交易中的异常值：了解概念与风险控制

交易中的异常值是远离典型观测分布的异常大价格、收益、成交量或指标变动。这些是在图表、交易记录或 P&L 中注意到的极端事件：突发的波动率飙升、罕见的成交量激增，或远超平常的单日收益。

教育说明：本文仅用于教育目的，不构成财务、投资、法律或税务建议。Finelo 不推荐任何证券、策略、平台或交易。投资和交易涉及风险，包括可能的本金损失。请向官方渠道或合格专业人士核实当前规则、费用、产品条款和适用性。

本指南面向希望了解异常值如何出现在市场数据中、如何可能影响动量或均值回归等策略，以及如何在不只是对噪音拟合规则的情况下检验依赖极端事件的想法的交易者和学习者。Finelo 提供金融教育，而非金融或投资建议。

如果您是该主题的新手，也可以浏览 Finelo 的学习资源：Finelo。

在交易中为什么异常值重要

异常值重要的原因在于它们可以主导风险、表现和解释。一项策略可能看起来有利可图，是因为少数非常大的盈利交易，或者在罕见亏损抹去许多较小收益之前似乎很稳健。在这两种情况下，极端观测所包含的信息往往超过平均交易本身。

在市场数据中，异常值通常表现为：

• 非常大的日内或日收益
• 突发的波动率飙升
• 异常的交易量
• 远离常见范围的指标值
• 策略交易历史中的重大盈亏

关键问题不仅在于异常值是否存在，还在于它代表什么。有些异常值可能是随机冲击。另一些可能与重复出现的市场结构、已安排的公告、期权到期、财报、宏观新闻或订单流冲击有关。围绕极端事件构建策略时，需要尽可能仔细地区分这些可能性。

什么算作异常值？

异常值是远离数据中心位置的观测值。在交易中，该观测可以是价格变动、收益、成交量读数或某个指标值。

一个简单规则可能将异常值定义为超出滚动 99th 百分位的日收益。另一种方法可能使用 z 分数或滚动百分位过滤器来识别相对于近期历史异常偏离的数值。确切规则应具体、可测试且与所研究的策略一致。

例如，研究日收益的学习者可能会：

1. 选择一只工具。
2. 计算日收益的滚动 99th 百分位。
3. 标记高于该阈值的日子。
4. 查看这些日子是否与已知事件、异常成交量或更广泛的波动率飙升一致。

此过程并不能证明该异常值可被交易获利。它仅创建了一个可重复的方法来识别和检查极端观测。

正态分布 vs. 尖峰厚尾的收益分布

通过分布来思考异常值是有帮助的。金融收益通常被描述为尖峰厚尾（leptokurtic）：在中心更为集中，尾部比正态钟形曲线更重。这意味着极端变动发生的频率比正态模型预测的要高。

这并不意味着每一次极端变动都可以被交易获利。它意味着交易者和研究人员在假定罕见事件像简单正态模型所示那样罕见时应保持谨慎。

可视化数据集中异常值的方法包括：

• 绘制收益直方图，可能使用对数刻度的纵轴以揭示尾部。
• 叠加滚动百分位线，例如 95th 或 99th 百分位，以查看阈值如何随时间变化。
• 标记个别尾部观测并检查其周边背景。
• 将极端日与成交量、波动率和已知事件时点进行比较。

如果许多被标记的观测与已安排事件一致，则这些异常值可能由事件驱动。如果它们随机出现，策略在将其作为信号前可能需要更强的确认层。

交易者如何尝试检测异常值

异常值检测应足够简单以便解释，并足够严格以减少误报。常见过滤器包括 z 分数、滚动百分位、波动率阈值和成交量对比。这些过滤器通常在组合使用时比单独使用更有用。

一个寻找异常值的流程可能要求：

• 相对于近期历史而言的大幅收益
• 异常的成交量
• 波动率飙升
• 确认性的市场或行业走势
• 已安排的事件或可识别的催化因素

例如，单一的大额收益本身可能并不具有意义。大额收益加上异常成交量再加上已知的宏观公告会提供更多背景。即便如此，这仍然是一个研究观察，而非胜率证明。

事件锚定也有帮助。研究者可以将观测按财报、宏观数据发布或其他已安排事件进行分组，而不是把每一次极端变动都视为随机。如果在类似事件类型周围反复出现相似行为，则该异常值可能与重复出现的市场结构相关，而非纯粹偶然。

测试基于异常值的策略

回测对于将随机噪音与可能的可重复优势区分开至关重要。针对极端事件的策略应使用完整的交易日志进行测试，因为平均值可能掩盖尾部事件的影响。

一个基础的研究工作流程可能包括：

1. 定义异常值度量和规则。
2. 使用完整的逐笔交易日志回测该规则。
3. 保留一个样本外期间用于验证。
4. 检查每笔导致超过 >X% 总 P&L 的交易。
5. 加入执行假设，包括滑点、成交和流动性过滤。
6. 审查尾部交易是否能由重复事件或市场结构解释。

能够导入原始回测结果的研究环境可帮助比较交易并追踪极端结果的驱动因素。QuantConnect 在其关于 回测分析 的文档中描述了这种类型的工作流程。

目标不仅是看回测是否盈利。目标是理解它如何获利或亏损。如果大部分利润来自一两笔异常交易，则结果可能脆弱。如果绩效在多个期间、多个工具和合理的执行假设下都能维持，则该发现可能更稳健。