高维TVP-VAR-DY溢出指数：Elastic Net如何求解多资产风险传染-代码聚汇网

高维TVP-VAR-DY溢出指数：Elastic Net如何求解多资产风险传染

八戒漫谈美国·2026-09-06·阅读 22 GEO检测（免费）

溢出指数TVP-VAR-DYElastic Net

|难度：普通|阅读约 29 分钟

做金融时间序列的人，最近应该没少听到“溢出指数”这个词。尤其股票、债券、商品、行业指数混在一个系统里的时候，大家关心的早已不是单资产收益，而是“谁在向谁传递风险”。经典做法是 Diebold-Yilmaz 的溢出指数，再升级一点就是 TVP-VAR-DY 动态连接模型。可问题也很现实：当资产数量从十几个涨到四五十个，普通 TVP-VAR 的参数会膨胀到根本没法估计。

我后来真正在项目里跑通的是 HD-TVP-VAR-DY，也就是高维多变量溢出指数。它的核心思路并不复杂：在时变参数 VAR 的框架里引入 Elastic Net 惩罚，用“少量偏差换方差”的方式，把高维系数估计拉回稳定区间。这篇文章我会从原理、模型设计、代码实现到实战踩坑，完整拆一遍这套方法，适合正在做多资产风险传染、行业联动或者宏观金融网络的人参考。

1. 溢出指数为什么一到高维就失灵

1.1 Diebold-Yilmaz 的底子：“方差分解”到底在拆什么

Diebold-Yilmaz 溢出指数（通常简称 DY 指数）的核心，是预测误差方差分解。听起来复杂，但本质就一句话：当系统里某个资产受到一个冲击后，这个冲击带来的预测误差，有多少比例是被“自己”解释的，又有多少比例是被“别人”解释的。

假设一个 K 个变量的 VAR(p) 模型，估计完之后可以转化成 VMA(∞) 的形式，然后做 H 步预测误差方差分解。得到的结果是一个 K×K 的矩阵，元素 θ_ij 表示变量 j 的冲击对变量 i 的预测误差方差的贡献比例。把矩阵按行归一化之后，就能得到方向性溢出指标：

总溢出指数 TCI：系统中所有“跨变量”贡献之和占全部预测误差方差的比例；
FROM 溢出：某个变量 i 的方差中，来自其他所有变量的部分；
TO 溢出：某个变量 i 对其他所有变量的总贡献；
NET 溢出：TO 减去 FROM，描述这个变量是风险的“净发射方”还是“净接收方”；
配对溢出：两两资产之间的净传导，可以画成网络图。

这个方法被广泛使用，因为它不依赖变量顺序。普通 Cholesky 分解对变量顺序很敏感，而 DY 用的是广义预测误差方差分解（GFEVD），结果更稳健。这也是为什么它成了风险传染和宏观联动研究的“默认工具”。

1.2 TVP-VAR-DY：滚动窗口的进化版

原始的 DY 方法用的是滚动窗口估计 VAR。选一个窗口长度，比如 200 天，在窗口里估计 VAR，算一次溢出指数，然后窗口往前滚一天。这样确实能观察到溢出指数随时间的变化，但问题也很明显：

窗口长度不好选。窗口太短，单次估计方差大；窗口太长，结构变化又被平均掉了；
每次滚动窗口里的样本高度重叠，导致相邻两天的指标序列高度自相关，看着平滑，实际很多是“假平滑”；
一次只能得到一个时间点的估计，没法刻画系数在窗口内部的连续变化。

TVP-VAR-DY 的主要改进，就是不再用等权重滚动窗口，而是对所有历史观测施加一个指数衰减权重。越靠近当前时刻的观测，权重越大；离得越远，权重越小。这样每个时点都对应一组“更关注近期”的系数，参数随着时间连续演进，不需要人为选择窗口长度，只用选一个衰减系数 η（通常叫 forgetting factor）。

这个思路在低维系统里已经很成熟。但资产数量一多，新的麻烦就来了。

1.3 高维瓶颈：参数多了，故事就编不下去了

先说一个简单的账。一个 K 变量、滞后阶数 p 的 VAR，单条方程里要估计的系数是 1 + Kp 个，整个系统还要乘以 K。也就是说，总系数个数是 K(1+Kp)。

如果 K = 10，p = 2，一共是 10 × 21 = 210 个系数，用几百期日频数据还能接受。但如果 K = 50，p = 2，总系数数就到了 50 × 101 = 5050。这还是在系数不随时间变化的前提下。一旦变成 TVP，每个时点都要有一组这样的系数，而每个时点实际“有效”的衰减后样本可能只有几十到几百期。用几百个样本去估计五千多个系数，结果只有两个：要么过拟合得一塌糊涂，要么压根估不出来。

