约束鲁棒马尔可夫机制转换模型在长期风险评估中的应用研究

来自加拿大的研究人员针对传统马尔可夫机制转换(MRS)模型在捕捉股票长期均值回归行为和参数稳定性方面的不足，提出约束鲁棒MRS(CRMRS)模型。该模型通过引入均值-转移概率稀疏约束和基于ρ的最小不利分布，显著提升了多机制下的分布适应性和高阶矩(如偏度/峰度)估计精度。实证表明，基于S&P/TSX综合指数的CRMRS-Huber模型能提供更稳定的风险暴露评估。

　　

传统马尔可夫机制转换(Markov Regime-Switching, MRS)模型在刻画股票收益率序列时存在明显局限：依赖各状态的正态性假设导致参数估计不稳定，且难以准确捕捉长期收益率均值回归(mean reversion)特性。这些缺陷会直接影响资产风险暴露度量的精确性。

为解决该问题，研究者创新性地构建了约束鲁棒MRS(Constrained Robust MRS, CRMRS)模型。该模型通过两大核心技术突破：1)对状态均值(state means)和转移概率施加序约束(order restriction)与稀疏约束；2)采用基于ρ的最小不利分布(least favorable distribution)增强跨状态分布灵活性。

蒙特卡洛模拟(Monte Carlo simulation)显示，在含异常值/无异常值的多种情境下，该模型均展现出优异的有限样本性能。以加拿大股市基准——S&P/TSX综合指数(含Standard & Poor's与多伦多证券交易所成分股)的月收益率数据验证发现：CRMRS-Huber模型不仅能稳定估计参数，更在偏度(skewness)、峰度(kurtosis)等高阶矩逼近上表现突出，为各类情境提供均衡的中间风险(intermediate risk)评估框架。