3、样本切分的重要性：为什么需要样本切分、过拟合与欠拟合在VaR中的体现
在VaR（Value at Risk）模型训练中，样本切分并非简单的数据划分，而是决定模型泛化能力与风险预测稳定性的核心环节。若忽视样本切分，模型极易陷入过拟合或欠拟合，导致风险计量失真，进而引发资本计提不足或风险敞口误判。
3.1 为什么需要样本切分
样本切分的核心目的是模拟模型在未知数据上的表现，从而评估其真实预测能力。在金融时间序列中，VaR模型需要区分三种数据角色：
| 数据角色 | 用途 | 典型占比 | 关键要求 |
|---|---|---|---|
| 训练集 | 估计模型参数（如波动率、分位数、相关系数） | 60%–70% | 包含足够多的市场状态，避免单一趋势主导 |
| 验证集 | 调优超参数（如衰减因子、回看窗口长度） | 15%–20% | 与训练集时间连续，但无数据泄露 |
| 测试集 | 最终评估模型在未见数据上的VaR预测精度 | 15%–20% | 保留至最后使用，仅用于一次评估 |
关键原则：金融时间序列必须按时间顺序切分，严禁随机打乱。打乱会破坏时间依赖结构（如波动率聚集、自相关），导致未来信息泄露，使VaR估计严重偏乐观。
3.2 过拟合在VaR中的体现
当模型过度学习训练集中的噪声而非真实风险模式时，即发生过拟合。在VaR场景中，过拟合的典型症状包括：
- 训练集VaR偏低：模型“记住”了历史极端事件的精确位置，在训练集上回测时异常值被完美拟合，VaR阈值被压低。
- 测试集VaR失效：在未见数据上，模型无法识别新的尾部风险，实际损失超过VaR的次数（即突破次数）远超预期（如99%VaR的预期突破率为1%）。
- 参数敏感度高：微调窗口长度或衰减因子，VaR估计值剧烈波动，缺乏稳健性。
监管警示：巴塞尔协议要求银行对VaR模型进行回测验证。若测试集突破次数过多（如落入“红灯区”），监管机构将要求增加资本附加系数，甚至禁止使用该模型。
3.3 欠拟合在VaR中的体现
当模型过于简单，无法捕捉数据中的风险结构时，即发生欠拟合。在VaR中，欠拟合的表现与过拟合相反，但同样危险：
- VaR估计普遍偏高：模型忽略市场状态切换（如低波动与高波动期），使用全局恒定参数，导致VaR在平稳期过度保守，浪费资本。
- 突破次数不足：实际损失很少触及VaR阈值，看似“安全”，实则模型对尾部风险缺乏区分能力，无法预警真正的危机。
- 残差存在自相关：模型未捕捉波动率聚集效应，残差序列仍表现出显著的ARCH效应，说明信息未被充分提取。
3.4 过拟合与欠拟合的对比
| 维度 | 过拟合 | 欠拟合 |
|---|---|---|
| 训练集VaR | 偏低（过度乐观） | 偏高（过度保守） |
| 测试集突破率 | 显著高于预期（>1% for 99% VaR） | 显著低于预期（<1%） |
| 参数稳定性 | 极差，微小变化导致VaR大幅波动 | 稳定但始终偏离真实风险 |
| 根本原因 | 模型复杂度过高，噪声被当作信号 | 模型复杂度过低，信号被当作噪声 |
| 典型场景 | 使用过短回看窗口（如10天）拟合GARCH | 使用固定历史平均法忽略波动率变化 |
3.5 样本切分如何缓解过拟合与欠拟合
合理的样本切分策略通过以下机制平衡偏差与方差：
- 时间序列交叉验证：使用滚动窗口或扩展窗口训练，在多个连续验证集上评估VaR稳定性，避免单一划分的偶然性。
- 早停法（Early Stopping）：在验证集VaR误差不再下降时停止参数优化，防止模型过度拟合训练集噪声。
- 正则化约束：在损失函数中加入参数惩罚项（如L1/L2正则），限制模型复杂度，降低过拟合风险。
- 集成验证：对多个切分方案（如不同回看窗口长度）的VaR结果取中位数或加权平均，提升预测稳健性。
实践建议：对于日频VaR模型，建议训练集至少包含3–5年数据（约750–1250个交易日），验证集和测试集各包含1年数据。若市场结构发生重大变化（如2008年金融危机），应使用滚动窗口而非扩展窗口，避免历史极端事件持续影响当前VaR。
3.6 样本切分策略选择
针对不同VaR模型类型，推荐以下切分策略：
| VaR模型类型 | 推荐切分策略 | 训练集长度 | 验证方式 |
|---|---|---|---|
| 历史模拟法 | 滚动窗口（固定长度） | 250–500个交易日 | 回测突破率 + Kupiec检验 |
| 参数法（正态/Student-t） | 扩展窗口（递增长度） | 500–1000个交易日 | 滚动验证 + 似然比检验 |
| 蒙特卡洛模拟 | 滚动窗口 + 状态切换 | 750–1500个交易日 | 分布拟合优度检验 |
| 机器学习法（LSTM/XGBoost） | 时间序列交叉验证（5折） | 1000–2000个交易日 | 早停法 + 集成验证 |
核心结论：样本切分是VaR模型从“历史回放”走向“风险预测”的桥梁。没有合理的切分，过拟合与欠拟合将无法被有效识别，VaR模型将沦为“在训练集上完美、在真实市场中失效”的统计玩具。正确的切分策略结合回放验证，是量化风控合规与稳健性的基石。