更麻烦的是残差的方差协方差矩阵也是时变的，维度同样是 K × (K+1)/2。K = 50 时这是 1275 个自由参数。如果不加任何约束，整个系统处于“数据根本撑不起来”的状态。

所以高维溢出指数缺的不是新理论，而是一个能把参数数量压下来、同时又保留“哪些变量之间确实有连接”这个信息的估计方法。Elastic Net 正好补上了这个位置。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. Elastic Net 为什么能救场：HD-TVP-VAR-DY 的设计逻辑

2.1 两个惩罚一起上：L1 管稀疏，L2 管稳定

Elastic Net 是 Lasso 和 Ridge 的混合物。Lasso 的 L1 惩罚会把一堆系数压缩成精确的 0，相当于帮你做变量选择；Ridge 的 L2 惩罚不会把系数压成 0，但能把数值整体往 0 收缩，适合处理高度相关的变量。

金融资产恰好是个高度相关的系统。行业指数、不同国家的国债、同板块的股票，彼此之间相关性很高。如果只用 Lasso，它会从一组高度相关的变量里“随意”挑一个，其他的直接砍掉；今天选 A 明天选 B，结果很不稳定。如果只用 Ridge，系数倒是稳定了，但接近 0 的小系数太多，没法清晰判断“谁和谁存在实质溢出”。

Elastic Net 两边都占一点：L1 负责把不重要的变量干净利落地干掉，L2 负责让高度相关的变量在进入模型时保留“组效应”。对应到溢出网络里，就是既能识别出核心传导节点，又不会因为变量共线性太高而左右横跳。

2.2 把 TVP 和 Elastic Net 揉进同一个目标函数

HD-TVP-VAR-DY 的做法，是在每个时间点 t，对带指数衰减权重的损失函数做惩罚估计。简化来说，目标函数可以写成：

L(B_t) = sum_{s=1}^{t-1} κ^(t-s) * ||y_s - B_t' x_s||^2 + λ * [α * ||B_t||_1 + (1-α)/2 * ||B_t||_2^2]

其中：

y_s 是 s 时刻的 K 维变量向量；
x_s 是截距和滞后变量组成的解释变量向量；
B_t 是 t 时刻的系数矩阵；
κ 是时间衰减因子，取值范围通常在 0.96 到 0.99 之间；
λ 是整体惩罚强度；
α 是 L1 和 L2 的混合比例，相当于 sklearn 里的 l1_ratio。

这个目标函数理解起来不复杂：前面一项是“让模型能解释最近的数据”，后面两项是“别让参数太放飞”。κ 越小，模型越看重近期数据，时变速度越快；κ 越接近 1，模型越平滑，但响应危机的速度也更慢。

实际操作中，我不会用一个单一方程去估计全部 B_t，因为变量之间的残差相关性还会影响参数估计。更稳妥的是先对每条方程分别用 Elastic Net 估计系数，再把残差收集起来，用同样的指数衰减权重估计时变方差协方差矩阵 Sigma_t。这样既利用了惩罚收缩的好处，又没有把模型复杂到难以求解。

2.3 用这套方法之后，到底换来了什么

最直接的好处是，即使 K 到了 50 或者更高，模型依然能跑。Elastic Net 会把大量不重要的滞后系数直接压成 0，真正剩下的就是核心传导路径。我在实际项目里用 40 多个行业和宏观变量的系统跑过，最后每个时点真正非零的系数占比通常在 10% 到 30% 左右，这就让“时变”有了意义——你能看到不同阶段是谁在主导溢出。

付出代价也是真代价。Elastic Net 是带偏估计，系数不再是“无偏真实值”，而是“压缩后的值”。如果你关心的是某个滞后系数的精确大小，这套方法不合适；如果你关心的是溢出指数的相对排名、网络结构、风险来源，那这个偏差完全值得。另外，Ealstic Net 对 λ 和 α 敏感，不能随便拍脑袋，一定要做交叉验证或者稳健性检验。

3. 高维TVP-VAR-DY实操：从数据到溢出热力图

3.1 数据准备：先别急着建模，把收益率处理干净

建模前第一件事不是调包，是看数据。

HD-TVP-VAR-DY 的变量一般要用平稳序列。金融资产价格通常是非平稳的，所以最常用的处理是转成对数收益率：

r_t = ln(P_t) - ln(P_{t-1})

