Intraday Variance Concentration and Next-Day Crash Risk (HHIt, S&P 500)

作者: Anonymous draft (JDQS author template; 作者 block 在 extracted 中未出现 — 论文为匿名手稿, extracted 中无 SSRN 编号或作者信息)。 删除原 SSRN 6975778 编号

发表: 拟投 Journal of Derivatives and Quantitative Studies (JDQS) 的 20 页匿名手稿（raw 中无作者信息与投稿编号）。

一句话总结

日内 realized variance 的时序分布形状** (不只水平) 对次日 crash 概率有显著预测力: 当日 5-min 方差广且均匀(Herfindahl 指数低, 接近纯扩散基准 3n/(n+2)) 且总方差已升高** 时, 次日 ≥2% 下跌的概率显著升高; 当日方差集中在少数几个 burst 时, 信号是 transient event-driven, 反而不预示次日 crash。Logit-RV-HHI 在 10 个模型规格 (9 个 benchmark, 含 GARCH(1,1), HAR-RV, realized-variance random walk) 中 out-of-sample Brier score 最低; 原写 10 个 benchmark 90 分位 cash-overlay 策略把 Sharpe 从 0.25 提到 0.58, max DD 从 -54% 砍到 -38%。

核心方法

1. HHIt (Herfindahl Index of Intraday Variance)

把日 t 拆为 n 个等长 intraday interval (默认 5-min, n = 78 5-min bars per US 交易日), 每段 realized variance share:

s_{t,j} = \frac{r^2_{t,j}}{RV_t}, \quad j = 1, \ldots, n \text{HHI}_t = n \times \sum_{j=1}^{n} s_{t,j}^2

• 范围: [1, n]; 1 = 完全均匀 (纯扩散基准对应 3n/(n+2)), n = 全部集中到一段。等价地 n/\text{HHI}_t 是"有效区间数"。
• 单调性: 与集中度正相关, 与"多样性" / 熵负相关。

2. Proposition 1 (核心理论结果, Appendix A 证明)

在纯扩散 (Gaussian, 无 jump, 无 microstructure noise) 下: E[\text{HHI}_t \mid \text{diffusion}] = \frac{3n}{n+2} 与 volatility 水平 \sigma_t 无关 (level-independent)。

证明 (4 步, 仅用 chi-square + Dirichlet moment):

1. 标准化 r_{t,j} = (\sigma_t/\sqrt{n}) Z_j, 故 s_{t,j} = Z_j^2 / \sum_k Z_k^2 — \sigma_t 分子分母同时出现, 自动消去。
2. Z_j^2 \sim \chi^2_1 = \text{Gamma}(1/2, 2), 独立。
3. Gamma-to-Dirichlet: (s_{t,1}, \ldots, s_{t,n}) \sim \text{Dirichlet}(1/2, \ldots, 1/2)。
4. 二阶矩 E[s_j^2] = 3/[n(n+2)], 故 E[\text{HHI}_t] = n^2 \cdot 3/[n(n+2)] = 3n/(n+2)。

数值校验: n = 78 → 2.925 (论文用 5-min bars); n = 2 → 1.5 (用日 vs 日 2 段; 经验 1.519, 完美符合)。

经验确认: 论文 sample 2005-2020, Pearson 相关系数 r(\log \text{HHI}_t, \log RV_t) = -0.11 — 几乎不相关, 严格证实 level-independence。 原写 r(HHI, σ), 原文为 log-HHI 与 log-RV 的相关系数

3. HHIt 的经济意义

• HHI 低 (≈ 2.925, 接近 diffusion baseline): 日内 variance 广且均匀, 无主导 burst → 市场-wide 持续压力 (e.g. deleveraging cascade, systemic event)。
• HHI 高 (≫ diffusion): variance 集中在少数 event-driven interval (e.g. FOMC announcement, 一笔 block trade, 一次 flash rally) → isolated, transient, identifiable, 已当 session 内耗尽, 不预示次日的 multi-interval stress。

核心反直觉命题: 真正预示 crash 的是"广而均匀的高方差日", 不是"剧烈 burst 日"。这是 "Mechanism 1" 论文的微结构解读: 广-均匀 variance = market-wide trading intensity 持久升高 → 次日延续概率高; 集中 burst = transient event → session 内已 exhaustion → 次日影响小。

经验结果

描述统计 (Table I, 2005-2020 S&P 500, N = 3{,}867 days)

注意: 两个高 vol 期间 (2008-09 + 2020) Mean HHI 最低 (4.17, 3.94), 与 Proposition 1 的 level-independence 一致 — "concentrated variance 不 systematic 跟随 elevated volatility"。

