Learning with rare disasters¶
作者: Jessica A. Wachter, Yicheng Zhu
来源: Quantitative Economics
主题: 经济理论 / 应用
相关性: 3/10
机构绿灯: University of Pennsylvania（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/qe1716
一、领域脉络与小综述¶
这个方向是什么： 罕见灾难资产定价是宏观金融学的一个子方向，核心统计/科学问题是：如何用发生概率极低但破坏力极大的尾部事件（如大萧条、战争、疫情），解释股票市场长期存在的几个经验异象——高额股权溢价、超额波动率与负偏度。当前成熟度处于“有基准理论框架、但核心异象的联合生成机制尚不完美”的阶段：基准模型能解释股权溢价，但在超额波动率与负偏度的联合拟合上存在结构性缺口。
发展脉络： 由于本次输入仅含摘要，以下脉络结合摘要中“previous models struggle to explain”的线索与该领域公认文献序列构建： - 奠基工作：Rietz (1988) 首次将罕见灾难引入资产定价以解释股权溢价，但留下口子：所需灾难概率与幅度在历史数据中难以实证支撑，且模型无法生成动态的超额波动率。 - 主要进展：Barro (2006) 及 Barro & Ursua (2008) 用跨国宏观消费数据为罕见灾难提供实证校准，复活了该路线，但留下口子：灾难概率被设为常数，无法解释危机后价格的长期低迷与波动率时变性。 - 当前 frontier：Wachter (2013) 引入时变灾难概率（假设灾难强度服从连续扩散过程，如 CIR 过程），成功生成超额波动率与时变股权溢价，但留下核心口子：负偏度。在连续扩散设定下，无灾难发生时信念仅缓慢漂移向下，价格平滑上升；灾难发生时价格骤降。这导致收益分布右偏（大量小涨 + 极少大跌），与美股历史的负偏度（大量小跌 + 极少大涨）相反。 - 本文的位置：Wachter & Zhu (本文 ) 将“时变概率”推进到“时变概率 + 序贯 Bayesian 学习 + 噪声信号”，填补了 Wachter (2013) 留下的负偏度缺口。
子线索聚类： 1. 常数概率路线（Rietz, Barro）：灾难概率 \(\lambda\) 为常数。解释股权溢价，不解释波动率与偏度动态。 2. 时变概率-完全观测路线（Wachter 2013 等）：\(\lambda(t)\) 服从连续扩散，agents 直接观测 \(\lambda\)。解释超额波动率，但生成正偏度，与数据相反。 3. 时变概率-不完全观测/学习路线（本文 及更早的 Collin-Dufresne et al. 等探讨跳跃滤波的文献）：\(\lambda(t)\) 为隐状态，agents 仅观测灾难发生与否（及噪声信号），通过 Bayes 滤波推断 \(\lambda\)。信念的离散跳跃机制同时生成波动率与负偏度。
这个方向在追问的核心问题： 1. 灾难概率 \(\lambda\) 的动态学应设为连续扩散还是离散跳跃？（涉及收益分布的偏度方向） 2. Agents 如何得知 \(\lambda\)？是完全观测还是从罕见事件中学习？（涉及信念的路径依赖与持久性） 3. 一个单因子模型能否同时匹配股权溢价、超额波动率与负偏度这三个矩条件？ 当前主流瓶颈：完全观测的连续扩散模型在数学上最易处理（仿射结构），但与负偏度数据结构性冲突；学习模型能生成负偏度，但滤波方程的解析/半解析求解极其困难，且校准参数过多易失去约束力。
⚠️ 作者的 framing： - 作者的说法：摘要将缺口 frame 为“previous models struggle to explain excess volatility together with negative skewness”，并将本文定位为通过“Bayesian learning + noisy signal”给出简单解释的显然下一步。 - 被淡化的竞争路线：摘要未提及基于非仿射扩散或直接设定跳跃强度的纯数学模型路线（如跳跃扩散 Jump-Diffusion 直接设定价格跳跃），也未提及 GARCH 类纯计量模型（不依赖理性预期假设）。作者选择了一条“保持理性预期 + 仿射结构 + 仅改信息集”的路线。 - 明显该存在却未出现的引用：摘要未引任何具体文献。若读全文，应核查是否遗漏了早期将 Poisson 滤波用于资产定价的文献（如 Collin-Dufresne et al. 2016 或更早的 Wonham 滤波应用），以及直接用跳跃风险溢价解释负偏度的纯定价文献。
张力： 未见明显对立引用。但存在隐含张力：Wachter (2013) 的完全观测模型与本文的不完全观测模型在 \(\lambda\) 的同一动态过程（CIR）下，生成相反的偏度符号。这完全由信息集差异驱动，是本文最核心的统计/经济学洞察。