如果你研究的是波动率溢出，也可以用已实现波动率或者 GARCH 估计出的条件波动率序列，但同样要检查平稳性。ADF 检验是最基本的，哪怕收益率序列大概率平稳，也要跑一遍确认。

数据对齐也很容易踩坑。不同资产可能有不同的交易日历，比如 A 股和美股节假日不同，债券和商品的交易时段也不一样。必须先把所有资产按交易日对齐，缺口的处理要统一。我的习惯是：

日内或日频数据用前值填充后计算收益率；
但填充不能太多，如果某资产连续缺失超过 5% 的样本，我会直接去掉该资产；
所有收益率序列统一成小数形式，不要一份是 0.01，另一份是 1%。

变量量纲不一致时，Elastic Net 的惩罚会变得不公平。数值大的变量，系数天然偏小，惩罚自动加重；数值小的变量，系数天然偏大，惩罚自动减轻。所以我会把收益率序列做标准化，让每个变量都有相近的波动量级。这个步骤在高维模型里不是可选项，而是必选项。

3.2 参数选择：p、H、衰减系数、惩罚系数怎么定

模型里最需要拍板的参数有五个：滞后阶数 p、预测期 H、时间衰减系数 κ、惩罚强度 λ、L1 比例 α。

滞后阶数 p：用信息准则决定，但在高维下 AIC 和 BIC 都不太可靠，因为它们没有考虑惩罚估计的偏差。我更倾向 p 取 1 或 2。日频金融数据里，滞后 1 期的传导信息通常占大头，滞后阶数增大反而会把噪声引入。
预测期 H：这个要结合你的业务问题。如果看短期风险传染，H = 10 天附近比较常用；如果看季度级别的联动，H 可以拉到 22 或 66。H 太短，溢出还没完全传导开；H 太长，所有指标都会趋同，看不出差异。
时间衰减系数 κ：这是控制“时变速度”的关键。做日频数据，我一般用 0.99 作为起点，此时半衰期大约 69 天，既能捕捉 2 到 3 个月的结构变化，又不会太毛躁。如果希望模型对危机更敏感，可以试 0.97 或 0.98。
惩罚强度 λ：用交叉验证或者信息准则选。不要只看一个时点，最好在每个时间点都做一次选择，但因为计算量太大，实践中可以选一个代表性时间段来确定 λ，再应用到全样本。
L1 比例 α：一般先设 0.5，表示 L1 和 L2 各占一半。如果结果太稀疏，就把 α 调小；如果结果太密、解释不清，就把 α 调大。

下面这个表是我常用的默认起点：

参数	默认值	适用场景	调整方向
p	1	日频收益率	低频或周频数据可试 p=2
H	10	短期风险传导	看跨月联动时增大到 22
κ	0.99	日频、结构缓慢变化	危机期调低到 0.97
λ	CV 选择	样本噪声大时增大	结果太稀疏就减小
α	0.5	一般金融资产系统	变量强相关时降到 0.2~0.4

3.3 核心代码框架：一个可改的Python原型

下面这段代码不是我论文里的正式源码，但把最关键的逻辑都覆盖了。你可以把它当成一个可用的研究原型继续改造。

python复制import numpy as np
from sklearn.linear_model import ElasticNet

def build_lags(y, p):
    T, K = y.shape
    X, Y = [], []
    for t in range(p, T):
        x = [1.0]
        for lag in range(1, p + 1):
            x.extend(y[t - lag])
        X.append(x)
        Y.append(y[t])
    return np.array(X), np.array(Y)

def fit_hd_tvp_var(y, p=1, kappa=0.99, lam=0.01, l1_ratio=0.5):
    T, K = y.shape
    X, Y = build_lags(y, p)
    n_obs = len(X)

    # 保存每个时点的系数矩阵和残差协方差矩阵
    B_list = []
    Sigma_list = []

    for t in range(1, n_obs + 1):
        X_hist = X[:t]
        Y_hist = Y[:t]
        weights = kappa ** np.arange(t - 1, -1, -1)

        B_t = np.zeros((K, 1 + K * p))
        resid = np.zeros_like(Y_hist)

        for i in range(K):
            en = ElasticNet(
                alpha=lam,
                l1_ratio=l1_ratio,
                fit_intercept=False,
                max_iter=5000
            )
            en.fit(X_hist, Y_hist[:, i], sample_weight=weights)
            B_t[i, :] = np.r_[en.intercept_, en.coef_]

            pred = X_hist @ B_t[i, :]
            resid[:, i] = Y_hist[:, i] - pred

        Sigma_t = np.cov(resid, rowvar=False, aweights=weights)
        B_list.append(B_t)
        Sigma_list.append(Sigma_t)

    return np.array(B_list), np.array(Sigma_list)