Logistic 回归 (Table II, full-sample, N = 3{,}867)

Predictor: crash-02 indicator (binary, "次日 close-to-close log return ≤ -2%")。

核心结果: HHI 的 log 系数 -0.517^{**} (p = 0.022 LR test), HHI 越低 (方差越均匀) → crash 概率越高 (条件于 RV); 5 日移动平均 HHI 系数近零 (p = 0.94) — 当前日 HHI 已足够, 不需历史 lag, 与 Fan & Wang (2007) "jump component 跨日持久性弱" 一致。

Out-of-sample benchmark (Table III, 3,117 OOS days, 155 events, 4.97% base rate)

核心: Logit-RV-HHI 的 Brier score 是 10 个里最低 (0.0430), 单独 Logit-RV-HHI-momentum (3-predictor) 的 DM test p = 0.042 (Brier loss 显著高于 proposed), 其他 8 个 benchmarks DM p > 0.10 (差异不显著但 Brier 仍高)。

GARCH 校准崩塌 (论文 hidden gem)

GARCH 总体 Brier 看起来 competitive (0.0429), 但 calibration analysis 揭示 100-fold underestimate in lowest predicted-risk decile: 预测概率均值 0.0001, 实际观测频率 0.0096 (1 vs 96 次/万)。 原写 96 vs 0.01 次/万

含义: GARCH normal-tail assumption 在低 vol 环境系统性地低估 crash 概率 — 即"model says risk is 0, but really 1%"。这对期权定价, VaR, 风险预算有直接冲击, 与"logistic 估计应该取代 normal-tail probability mapping" 的方法学论断一致。

Episode case study (5 次大 crash 前一日 HHI)

5 次平均 HHI = 2.998, 几乎等于 diffusion baseline 2.925, 远低于 sample mean 4.46。每一次前一日RV 都已升高 (不是 "calm day"), 但 HHI 模式是 "already-stressed day whose stress is uniquely broad-based"。

反例: 2008-09-29 TARP rejection 当日 HHIt = 14.4 (单 interval variance spike), 次日只是 modest move — 验证 "isolated burst = transient, exhausted within session" 解读。

经济价值 (Table IV + Fig 4)

90 分位 cash overlay 规则 (model 预测超过 trailing 252-day 分布 90 分位时切 cash, 否则持有 SPX):

关键: HHI overlay 在 0 bps cost 下 Sharpe +0.02 (vs Logit-RV); 在 20 bps cost 下 Sharpe +0.04 (vs Logit-RV) — 优势对 transaction cost 不敏感, persist across top 5/10/15% 阈值。

经济含义: 投资时间 ~89% (cash 仅 ~11%); 收益不靠 broad market-timing, 而是精准识别"高风险日"的小子集。对 derivatives 实务: 在 HHI 低 + RV 高的日子, implied next-day crash prob 显著高于 normal-tail GARCH — 直接用于 sizing 短期 protective put + stress-testing drawdown exposure。

Robustness (Table IV)

三大独立贡献

1. 理论: Proposition 1 — E[\text{HHI}_t \mid \text{diffusion}] = 3n/(n+2), level-independent baseline, 给任何日内 HHI 解释一个不需要参考 volatility 水平的标尺。
2. 预测: 10 个模型规格 (9 个 benchmark) 中 Brier 最低 (含 GARCH, HAR-RV, logistic), 原写 10 个 benchmark 论证集中度贡献校准质量, 单纯 vol-level 模型无法复制。
3. 方法学: GARCH 100-fold miscalibration in low-risk decile — 直接 implication for VaR / 期权定价 / 风险预算, 论断 logistic 估计应该取代 normal-tail probability mapping。

对本 wiki 的相关性

• 直接: 落在 Volatility Forecasting / Crash Forecasting (Crash-02) / Realized Variance (RV) 主线, 是高频 realized vol 文献的近期延伸 (Andersen-Bollerslev-Diebold-Labys 2003 起 → Fan-Wang 2007 multi-scale jump → 本文 HHIt 集中度)。
• 概念对接: HHIt (Herfindahl Index of Intraday Variance) / Crash Forecasting (Crash-02) / Level-Independent Diffusion Baseline (3n(n+2)) / GARCH Miscalibration in Low-Vol Decile (Normal-Tail Assumption Failure) / Brier Score and Diebold-Mariano Test
• 方法学对照: GARCH(1,1) / HAR-RV (Heterogeneous Autoregressive Realized Volatility) / Bipower Variation Jump Ratio / Logistic vs Normal-Tail Probability Mapping