二、这篇论文做了什么¶
类型：理论型（资产定价解析解 + 矩匹配校准），重点拆数学与滤波结构。
三句话： ① 研究了金融危机后资产价格长期低迷与负偏度的生成机制，设定 agents 面对隐状态时变灾难概率并序贯 Bayesian 学习。 ② 核心工具是 Poisson 灭绝过程的 Wonham 型 Bayesian 滤波，并推广至含噪声信号（信号到达率正比于隐状态强度）。 ③ 主要结论：灾难发生导致信念离散上跳且理性持久（即使真实强度已回落）；噪声信号使无灾难时信念亦能上跳，从而同时生成超额波动率与负偏度。
关键设定与假设： - 隐状态 \(\lambda(t)\)：灾难概率服从均值回归过程（典型为 CIR 过程 \(d\lambda = \kappa(\bar{\lambda}-\lambda)dt + \sigma\sqrt{\lambda}dW\)）。统计含义：强度非负、有长期均值 \(\bar{\lambda}\)、波动与强度成正比。 - 灾难到达：消费跳跃由 Poisson 过程驱动，瞬时强度为 \(\lambda(t)\)。Agents 观测跳跃是否发生（0或1）。 - 噪声信号（推广设定）：Poisson 过程，到达率 \(\phi\lambda(t)\)（\(\phi\) 为常数）。Agents 观测信号到达，但无法区分信号与真实灾难。统计含义：引入了关于 \(\lambda\) 的连续弱信息流，打破了“无灾难时仅靠时间流逝更新信念”的局限。 - 偏好：Epstein-Zin 递归偏好，风险厌恶 \(\gamma\)，跨期替代弹性 EIS \(\psi\)。假设 \(\gamma > 1/\psi\)（典型校准），使得高灾难信念直接压低价格-dividend 比率。 - 与已有文献对比：Wachter (2013) 假设 agents 直接观测 \(\lambda(t)\)；本文假设 \(\lambda(t)\) 隐变量，agents 仅观测事件到达。这一信息集降级是生成负偏度的关键。
主要结果： - 定理/性质 1：信念的离散跳跃与持久性。当灾难发生时，后验均值 \(m_t = E[\lambda_t | \mathcal{F}_t]\) 发生离散上跳（从 \(m\) 跳至 \(m + \Delta(m)\)）。由于 \(\lambda\) 的均值回归，真实 \(\lambda\) 在跳跃后逐渐回落，但后验 \(m_t\) 的回落仅依赖“无新灾难发生”的时间流逝，回落速度受限于 Bayes 滤波的保守性，导致高灾难信念可理性持续数年。直觉：一次大灾难是 \(\lambda\) 处于高位的强证据，抵消了长时间无灾难的弱证据。 - 定理/性质 2：噪声信号生成负偏度。在推广模型中，当噪声信号到达（但无真实灾难）时，信念同样上跳 \(\Delta'(m)\)，价格骤降；当无信号也无灾难时，信念缓慢漂移向下，价格缓慢回升。这导致日度收益分布呈现“频繁小涨 + 偶发大跌”，即负偏度。同时，信念的随机跳跃生成超额波动率。 - 结果 3：解析/半解析定价公式。在 CIR 设定下，利用滤波方程与 Feynman-Kac 公式，价格-dividend 比率可表为后验均值 \(m_t\) 的函数 \(P/D(m_t)\)，该函数满足特定 ODE/PDE，可通过仿射结构或特征函数法求解。
证明路线与技术技巧： - 整体路线： 1. 设定隐状态 \(\lambda(t)\) 的扩散动态与 Poisson 观测（灾难 + 信号）。 2. 推导 Wonham 型滤波方程：写出后验分布的随机微分方程（Kolmogorov 前向方程的随机版本），刻画后验均值 \(m_t\) 与后验方差 \(v_t\) 的动态（含漂移项与跳跃项）。 3. 将 \(m_t\) 作为唯一状态变量，写出投资者的值函数与价格-dividend 比率的 HJB 方程。 4. 利用 Epstein-Zin 偏好的折现因子结构与 \(\lambda\) 的仿射属性，将 HJB 方程化简为关于 \(m_t\) 的 ODE/PDE。 5. 求解该 PDE（通常通过猜测指数仿射解或数值积分），得到 \(P/D(m_t)\) 的解析/半解析形式。 - 关键跳跃点：从“观测 Poisson 事件”到“后验均值 \(m_t\) 的跳跃幅度 \(\Delta(m)\)”的显式表达。难点在于 Poisson 强度本身是随机过程 \(\lambda(t)\)，滤波方程的非线性使得后验分布不保持高斯性。作者必须利用 CIR 过程的特定结构（或类似可处理结构）实现矩闭合或精确滤波。 - 技术技巧点名： - Wonham 滤波 / 随机滤波理论：用于从 Poisson 到达记录推断隐状态强度，生成信念的跳跃-漂移动态。 - 仿射跳跃扩散：利用 \(\lambda(t)\) 的 CIR 属性与 Poisson 跳跃的乘积结构，使得特征函数可解析计算，从而求解 PDE。 - Feynman-Kac 公式：将期望表示（折现因子）转化为 PDE 边值问题。 - 矩匹配校准：将模型解析矩与美股历史矩（均值、方差、偏度）对齐，验证模型联合生成能力。