这段代码有几个细节需要解释：

fit_intercept=False 是因为我已经在 X 里手动加了常数项 1，让截距和系数一起被惩罚。如果你不希望截距被惩罚，可以在估计时把第一列排除，再把截距还原。
sample_weight 实现的是指数衰减权重。越靠近当前时间，权重越大。
np.cov 的 aweights 参数也可以接受一组权重，残差协方差矩阵会反映近期波动结构。

3.4 计算方差分解并汇总溢出指标

系数矩阵和协方差矩阵都拿到以后，下一步是算广义预测误差方差分解。核心是先把 VAR 转成 VMA 表示，再套 GFEVD 公式。

广义方差分解的一个基本公式长这样：

θ_ij(H) = (σ_jj^(-1) * sum_{h=0}^{H-1} (e_i' A_h Σ e_j)^2) / sum_{h=0}^{H-1} (e_i' A_h Σ A_h' e_i)

其中 A_h 是 VMA 表示中的第 h 期系数矩阵，Σ 是残差协方差矩阵，e_i 是第 i 个元素为 1 的单位向量。

这部分计算建议向量化，不要用两层 Python for 循环去套每个 i 和 j。可以先把所有 A_h 一次性算出来，再批量做矩阵运算。一个简化版本如下：

python复制def compute_gfevd(B_t, Sigma_t, p, H):
    K = B_t.shape[0]
    # 拆出滞后系数矩阵 B_l
    B_lags = []
    for l in range(1, p + 1):
        start = 1 + (l - 1) * K
        B_lags.append(B_t[:, start:start + K])

    A = [np.eye(K)]
    for h in range(1, H):
        Ah = np.zeros((K, K))
        for l in range(1, min(h, p) + 1):
            Ah = Ah + B_lags[l - 1] @ A[h - l]
        A.append(Ah)

    sigma_diag = np.sqrt(np.diag(Sigma_t))
    numerator = np.zeros((K, K))
    denominator = np.zeros(K)

    for h in range(H):
        tmp = A[h] @ Sigma_t
        for i in range(K):
            e_i = np.eye(K)[i]
            for j in range(K):
                numerator[i, j] += (e_i @ tmp[:, j]) ** 2 / sigma_diag[j]
            denominator[i] += e_i @ tmp @ A[h].T @ e_i

    theta = numerator / denominator[:, None]
    theta_norm = theta / theta.sum(axis=1, keepdims=True)
    return theta_norm

得到标准化方差分解矩阵后，按行累加非对角元素，再除以资产数量，就能得到时变总溢出指数：

TCI_t = 100 * (1/K) * sum_i sum_{j≠i} θ̃_ij,t

方向性溢出同样可以直接从矩阵里算：某一行非对角元素之和对应“FROM”，某一列非对角元素之和对应“TO”，两者相减就是 NET。

把这些指标按时间画出来，就是动态连接曲线；把某个特定时点的配对净溢出矩阵画成热力图或网络图，就得到风险传导路径。

4. 实操中最容易踩的坑与排查思路

4.1 指标忽上忽下：惩罚系数和衰减系数的锅

我最早跑高维 TVP 时，总溢出指数曲线像心电图一样乱跳，完全没法看。第一反应是数据没处理干净，后来发现是 λ 设得太小、κ 设得太低。

λ 太小时，Elastic Net 接近普通最小二乘，高维下过拟合严重，每个时点的系数都跟着噪声跑。κ 太低时，模型只盯着最近二三十天，稍微有个异常值，系数就剧烈波动。

排查思路很简单：先把 κ 调到 0.99 以上，再做一次交叉验证选 λ，而不是自己凭感觉填。如果曲线还是不稳，再看数据里有没有极端值。比如某一天某资产出现 -20% 的收益率，这种冲击在指数衰减权重里会持续影响很长一段时间，考虑做尾部缩尾处理或者加波动率加权。

4.2 几乎所有溢出都归零：Elastic Net 过度稀疏

另一个容易遇到的问题正好相反：跑出来的溢出指数非常低，几乎所有资产都是孤立节点。这时候不用怀疑模型算法有问题，多半是 α 或 λ 设得太大，把本应存在的弱溢出关系全部压成了零。

