VIX指数与标普500指数关系的深度研究报告

执行摘要

本文以“若未特别指定，则采用 1990 年至今”为默认样本窗口，对 VIX 与标普500之间的关系做日频实证分析；同时单独讨论 intraday 可得性，但没有把 intraday 作为主估计样本，因为公开、连续、免费且可长期回溯的一致性分钟级历史并不完整。

VIX 的定义来自基于 SPX 期权价格的 30 日前瞻隐含波动率。Cboe 公开提供 1990 年至今的 VIX 历史数据和 2006 年至今的 VVIX 历史数据。标普500方面，本文将 OpenIntro 文档注明源自 Yahoo Finance 的 1950–2018 日频序列，与由 St. Louis Fed/FRED 发布、原始来源为 S&P Dow Jones Indices 的 2016–2026 日频标普500序列拼接；这是因为 FRED 页面说明该官方日频接口受许可限制，仅保留最近 10 年日频历史。

第一，VIX 与标普500不是“长期均衡关系”，而是围绕收益冲击、波动预期和风险厌恶的短期—中期联动关系。在 1990-01-02 至 2026-04-24 的共同交易日样本中，标普500日对数收益与 VIX 日对数变化的当期相关系数约为 -0.714，252 日滚动相关的中位数约为 -0.795，说明这种负相关不是偶发，而是长期稳定、时变但高度持续的事实。

第二，这一关系显著非对称：负收益日对应的 VIX 上升幅度明显大于正收益日对应的 VIX 回落幅度。第三，这一关系存在双向预测性但并非长期协整：收益与 VIX 变化的 VAR(3) Granger 检验在两个方向上都显著，但 log(SPX) 与 log(VIX) 不满足共同 I(1) 前提，因而 VECM 不适用。第四，这一关系在尾部和危机时段更强：t-copula 显示正的上尾依赖，极端股指下跌与极端 VIX 飙升会同步聚集。

对投资者和风险管理者而言，最重要的含义是：VIX 不是简单的“股市反向价格”，而是一个带有凸性、状态依赖和尾部聚集特征的风险价格指标。把它当作“市场下跌的线性镜像”会低估高波动状态下的非线性放大；把它当作“稳定的长期均值回复交易工具”又会忽视危机中持续高位停留与 VVIX 放大的风险。更实际的做法，是把 VIX、VVIX、滚动相关和 DCC 动态相关一起纳入风险监控，而不是只盯一个静态阈值。

研究设计与数据

本研究的经验设计遵循“定义—拼接—预处理—建模—稳健性—危机复盘”的流程。VIX 采用 Cboe 官方历史收盘序列；VVIX 采用 Cboe 官方历史序列，作为“波动率的波动率”的直接代理。标普500采用两段式拼接：1990–2018 使用 OpenIntro 文档注明来源为 Yahoo Finance 的日频 S&P 500 序列；2016–2026 使用 FRED 中原始来源标注为 S&P Dow Jones Indices 的 SP500 日频收盘序列。

2016–2018 的重叠区在实际拼接中最大绝对差仅约 0.04 个指数点，缝合误差可以忽略。VIX 的方法论层面还要加一个关键注记：Cboe 页面说明，原始 1993 年 VIX 先基于 S&P 100 期权，2003 年更新为基于 S&P 500 期权的新版本方法；Cboe 同时另行提供旧方法的 VXO 历史数据，因此 1990 年以来的 VIX 序列应视为“新版方法的一致化历史”。

预处理步骤如下。首先，把标普500价格变成日对数收益 \(r_t = 100\ln(SPX_t/SPX_{t-1})\)；其次，把 VIX 变成日对数变化 \(\Delta \ln VIX_t = 100\ln(VIX_t/VIX_{t-1})\)，因为收益率与 VIX 变化是最自然的平稳配对；再次，构造 21 日年化实现波动率 \(RV21\) 与 21 日年化 VIX 变化波动 \(VoV21\)，并在 2006 年后用官方 VVIX 做直接替代；最后，用共同交易日交集对齐，避免周末和节假日错位。

之所以把 intraday 放在补充层面，是因为 Cboe 的公开历史页主要提供日频收盘，而 intraday 连续历史更多通过仪表板与数据商渠道提供；现有文献则表明 5 分钟级别的 VIX 对 S&P 500 收益分布具有显著信息含量。

数据集比较表

这套数据设计在可获得性、官方性与可复制性之间做了折中：VIX 与 VVIX 尽量坚持官方 Cboe；标普500则在长样本上采用 Yahoo Finance 来源序列，在最近十年与官方来源重叠验证后向现在延伸。对“若未说明则按 1990 年至今”的规则，本文已按该规则执行，并明确注明了因数据可得性而产生的拼接选择。

