第27章非线性关系建模

第27章：非线性关系建模：阈值回归、分位数回归捕捉宏观与曲面的非线性关系

做波动率曲面交易这些年，我越来越觉得一个道理——市场不是线性的。你想想看，GDP涨了0.5%，波动率曲面可能纹丝不动；但要是CPI超预期0.2%，整个曲面可能瞬间扭曲。这种“阈值效应”在宏观与曲面之间太常见了。

传统的线性回归，说白了就是拿一把直尺去量一条弯曲的河。能测，但误差大得离谱。我个人习惯用两种工具来处理这种非线性：阈值回归和分位数回归。今天咱们就聊聊这两个家伙怎么用。

27.1 为什么宏观与曲面之间是非线性的？

先看一个真实场景。我曾在项目中分析过美国非农就业数据对VIX期限结构的影响。结果发现：

当非农变动在±2万以内时，曲面几乎没反应
超过±5万时，短期端开始剧烈波动
超过±10万时，整个曲面结构都会重构

为什么会这样？因为市场参与者存在“注意力阈值”。小数据被当作噪音过滤掉，只有突破某个临界值，才会触发交易行为。这就是典型的非线性关系。

核心观点：宏观数据对波动率曲面的影响不是均匀的，而是存在“门槛效应”。低于门槛，影响微弱；高于门槛，影响呈指数级放大。

27.2 阈值回归：找到那个“引爆点”

阈值回归（Threshold Regression）的核心思想很简单——数据不是用一个方程拟合的，而是分成几个区间，每个区间用不同的方程。

数学上长这样：

Y = β₁X + ε,  当 Z ≤ γ
Y = β₂X + ε,  当 Z > γ

这里的Z就是阈值变量，γ就是我们要找的那个“引爆点”。

我在实际项目中用过Hansen（2000）的阈值回归方法。举个例子，分析CPI对波动率微笑的影响：

# R语言示例：阈值回归
library(thresholds)

# 假设data包含：smile_skew（波动率微笑偏度）, cpi_surprise（CPI超预期）
model <- thresh(y = data$smile_skew, 
                x = data$cpi_surprise,
                z = data$cpi_surprise,  # 阈值变量
                h = 0.15)               # 带宽参数

summary(model)
# 输出显示：阈值点在cpi_surprise = 0.32%
# 低于0.32%时，系数β₁ = 0.05（不显著）
# 高于0.32%时，系数β₂ = 0.87（显著）

个人经验：阈值回归的带宽参数h很关键。我一般先用网格搜索试几个值，然后看哪个让AIC最小。别迷信默认参数。

27.3 分位数回归：看全貌，别只看平均

阈值回归告诉我们“什么时候变”，分位数回归告诉我们“怎么变”。

传统回归看的是条件均值——也就是“平均情况下，X变化1单位，Y变化多少”。但波动率曲面有个特点：极端情况下的行为和中位数附近完全不同。

举个例子。我记得有一次分析利率决议对曲面斜率的影响：

在0.5分位数（中位数）附近，利率变动1bp，斜率变化0.02
在0.9分位数（极端陡峭）时，同样1bp变动，斜率变化0.15

这就是分位数回归的价值——它让你看到不同“风险水平”下的敏感度。

# R语言示例：分位数回归
library(quantreg)

# 分析失业率对曲面曲率的影响
model_q <- rq(curvature ~ unemployment + gdp_growth, 
              data = data, 
              tau = c(0.1, 0.5, 0.9))

summary(model_q)
# 输出显示：
# tau=0.1: unemployment系数 -0.03 (不显著)
# tau=0.5: unemployment系数 -0.12 (显著)
# tau=0.9: unemployment系数 -0.45 (显著)

避坑指南：我曾经在分位数回归里用了太多变量，结果过拟合得一塌糊涂。记住，分位数回归对异常值敏感，建议先用L1正则化做特征筛选。

27.4 两者结合：构建完整的非线性分析框架

我个人习惯把阈值回归和分位数回归组合使用。流程是这样的：

第一步：用阈值回归找到关键阈值点
第二步：在阈值两侧分别做分位数回归
第三步：对比两侧的系数差异，判断非线性程度

下面这张图展示了这个分析框架：

27.5 实战案例：用阈值+分位数回归分析非农对曲面斜率的影响

说个我实际做过的案例。2022年，我分析美国非农就业数据对SPX期权曲面斜率的影响。数据跨度5年，共60个月度观测。

第一步：阈值回归找引爆点

# 阈值变量：非农超预期值（实际-预期）
model_thresh <- thresh(y = slope_change, 
                       x = nonfarm_surprise,
                       z = nonfarm_surprise,
                       h = 0.2)

# 找到阈值：nonfarm_surprise = 4.8万
# 低于4.8万：系数0.03 (p=0.45)
# 高于4.8万：系数0.62 (p=0.001)

第二步：分位数回归看细节

# 在阈值两侧分别做分位数回归
data_low <- subset(data, nonfarm_surprise <= 4.8)
data_high <- subset(data, nonfarm_surprise > 4.8)

model_low <- rq(slope_change ~ nonfarm_surprise, tau = c(0.1,0.5,0.9), data = data_low)
model_high <- rq(slope_change ~ nonfarm_surprise, tau = c(0.1,0.5,0.9), data = data_high)

结果解读：

区间	tau=0.1	tau=0.5	tau=0.9
低于阈值（≤4.8万）	0.01 (不显著)	0.03 (不显著)	0.08 (不显著)
高于阈值（>4.8万）	0.35 (显著)	0.62 (显著)	1.12 (显著)

关键发现：当非农超预期超过4.8万时，曲面斜率对数据的敏感度暴增。而且在tau=0.9（极端陡峭）时，敏感度是tau=0.5时的近2倍。这说明极端行情下，非线性效应会被放大。

27.6 注意事项与常见陷阱

阈值选择要稳健：我建议用bootstrap方法检验阈值的显著性，别只看点估计
分位数数量要适中：3-5个分位数足够，太多反而增加噪音
小心伪非线性：有时候非线性只是数据噪音造成的，用交叉验证确认
别忘了经济含义：统计显著不等于交易可执行，要结合市场逻辑

我的习惯：每次跑完模型，我都会把阈值点和分位数系数画在图上，用肉眼看看是不是符合直觉。如果统计结果和市场经验冲突，我会先怀疑数据质量，而不是模型。

嗯，阈值回归和分位数回归这两个工具，说白了就是帮我们在宏观与曲面之间搭一座“非线性桥梁”。它们不完美，但比线性模型强太多了。你试试看，把这两个方法加到你的分析工具箱里，会发现很多以前被忽略的信号。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录