关键引用

[Anonymous draft, JDQS] (2026). How Can Intraday Variance Concentration Signal Next-Day Crash Risk? Evidence from S&P 500 High-Frequency Data. 20 pages, submitted to Journal of Derivatives and Quantitative Studies. 删除原 SSRN 6975778 编号

主要参考文献 (按本文使用频次):

• Andersen, Bollerslev, Diebold & Labys (2003) — Econometrica; realized volatility 的开创论文。
• Andersen & Bollerslev (1997) — intraday periodicity + vol persistence, HHI 的日间 motivating evidence。
• Fan & Wang (2007) — JASA; multi-scale jump/vol analysis; HHI 与 jump detection 互补的论证来源。
• Barndorff-Nielsen & Shephard (2004) — power & bipower variation with stochastic vol and jumps; bipower jump ratio 的数学基础。
• Jiang & Oomen (2008) — jump testing with noise, swap variance approach; jump ratio 与 HHI 共线性讨论的依据。
• Corsi (2009) — Journal of Financial Econometrics; HAR-RV 模型 (本文 benchmark)。 原写 JFE, 原文为 Journal of Financial Econometrics
• Bollerslev (1986) — JoE; GARCH(1,1) 原始论文 (本文 benchmark)。
• Merton (1976) — JFE; option pricing with discontinuous returns, jump risk 的期权定价基础。
• Patton (2011) — JoE; vol forecast comparison with imperfect proxies, 原文引用其「vol 预测比较对评价代理与损失函数的选择敏感」的告诫 (§4.3)。 原写 MFE 评价方法学基础, 原文未提 MFE
• Patton & Sheppard (2015) — REStat; "good vol, bad vol" + signed jumps, jump sign 与 next-day return 的对照文献。
• Brunnermeier & Pedersen (2009) — RFS; market liquidity + funding liquidity, market stress 机制 (与本文 "broad-based stress" 解读一致)。
• Diebold & Mariano (1995) — JBES; predictive accuracy comparison (本文 DM test)。
• DeLong, DeLong & Clarke-Pearson (1988) — Biometrics; AUC 比较的非参方法 (本文 ROC 比较的依据)。

Open Questions (论文自陈)

• 2021-2026 extension: COVID 之后 + rate hike regime 下的稳定性, 论文建议直接扩展 (replication code 已 structured)。
• 多 equity index: NASDAQ-100, Russell 2000, DJIA, 国际指数 (FTSE 100, DAX, Nikkei 225, 上证 50) 的复制性。
• VIX term-structure coupling: HHI 与 VIX 远期曲线 (contango/backwardation) 的动态关系 — 论文建议是"最有 product 性的 future research 方向"。
• 短期期权定价: HHI-driven 概率作为 protective put 定价输入的 calibration adjustment。
• 多资产: bond / FX / commodity 期货的 HHI-based crash forecasting 复制性。
• A 股 / 国内: 上证 50 / 沪深 300 / 中证 500 的 5-min HHI 在 A 股 T+1 + 涨跌停制度下是否仍预测次日 crash。

实践含义

1. HFT/quant 团队: HHIt 是低算力 (O(n) per day) 的高频 feature, 可直接嵌入现有 RV pipeline; 5-min bars 算 78 段 HHI 几乎零成本。
2. Risk parity / vol-targeting 团队: HHI 是辅助 risk-off 触发器, 配合 RV / VIX / option-implied vol 多信号 fusion, 比 single signal 显著改善 calibration。
3. Options market makers: HHI 在 RV 高时给"in-session exhaustion"vs"broad-based deleveraging" 的二分, 对短期期权 (next-day, 1-week) delta-hedging 与 gamma-scaling 有直接指导。
4. Asset allocator: 90 分位 cash overlay 在 0-20 bps cost 下稳定提升 Sharpe 0.25 → 0.58, max DD -54% → -38%, 是直接可实施的 risk-off overlay, 而非 hypothetical backtest。

一句话回顾

日内 realized variance 的"形状" (HHIt) 而非"水平" (RV) 对次日 crash 概率有独立预测力 — 广-均匀-已-stress 日预示次日延续, 集中-burst 日预示 session 内 exhaustion。Proposition 1 的 level-independent diffusion baseline 3n/(n+2) 给任何 HHI 数值提供 volatility-agnostic 标尺; 10 个模型规格的 out-of-sample test 中 Brier 最低 原写 10-benchmark, GARCH 在低 vol decile 有 100-fold 校准崩塌, 90 分位 cash overlay 把 Sharpe 0.25 提到 0.58 — 是高频 realized vol 文献近 25 年理论-预测-实务最完整的近期推进。