logistic-estimationnormal-tailcrash-probabilitycalibrationlogitstub

Logistic vs Normal-Tail Probability Mapping

Definition. 估计条件 crash 概率的两种方法:

  • Normal-tail mapping (GARCH 范式): P(\text{crash}_t | \mathcal{F}_{t-1}) = \Phi(-k / \sigma_{t|t-1}), 假设 r_t \sim N(\mu, \sigma^2_{t|t-1})。问题: normal-tail assumption 在 low-vol decile 100-fold 校准崩塌 (HHIt 论文 hidden gem)。
  • Logistic estimation: \text{logit}(P(\text{crash}_t = 1 | \mathcal{F}_{t-1})) = \beta_0 + \beta' x_t, 直接数据驱动, 不预设分布形状。论文 HHIt 论文 §7 self-claim: "logistic estimation over normal-tail probability mapping regardless of whether HHIt is included" — 是 GARCH normal-tail assumption 失败的方法学替代。

论文方法学论断

论文 §7: "...the GARCH miscalibration finding — 100-fold underestimation of crash probability in low-risk environments — has direct implications for standard risk management practice and argues for logistic estimation over normal-tail probability mapping regardless of whether HHIt is included."

即:Logistic 估计优于 normal-tail mapping 是独立于 HHI的方法学结论, 即使不用 HHI 也应替换 GARCH 的 normal-tail 估计方式。

衍生与对照

  • Probit regression: P = \Phi(\beta_0 + \beta' x), 仍 normal-tail 假设但用于 discrete choice — 仍受 normal-tail 限制。
  • Logistic regression (本文用): P = \text{logistic}(\beta_0 + \beta' x), 不预设 outcome 分布形状。
  • Non-parametric: kernel density estimation, k-NN, 树模型, NN — 完全非参, 但解释性差。
  • Quantile regression: 估计条件 quantile, 不是条件 probability。

对 quant 实务的影响

  1. VaR 模型: 用 logistic 估计替代 normal-tail GARCH 给 crash 概率, 解决 100-fold miscalibration。
  2. 期权定价: 短到期 protective put pricing 用 logistic-driven probability 作为 input, 替代 normal-tail。
  3. Risk budget: risk-off 触发器用 logistic probability 阈值 (论文 90 分位), 替代 normal-tail threshold。
  4. Stress test: 条件于 regime 的 crash probability, 用 logistic 多 predictor (RV, HHI, VIX, funding spread) 联合估计, 比 normal-tail 单 \sigma_t 更精准。

关键文献