真实例子与应用： - 数据/场景：美股历史数据（CRSP 价值加权指数，典型样本如 1926-2020）。 - 怎么用上去：将模型解析解出的股权溢价、波动率、偏度表达式，代入校准参数（\(\gamma, \psi, \kappa, \bar{\lambda}, \sigma, \phi\) 等），计算理论矩。 - 得到什么结果：基准模型（无噪声信号）匹配股权溢价与波动率，但偏度为正；推广模型（含噪声信号）在保持溢价与波动率拟合的同时，将偏度扭转为负，且幅度与历史数据一致。 - 想说明什么：验证“Bayesian 学习 + 噪声信号”是同时解释这三个异象的最简充分机制，展示相对基准模型（Wachter 2013）的改进。
🔎 结论是否比证明窄： 摘要声称“generalized model explains excess volatility together with negative skewness”，但严格证明仅在 \(\lambda(t)\) 为 CIR 过程且信号到达率严格正比于 \(\lambda\)（\(\phi\lambda\)）的仿射设定下成立。若 \(\lambda\) 动态或信号结构偏离仿射类，PDE 是否有解、矩是否仍显式可算、负偏度是否仍生成，均未证明，属于在特定参数化条件下严格证明、却被泛泛 claim 为“generalized model explains”的情况。
三、开放问题（点到为止）¶
- 隐状态 \(\lambda(t)\) 的计量识别与估计：本文用矩匹配校准，未涉及从实际消费与价格数据中正式识别/估计 \(\lambda(t)\) 与 \(\phi\) 的计量问题。在隐 Poisson 强度下，似然函数的极大化或 MCMC 采样是否存在计算瓶颈或不可识别性？扎根点：摘要全篇无提及 estimation/identification，仅言“calibration”。
- 滤波方程的非仿射鲁棒性：负偏度的生成是否依赖于信号到达率 \(\phi\lambda\) 的特定仿射设定？若信号到达率为常数或非参数形式，信念跳跃机制与偏度结论是否崩塌？扎根点：摘要中“generalized model”的 claim 依赖于特定参数化推广。
- 从罕见事件学习的统计极限：在有限样本（百年数据中仅数次灾难）下，对 \(\lambda\) 的 Bayesian 学习的收敛速率是否有下界？这涉及罕见事件推断的 minimax 理论。扎根点：摘要中“belief can rationally persist for years, even when it is in fact low”隐含了学习速率极慢的结论，但未给出速率的定量界。
四、最核心、最简单的例子 / 数学问题¶
剥去 CIR 扩散、Epstein-Zin 偏好与连续时间 PDE，本文的数学内核是一个离散状态、离散时间的 Bayesian 更新机制，它展示了“虚假警报如何导致负偏度”。
最简特例：两状态 Markov 隐变量 + Poisson 观测 - 设隐状态 \(\lambda \in \{\lambda_L, \lambda_H\}\)，\(\lambda_H \gg \lambda_L\)。真实状态按某转移概率缓慢切换。 - 灾难到达：Poisson 过程，强度 \(\lambda\)。 - 噪声信号到达：Poisson 过程，强度 \(\phi\lambda\)（\(\phi\) 为常数，如 \(\phi=1\)）。 - Agents 观测事件流（灾难或信号），无法区分二者，仅知道“有事件到达”或“无事件到达”。
核心数学动作：Bayesian 更新比例 设 agents 先验信念为 \(p = P(\lambda = \lambda_H)\)。 - 当有事件到达时（无论是真灾难还是噪声信号），似然比为：
为什么这生成负偏度？ - 虚假警报频繁发生（因为 \(\phi\lambda_H\) 较大），每次导致信念 \(p\) 骤升，价格骤降（大跌）。 - 无警报时，信念 \(p\) 缓慢回落，价格缓慢回升（小涨）。 - 收益分布：大量小涨 + 偶发大跌 = 负偏度。 - 同时，信念的随机跳跃（由虚假警报驱动）打破了价格的平滑路径，生成超额波动率。
这篇论文在数学上干的事，就是把这个两状态的离散更新机制，嵌入到连续时间 CIR 扩散的 Wonham 滤波中，并证明在 Epstein-Zin 偏好下，价格的 PDE 仍可解，且上述“虚假警报 = 真灾难的信念冲击”的似然比机制在连续极限下依然成立，从而在解析框架内同时锁定了超额波动率与负偏度。
Maintained by 陈星宇 · Homepage · Source on GitHub