TVP-VAR-SV：时变参数 VAR 模型的完整 Python 实现

一句话：把宏观与金融实证里最常用的 TVP-VAR-SV 模型——时变参数 + 随机波动率——做成一套开箱即用的 Python 实现：完整的贝叶斯 MCMC、时变溢出分解、脉冲响应，再配一个打开浏览器就能用的界面。

你大概遇到过这些

变量之间的传导关系，危机前后明显不一样，可模型里只有一个固定系数； 政策冲击的效果，十年前和现在不是一回事； 残差波动有明显的聚集，模型却假设它是常数。

这些正是 TVP-VAR-SV 要回答的问题——它在三个层次上都允许参数随时间变化。

但真动手时门槛不低：Gibbs 抽样要自己搭；Carter-Kohn 前向滤波后向抽样要自己写；随机波动率不是线性高斯，得用混合正态去近似；链一旦不收敛，还很难定位原因。好不容易跑通，时变溢出、脉冲响应、对冲比率又要自己从头算……

结果 80% 的时间花在实现上，只有 20% 在做研究。

模型：三处时变性

TVP-VAR-SV 的观测方程是

1	y_t = X_t β_t + A_t⁻¹ Σ_t^{1/2} ε_t

和普通 VAR 相比，它多了三个状态方程，把三样东西都设成随时间的随机游走：

状态	刻画什么	状态方程
β_t	时变系数——变量之间的传导关系	β_t = β_{t-1} + u_t，u_t ~ N(0, Q)
a_t	时变联立关系——同期冲击的相互影响	a_t = a_{t-1} + v_t，v_t ~ N(0, S)
h_t	随机波动率（h = log σ）	h_t = h_{t-1} + w_t，w_t ~ N(0, W)

这是 Primiceri (2005) / Nakajima (2011) 的标准设定，也是宏观与金融实证里引用最多的版本。

为什么值得这么麻烦？ 因为它把"参数不稳定"从一个需要做稳健性检验的麻烦，变成了模型本身就能刻画的对象——你可以直接把系数路径和波动率路径画出来，看清它在哪一年、因为什么事件发生了变化。

实现难在哪

真正写过的人才知道，难点集中在三处：

① 状态维度高。 β 的维度是 n(np+1)——三个变量、两阶滞后就是 21 维，而且每一期都要抽一次。这是典型的"高维状态空间 + 时间维"问题，朴素做法在数值上非常脆弱。

② 随机波动率不是线性高斯。 把 log(ε²) 展开会得到 log(ε²) = 2h + log(χ²₁)，最后那一项不是正态的，所以状态空间方法不能直接用——必须用混合正态去近似它。

③ 弱识别。 系数游走方差 Q 和波动率 σ 会相互替代： Q 一大，系数就能自己漂移着把数据的异方差"吸收"掉，于是抽样器把 σ 压向零。似然几乎不惩罚这件事，只有先验能约束它。

这三点如果没处理好，表现是看起来跑完了、结果却不对——比直接报错更难发现。

Python 实现

整套模型实现为一个独立的 Python 包，不依赖任何商业软件：

抽样框架——Primiceri / Nakajima 的传统做法，逐块共轭更新：

模块	方法
时变系数 `β_t`、联立关系 `a_t`	Carter-Kohn 前向滤波后向抽样（FFBS）
随机波动率 `h_t`	Kim-Shephard-Chib 混合抽样 + FFBS
`Q` / `S`	逆 Wishart（Bartlett 分解）
`W`	逆 Gamma

实现过程中解决了几个容易被忽略的坑，这里挑两个说：

KSC 混合表的均值是错的。 文献里广为流传的那张 7 分量混合参数表，隐含均值恰好为 0；但 log(χ²₁) 的真均值是 ψ(1/2) + log 2 = −1.2704。用错均值不只是导致偏移，更糟的是制造伪不动点——各分量均值相距很远，起点稍偏就会锁死在错误分量上，波动率路径再也走不动。这里用 EM 重新拟合了这张表（均值 −1.2726、方差 4.9466，与理论值一致）。

Q 的先验必须真的起作用。 逆 Wishart 先验的影响力通过尺度矩阵而非自由度体现，后验自由度约为 q_df + T − 1，尺度设小了先验形同虚设。这里按 Primiceri 的做法把 Q 锚定在 OLS 系数的抽样方差上，并在模型自模拟数据上做了标定扫描。

验证：不看图"像不像"，看数字

模型类代码最怕"跑出来了但不对"。这里的做法是把每个模块单独拎出来验证：

FFBS 单独验证——用已知的随机游走状态生成观测，看能否复原：后验路径与真值的相关性 0.995；
随机波动率分块单独验证——固定真实残差只跑 SV 那一块，收敛到真值（比值 0.92–1.10），说明 SV 模块本身没有偏差；
模型自模拟数据验证——从模型本身生成数据再估计： σ 恢复比 0.92、路径相关性 0.78；
115 项单元测试覆盖全部函数。

FFBS 后验 vs 真值            相关性 0.995
随机波动率分块               比值 0.92 – 1.10（收敛到真值）
模型自模拟：σ 水平恢复比      0.92
模型自模拟：σ 路径相关性      0.78
单元测试                     115 项全部通过

一个验证陷阱，值得单独说

做逐位一致性验证时，报告一直显示"约一半的正态随机数差 1 ULP"。这个比例很可疑，我一度以为抽样表写错了，还专门写了求解器去反解……

结果是：表本来就是对的。 真正的问题在这里：

1
2
3

float('-0.94724664395737113')          # -> -0.9472466439573711  正确
np.float64('-0.94724664395737113')     # -> -0.9472466439573711  正确
pd.read_csv(...).to_numpy(float)[0]    # -> -0.9472466439573712  错了！

pandas.read_csv 的默认解析器对浮点文本会有 1 ULP 误差。 用它读参考值去做逐位检验，会让正确的实现看起来是错的。

改一个参数就解决了：pd.read_csv(..., float_precision="round_trip")。写在这里是因为——做数值工作的人迟早会踩到，而它会伪装成你自己的 bug。

可复现性：随机数流逐位可控

随机数是科学计算里最容易被忽视的可复现性来源：抽样器实现差一点，MCMC 结果就完全不同。

这套实现把随机数流做到了逐位可控——同一个种子，在任何机器上跑出来的结果完全一致。正态抽样用的是 256 层 Ziggurat 拒绝采样（Marsaglia & Tsang, 2000），实测每次尝试恰好消耗 2 个 32 位字、约 2.13% 被拒绝；正因为拒绝路径也是逐位一致的，rand / randn / randi 三者交错调用后流位置依然对齐。

配套的验证框架在 320 万个取值上做了零失配检查。