4. 回放验证的核心逻辑：时间序列滚动窗口、固定窗口与扩展窗口

在金融风险计量中，VaR 模型的有效性不能仅靠一次性的历史数据拟合来证明。回放验证（Backtesting）通过模拟模型在历史不同时间点的“实时”表现，检验其预测能力。其核心在于如何切分训练集与测试集，以最真实地还原模型在未知数据上的表现。

时间序列数据具有天然的时间顺序性，因此不能使用随机切分。本章介绍三种最主流的窗口切分方法：滚动窗口、固定窗口与扩展窗口。它们决定了模型在每次回测时使用的历史数据长度与更新方式。

4.1 三种窗口切分方法的核心逻辑

4.2 滚动窗口（Rolling Window）

滚动窗口是最常用的回放验证方法。它使用一个长度固定的训练窗口，在时间轴上逐期向前滑动。每滑动一次，丢弃最旧的一个观测值，加入最新的一个观测值，然后重新估计模型参数并预测下一期的 VaR。

• 训练集长度：固定为 \( W \) 个观测值。
• 滑动步长：通常为 1 期（日/周），也可为多期。
• 优点：模型始终基于最近的数据，能快速捕捉市场波动率变化；计算量可控。
• 缺点：丢弃了较早的历史信息，可能丢失长期趋势；窗口长度选择敏感。

4.3 固定窗口（Fixed Window）

固定窗口与滚动窗口在数学形式上完全相同（训练集长度固定），但在实际回测工程中，固定窗口通常指不重叠或大步长的切分方式。例如，将 5 年的数据按年切分为 5 个不重叠的窗口，每个窗口内独立训练和测试。

• 训练集长度：固定，但窗口之间不重叠或重叠很少。
• 典型步长：等于窗口长度（不重叠）或窗口长度的一半（半重叠）。
• 优点：计算效率高；每个窗口的测试结果独立，便于横向比较。
• 缺点：样本量少时，测试结果方差大；无法捕捉窗口内的结构变化。

4.4 扩展窗口（Expanding Window）

扩展窗口的训练集长度随时间单调递增。每次回测时，保留全部历史数据，仅增加最新的观测值，从不丢弃旧数据。这种方法最大限度地利用了历史信息。

• 训练集长度：从初始长度 \( W_0 \) 开始，每次增加 1 期。
• 优点：参数估计的方差随样本量增加而减小；适合低频数据或长期趋势模型。
• 缺点：计算量随时间线性增长；对市场结构变化不敏感，旧数据可能引入噪声。

4.5 三种方法的对比与选择

4.6 工程实现要点

在 Python 中实现三种窗口切分时，核心是控制训练集的起始索引与结束索引。以下是一个简化的实现框架：

import numpy as np

def rolling_window(data, window_size, step=1):
    """滚动窗口生成器"""
    n = len(data)
    for start in range(0, n - window_size, step):
        train = data[start:start + window_size]
        test = data[start + window_size]
        yield train, test

def expanding_window(data, min_window, step=1):
    """扩展窗口生成器"""
    n = len(data)
    for end in range(min_window, n, step):
        train = data[:end]
        test = data[end]
        yield train, test

# 使用示例
prices = np.random.randn(1000)
window_len = 250

for train, test in rolling_window(prices, window_len):
    # 在此处估计 VaR 模型参数
    # 计算 VaR 并与 test 比较
    pass