，KPSS检验p值均大于0.05，通过了平稳性检验，符合建模要求[44][45] - 描述性统计特征：各指数收益率均呈现尖峰厚尾特征，峰度均大于3，JB检验p值均为0.0000，显著拒绝正态分布假设，凸显了使用EVT拟合尾部的必要性[46][47] 策略表现与绩效 - 超额收益：所有择时模型均产生正超额收益，其中创业板指和中证1000的年化超额收益较大，分别为4.42%和4.81%[4][71] - 风险控制：各择时模型的年化波动率较基准均有所减少，最大回撤显著下降，其中创业板指从49.4%降至36.8%，中证1000从42.0%降至30.0%，沪深300从32.1%降至20.8%[4][72] - 风险调整后收益：策略的贝塔值降低，阿尔法上升，夏普比率较基准指数均有大幅提升，同时盈亏比上升，证明择时有效减少了亏损[4][71][72] - 换手情况：策略换手率相对较低，各模型年均双边换手率大约在45到50倍之间[72][73] 策略优势与总结 - 风险度量精准：融合GARCH-EVT-VaR的模型能更准确地捕捉极端尾部风险[4][74] - 防御效果显著：在2020年全球疫情、2022年地缘冲突、2024年美联储加息、2025年关税事件等极端场景中，策略显著降低了组合最大回撤和波动率，同时保留了市场恢复阶段的收益捕捉能力[10][74] - 理念创新：防御性择时放弃了对市场顶底的主动预测，转而依靠严格的风险预算管理和规则化操作，实现了“风险控制先行”的投资逻辑，更适合普通投资者与机构在高波动环境中执行[10][13][21][74][75]