描述性特征与时变相关

在 1990-01-02 至 2026-04-24 的共同样本中，共有 9,141 个交易日。标普500日对数收益的均值约 0.033%、标准差约 1.137%；VIX 日对数变化的均值接近零、标准差约 6.82；VIX 水平的均值约 19.46、标准差约 7.76、样本最大值 82.69；2006 年以后 VVIX 的均值约 93.47。几个分布都明显偏离正态：收益厚尾、VIX 变化右偏厚尾、VIX 水平强右偏；这正是后文使用分位数回归、copula 与 EVT 的原因。

Cboe 官方把 VIX 定义为由 SPX 期权价格提取的 30 日前瞻波动预期，因此它本来就应该对现货市场压力最敏感；Whaley、Giot 以及后续文献之所以把它称为“fear gauge”，正是因为这种同步性在危机中会被放大。

更严格地看，当期相关并不是全部。全样本当期相关 \(Corr(r_t,\Delta \ln VIX_t)\) 约 -0.714。把窗口扩展到 252 日滚动相关，其均值约 -0.759、中位数约 -0.795、5% 分位数约 -0.864、最负值约 -0.897。按波动状态分组，这种负相关会在高波动区进一步加强：当 VIX<20 时约 -0.713，20≤VIX<30 时约 -0.765，VIX≥30 时约 -0.776。

本文估计的 DCC 均值约 -0.766，5% 分位数约 -0.870，95% 分位数约 -0.591。换句话说，VIX 与股指收益的关系不是“有时正有时负”的松散联系，而是几乎永远为负，只是负得有多深的问题。Engle 的 DCC 框架本来就是为这种“相关性本身随时间波动”的资产关系设计的。

因果结构与计量模型

先说 VECM。对 level 变量做单位根与协整检查后，结论很清楚：log(SPX) 看起来是 I(1) 过程，而 log(VIX) 在长期样本中更接近均值回复的 I(0) 过程；二者不满足“都为 I(1)”这个进入 VECM 的前提。基于此，本文不把 VECM 当作主框架，而是使用以 \(r_t\) 和 \(\Delta \ln VIX_t\) 为核心的 VAR/Granger 与回归体系。

这一点在经济直觉上也合理：股价水平是带趋势的价格过程，VIX 是对未来一个月条件方差与风险厌恶的高频价格化指标，它们不是天然要在 level 上协同漂移。Bekaert 与 Hoerova 对 VIX 的分解也支持这一点：VIX 平方包含“预期实现方差”和“方差风险溢价”两部分，而不是简单的股票价格镜像。

在 VAR 里，按 BIC 选择的一个简洁设定是 VAR(3)。Granger 检验显示：标普收益 Granger 导致 VIX 变化 的 F 统计量约 4.35，p 值约 0.0045；反过来，VIX 变化 Granger 导致标普收益 的 F 统计量约 4.72，p 值约 0.0027。

这意味着存在统计意义上的双向反馈，但经济含义并不对称：从交叉相关看，真正巨大的效应集中在当期，lag 0 相关约 -0.714；而超前/滞后一天的相关都很小，约在 0.03–0.08 的量级。实务上，这通常应解释为“同一天的风险再定价 + 次日的轻微反身性/均值回复”，而不是某个方向存在很强、很稳定的线性预测优势。

模型规格表

回归层面，最有解释力的规格是 2006 年以后使用官方 VVIX 的模型：

这个 OLS 的结果是：\(\beta_+ \approx -3.99\)、\(\beta_- \approx 5.07\)、\(\gamma \approx 0.0137\)、\(R^2 \approx 0.548\)。含义很直接：同样 1% 的标普正收益，对 VIX 是明显压低；同样 1% 的标普负收益，对 VIX 的抬升更强，而且方向相反、幅度更大；同时，VVIX 越高，VIX 当日变化越容易向上放大。

把同一模型放到分位数回归里，\(\beta_-\) 会从 τ=0.1 的 2.93 增强到 τ=0.5 的 5.71，再增强到 τ=0.9 的 9.30；而 VVIX 系数在高分位显著转正。这意味着：真正的“VIX 对负收益的弹性”是在高压状态里才被彻底释放出来。