特别是 α = 0.9 以上时，模型非常接近 Lasso，在高相关变量里会做很激进的选择。结果就是很多真实存在的传导路径被删掉，网络变得过分稀疏。

我的处理方法是把 α 降到 0.3 左右，同时用交叉验证检查 λ 的选择范围。还有一个辅助判断：先跑一个普通低维模型（比如只放 10 个核心资产），看看溢出水平大概是多少，再看高维结果，如果低维明显有溢出而高维全部归零，大概率是惩罚过重。

4.3 结果对滞后阶数和预测期太敏感

有时候你会发现，p 从 1 改成 2，或者 H 从 10 改成 20，整个溢出排名就大变样。这说明模型里噪声占比不低，结果还没有稳到可以下结论。

有几个办法：

用多组参数做稳健性检验。不要只报告一组 p、H、κ 的结果，至少把 p = 1/2、H = 10/22、κ = 0.97/0.99 这几种组合都跑一遍，看看排名变化是否在可接受范围。
看相对排名而不是绝对数值。高维环境下绝对溢出指数的点估计偏差很难消除，但“谁的风险最大、谁是净发射方”这类排序信息通常更稳定。
如果排名对参数特别敏感，可以往数据里加少量噪声重跑多次，或者用 bootstrap 重采样，观察结果的标准差。这个成本不低，但能让你知道自己模型的可靠性边界。

4.4 高维下的性能优化建议

K = 50、T = 1000 的时候，上面那段 Python 原型会跑得非常慢。主要瓶颈在两层循环：外层时点 × 内层资产方程。K = 50 就是 1000 × 50 = 5 万次 ElasticNet 拟合，每轮还要做交叉验证，时间轻松翻几十倍。

我常用的优化手段有：

用 scikit-learn 的 multi_task 系列或者直接写坐标下降，把 K 条方程一起估计，但工程复杂度会上来；
减少交叉验证次数，比如先在样本前 30% 选好 λ，再固定 λ 跑全样本；
对状态参数做并行。每个时点的估计其实是独立的，可以用 joblib 或 multiprocessing 并行，速度提升非常明显；
如果只是想要溢出指标，不需要保留每个时点的完整系数矩阵，可以边估计边算方差分解，省内存。

5. 我现在做高维溢出指数的一些经验

5.1 不建议完全不看系数就“一键跑”

市面上已经有低维 TVP-VAR-DY 的 R 包或 Python 包，但高维版本目前没有特别成熟的一键函数。即使有，我也不建议直接黑盒跑完就交报告。至少要看一次某个代表性时点的系数矩阵，确认非零系数主要落在哪些变量上。Elastic Net 的惩罚选择是可以解释的，但你必须亲自检查这种解释是否符合金融直觉。

比如有一组行业指数，模型却显示某个几乎不相关的外部变量是最大溢出源，那大概率不是发现了新规律，而可能是数据标准化或者滞后对齐出了问题。

5.2 我惯用的稳健性检查组合

我现在跑高维溢出模型，固定会做三组检查：

参数扰动检查：κ、λ、α 都上下浮动 10% 到 20%，核心结论是否改变；
子样本检查：把样本分成危机前和危机后两段，看溢出的核心节点是否随阶段切换；
模拟数据检查：先构造一个已知网络结构的数据生成过程，比如三个强连接资产加一堆无关噪声变量，用同样的模型估计，看能否把真实连接找回来。

这三组检查做完，结论才敢往外扔。

5.3 后续可扩展的三个方向

这套框架给我的感觉是，它不只是解决“高维能不能算”的问题，更是把溢出指数从“固定几个资产”扩展到了“全市场扫描”的尺度。后续想继续深入，可以从三个方向走：一是把 Elastic Net 换成 Adaptive Elastic Net，让重要变量受到的惩罚更小，系数估计偏差更低；二是在方差分解之后做网络阈值分析，把弱连接过滤掉，只保留显著的风险传导路径；三是把时变 Sigma_t 再做一层结构估计，比如用 DCC 或者因子模型逼近，进一步降低协方差矩阵的估计噪声。

我个人的体会是，高维 TVP-VAR-DY 最大的价值不是得到一个更炫酷的指数，而是让你在资产数量足够多的时候，还能保持对“结构”的判断力。参数膨胀的问题永远不会消失，但 Elastic Net 给了你一个能和它共处的方式。跑了几十组数据之后，我的习惯是永远先看稀疏系数集中在哪里，再看溢出曲线怎么走——先有结构，再有数字，这条路基本不会走偏。