4. 坏账率统计方法：简单移动平均、指数加权移动平均、滚动窗口统计
在高频行情风控中，坏账率并非一个静态数值，而是随时间波动的动态指标。选择合适的统计方法，直接影响告警阈值对市场突变和长期趋势的敏感度与稳定性。本节详细解析三种核心统计方法：简单移动平均（SMA）、指数加权移动平均（EWMA）和滚动窗口统计，并对比其在高频场景下的适用性。
核心原则：高频行情坏账率统计需在“灵敏度”与“平滑度”之间取得平衡。过快的响应易引发误报，过慢的响应则导致漏报。
4.1 方法对比总览
| 统计方法 | 核心公式 | 权重分配 | 高频场景优势 | 高频场景劣势 |
|---|---|---|---|---|
| 简单移动平均（SMA） | SMA = (∑Xi) / N | 等权（所有数据点权重相同） | 计算简单、易于理解、适合平稳行情 | 对突变反应迟钝、存在滞后性、易受极端值干扰 |
| 指数加权移动平均（EWMA） | EWMAt = α·Xt + (1-α)·EWMAt-1 | 指数衰减（近期数据权重高） | 对突变响应快、滞后小、适合趋势行情 | 参数α敏感、噪声放大风险、需调参 |
| 滚动窗口统计 | 固定窗口内计算统计量（均值、分位数等） | 窗口内等权或自定义 | 灵活性强、可计算多种统计量、边界清晰 | 窗口长度选择困难、计算资源消耗大 |
4.2 简单移动平均（SMA）
SMA 是最基础的平滑方法，对过去 N 个周期的坏账率取算术平均。在高频行情中，通常用于计算基准线或长期趋势参考。
- 计算公式： SMAt = (Rt-1 + Rt-2 + ... + Rt-N) / N
- 窗口选择建议： 高频场景下，N 通常取 5~20 个周期（如 5 分钟、10 分钟）。N 越小，曲线越贴近实时数据；N 越大，曲线越平滑。
- 适用场景： 用于建立“慢速告警线”，过滤掉短期噪声，识别持续恶化的坏账趋势。
避坑提示： SMA 对窗口内的所有数据点一视同仁，当窗口内出现一次极端坏账（如瞬间爆仓）时，SMA 会将该异常值保留整个窗口周期，导致阈值持续偏高，掩盖后续风险。
4.3 指数加权移动平均（EWMA）
EWMA 通过引入衰减因子 α（0 < α ≤ 1），赋予近期数据更高的权重，从而更快地响应市场变化。这是高频量化系统中应用最广泛的坏账率平滑方法。
- 递推公式： EWMAt = α × Rt + (1 - α) × EWMAt-1
- α 参数含义： α 越大，近期数据权重越高，曲线越灵敏；α 越小，历史数据影响越大，曲线越平滑。
- 常用 α 范围： 高频场景下 α 通常取 0.1~0.3。α=0.2 时，约 90% 的权重集中在最近 10 个周期内。
参数敏感度警告： α 值过高（如 >0.5）会导致 EWMA 几乎完全跟随单点数据，失去平滑意义，极易因单次异常交易触发误报。建议通过历史回测确定最优 α。
4.4 滚动窗口统计
滚动窗口统计并非单一算法，而是一种框架——在固定长度的滑动窗口内，计算任意统计量（均值、中位数、标准差、分位数等）。该方法在高频风控中常用于计算动态阈值区间。
- 窗口长度 L： 高频场景下 L 通常取 50~200 个数据点，对应数分钟到数十分钟的历史窗口。
- 常用统计量：
- 滚动均值： 类似 SMA，但可与其他统计量组合使用。
- 滚动标准差： 衡量坏账率的波动性，用于构建布林带式阈值。
- 滚动分位数（如 95% 分位数）： 直接作为告警阈值，天然适应数据分布。
- 适用场景： 当坏账率分布非正态或存在明显周期性时，滚动分位数优于均值类方法。
实战建议： 将滚动窗口的 90% 分位数作为“黄色预警线”，99% 分位数作为“红色告警线”。这种方法无需假设数据分布，且能自动适应市场波动率变化。
4.5 三种方法在高频场景下的选择策略
| 市场状态 | 推荐方法 | 参数建议 | 理由 |
|---|---|---|---|
| 平稳震荡市 | SMA | N=10~20 | 噪声少，SMA 足够稳定，计算开销最低 |
| 趋势行情（单边上涨/下跌） | EWMA | α=0.15~0.25 | 快速跟踪趋势变化，减少滞后带来的误判 |
| 高波动/极端行情 | 滚动窗口分位数 | L=100, 分位数=95% | 对极端值鲁棒，自动适应波动率扩张 |
| 多策略混合风控 | SMA + EWMA 双线 | SMA(N=20) + EWMA(α=0.1) | 慢线识别趋势，快线捕捉突变，交叉验证 |
高频陷阱： 切勿在 1 秒级窗口上直接使用 SMA 或 EWMA。高频行情数据存在微观结构噪声（如买卖价差、订单簿波动），建议先对原始坏账率进行 1 秒或 5 秒聚合，再进行统计计算，否则阈值将剧烈抖动。