关键结果表

尾部联动与危机事件

最能说明问题的，不是均值，而是尾部。把“市场压力”重写成 \(-r_{SPX}\) 与 \(\Delta \ln VIX\) 的联合分布后，Gaussian copula 估计的相关参数约 0.760；Student-t copula 估计的相关参数约 0.753，自由度约 8.85，并给出上尾依赖系数约 0.105。

用经验 copula 直接看，落在 99% 分位阈值以上的联合极端事件，其条件共尾概率约 0.339。这说明：在普通日子里，VIX 与股指收益可以被相关系数概括；但在真正极端的风险日里，必须用尾依赖而不是均值相关来思考。EVT 的 GPD 拟合也支持厚尾：\(-r_{SPX}\) 的 95% 阈值以上 GPD 形状参数约 0.214，\(\Delta \ln VIX\) 的对应形状参数约 0.183，都显示危机尾部比高斯世界更肥。

因此，把 VIX 仅仅作为“均值回复很强的波动指数”会低估它在尾部状态中的风险价格性质。Bekaert 与 Hoerova 对方差风险溢价的分解，与这里看到的尾部聚集现象在经济解释上是连贯的。

脉冲响应也支持“短而猛”的耦合特征。VAR(3) 的非正交 IRF 显示，标普收益冲击对 \(\Delta \ln VIX\) 的响应主要集中在前 1–3 个交易日，随后迅速衰减；反向从 VIX 冲击到收益的响应更弱、更短。这意味着：收益冲击首先在当日与次日通过风险再定价传导到 VIX，而不是以一个长滞后、平滑扩散的结构传递。对交易和对冲来说，VIX 更像是一个快速反应、但不稳定外推的风险温度计。

危机事件研究方面，本文没有强行选取外部“新闻日”为事件日，而是用样本内危机簇中的局部 VIX 峰值日做中心点，再报告前后 5 个交易日的标普累计对数收益与 VIX 变化。这样做的优点是：事件日与市场压力的内生度一致，避免“新闻发生日”和“价格峰值日”错位。

危机事件窗口表

危机表有两个非常稳健的经验规律。其一，VIX 的峰值更多是对跌势与不确定性的峰值定价，并不总与最低点完全同日，因此后 5 日收益经常转正，这在 1998、2001、2008、2011、2015 和 2025 都能看到。其二，2020 是个例外：VIX 创下样本最高值 82.69 后，后 5 日收益仍继续为负，说明当不确定性同时伴随真实经济停摆和流动性枯竭时，VIX 高位并不立即意味着可机械抄底。

实务含义、局限与结论

从投资实践看，本文最重要的结论有三条。第一，VIX 更适合做风险状态变量，而不是简单方向预测器。它与当期股指收益高度负相关，但这种关系是同步和状态依赖的，不意味着“高 VIX 之后必然上涨”。

第二，负收益冲击的 VIX 弹性显著大于正收益冲击的回落弹性，所以把 VIX 当作对冲工具时，真正有价值的是它的凸性，而不是线性 beta。

第三，VVIX 必须和 VIX 联合看：本文回归与尾部分析都表明，当 VVIX 升高时，VIX 本身更容易发生大幅变化；对风险经理来说，这意味着仅盯 VIX 水平而忽略“波动率的波动率”，会低估波动产品与尾部保证金风险。

从风险管理看，最实用的框架不是一个阈值，而是一张四宫格：VIX 水平、VVIX 水平、滚动相关、DCC 动态相关。当 VIX 低、VVIX 低、相关绝对值较小，市场更接近“低压—弱耦合”状态；当 VIX 高、VVIX 高、相关绝对值迅速加深，而且上尾共尾概率抬升时，风险已从一般波动转向系统性应激。此时，简单线性 VaR、静态相关矩阵和正态尾部假设都可能低估损失。

局限性也需要明确。本文的主样本是日频，因此没有把分钟级的微观结构、隔夜跳空和开盘集合竞价纳入主回归；intraday 只做可得性和文献层面的说明。其次，标普500长样本采用 Yahoo Finance 来源序列与官方最近十年序列拼接，虽然重叠区误差极小，但拼接本身仍然意味着“不同分发渠道的一致化处理”。再次，回归中的当期收益与当期 VIX 变化是同步关系，不应被过度解释为结构因果。最后，DCC、copula 与 EVT 的具体数值对分布假设、阈值选择和样本窗口敏感，因此这些模型更适合做压力识别和稳健排序，而不适合迷信到小数点后若干位。

关键参考文献与可复现代码

Whaley 把 VIX 定义为“investor fear gauge”，是理解 VIX 经济含义的起点。Giot 进一步证明了隐含波动率变化与股指收益之间显著、负向且对下跌敏感的关系。Bekaert 与 Hoerova 则把 VIX 平方分解为条件方差与方差风险溢价，为“为什么 VIX 不只是 realized vol 的预测器”提供了更深的资产定价解释。Engle 的 DCC 模型是本文时变相关部分的标准工具。Tapiero 之类的 intraday 研究则说明，VIX 的信息含量不仅存在于日频，也存在于更高频的收益分布预测里。

主要来源

import pandas as pd
import numpy as np

# Cboe official
vix = pd.read_csv("https://cdn.cboe.com/api/global/us_indices/daily_prices/VIX_History.csv")
vvix = pd.read_csv("https://cdn.cboe.com/api/global/us_indices/daily_prices/VVIX_History.csv")

# Yahoo Finance source via OpenIntro
spx_old = pd.read_csv("https://www.openintro.org/data/csv/sp500_1950_2018.csv")

# FRED / S&P Dow Jones recent history
spx_new = pd.read_csv("https://eco3min.fr/dataset/sp500-price-index.csv")

# parse and stitch
vix["date"] = pd.to_datetime(vix["DATE"], format="%m/%d/%Y")
vvix["date"] = pd.to_datetime(vvix["DATE"], format="%m/%d/%Y")
spx_old["date"] = pd.to_datetime(spx_old["Date"])
spx_new["date"] = pd.to_datetime(spx_new["date"])

spx_old = spx_old[["date", "Close"]].rename(columns={"Close": "spx"})
spx_new = spx_new[["date", "sp500_close"]].rename(columns={"sp500_close": "spx"})
spx = pd.concat([spx_old[spx_old["date"] < spx_new["date"].min()], spx_new], ignore_index=True)
spx = spx.drop_duplicates("date").sort_values("date")

vix = vix[["date", "CLOSE"]].rename(columns={"CLOSE": "vix"})
vvix = vvix[["date", "VVIX"]].rename(columns={"VVIX": "vvix"})

df = spx.merge(vix, on="date", how="inner").merge(vvix, on="date", how="left")
df = df[df["date"] >= "1990-01-02"].sort_values("date")

df["r_spx"] = 100 * np.log(df["spx"] / df["spx"].shift(1))
df["dln_vix"] = 100 * np.log(df["vix"] / df["vix"].shift(1))
df["pos_r"] = df["r_spx"].clip(lower=0)
df["neg_r_abs"] = -df["r_spx"].clip(upper=0)

# rolling correlation and cross-correlation
corr0 = df["r_spx"].corr(df["dln_vix"])
df["rollcorr_252"] = df["r_spx"].rolling(252).corr(df["dln_vix"])

lags = range(-20, 21)
xcc = {}
for k in lags:
    xcc[k] = df["r_spx"].corr(df["dln_vix"].shift(-k))

print("contemporaneous corr:", corr0)
print("lag -1 / 0 / +1:", xcc[-1], xcc[0], xcc[1])

from statsmodels.tsa.api import VAR

var_df = df[["r_spx", "dln_vix"]].dropna()
var_mod = VAR(var_df)
lag_order = var_mod.select_order(10).bic   # parsimonious choice
var_res = var_mod.fit(lag_order)

print(var_res.summary())
print(var_res.test_causality("dln_vix", ["r_spx"], kind="f").summary())
print(var_res.test_causality("r_spx", ["dln_vix"], kind="f").summary())

irf = var_res.irf(10)
# irf.plot(orth=False)

import statsmodels.api as sm

reg = df[["dln_vix", "pos_r", "neg_r_abs", "vvix"]].dropna()
X = sm.add_constant(reg[["pos_r", "neg_r_abs", "vvix"]])

ols = sm.OLS(reg["dln_vix"], X).fit(cov_type="HAC", cov_kwds={"maxlags": 5})
print(ols.summary())

for q in [0.1, 0.5, 0.9]:
    qr = sm.QuantReg(reg["dln_vix"], X).fit(q=q)
    print(f"\nquantile = {q}")
    print(qr.params)

# simple empirical upper-tail dependence
stress = pd.DataFrame({
    "x": -df["r_spx"],      # market drop pressure
    "y": df["dln_vix"]      # VIX jump
}).dropna()

u = stress.rank(method="average") / (len(stress) + 1)

for q in [0.95, 0.99]:
    mask_x = u["x"] > q
    mask_y = u["y"] > q
    cond_prob = (mask_x & mask_y).mean() / (1 - q)
    print(f"empirical tail dependence at {q}: {cond_prob:.3f}")