第4章 VaR风险度量

第4章：VaR风险度量：历史模拟法、参数法、蒙特卡洛模拟法计算VaR

说到风险度量，VaR（Value at Risk）绝对是绕不开的核心指标。很多刚入行的朋友问我：「VaR到底是个啥？」说白了，它回答了一个很朴素的问题：在给定的置信水平下，我的持仓在未来一段时间内，最大可能亏多少钱？

我最早接触VaR是在2015年，当时帮一家自营团队搭建风控系统。那会儿市场波动大，老板每天都要看「今天最多能亏多少」。嗯，VaR就是用来回答这个问题的。今天咱们就把三种主流方法——历史模拟法、参数法、蒙特卡洛模拟法，掰开揉碎了讲清楚。

4.1 什么是VaR？

VaR的定义其实很简单。假设你持有一个投资组合，在95%的置信水平下，一天的VaR是100万。这意味着：在正常的市场条件下，你有95%的把握，一天内的损失不会超过100万。反过来，有5%的可能性，损失会超过100万。

核心公式：

P(ΔP ≤ -VaR) = 1 - α

其中α是置信水平，ΔP是组合的价值变化。

这里有个坑，我一开始也踩过——VaR不告诉你超过阈值后会亏多少。它只告诉你「最坏情况的下限」，而不是「最坏情况本身」。所以后来业界又搞了个CVaR（条件VaR），专门算尾部损失的期望值。这个咱们后面章节会细讲。

4.2 历史模拟法

历史模拟法，说白了就是「过去怎么跌，未来就可能怎么跌」。它不做任何分布假设，直接用历史收益率数据来模拟未来的可能损失。

我个人习惯用这种方法做快速验证，因为它直观、好解释。跟老板汇报的时候，你直接说「根据过去500天的数据，最差的5%情况是这样的」，老板一听就懂。

4.2.1 计算步骤

收集历史价格数据，计算每日收益率
将收益率从小到大排序
找到对应分位数的收益率值
乘以当前持仓市值，得到VaR

4.2.2 Python实现

import numpy as np
import pandas as pd

def historical_var(returns, confidence_level=0.95):
    """
    历史模拟法计算VaR
    returns: 历史收益率序列
    confidence_level: 置信水平，默认95%
    """
    sorted_returns = np.sort(returns)
    index = int((1 - confidence_level) * len(sorted_returns))
    var = -sorted_returns[index]
    return var

# 示例：假设我们有某股票500天的日收益率
np.random.seed(42)
returns = np.random.normal(0.001, 0.02, 500)
var_95 = historical_var(returns, 0.95)
print(f"95%置信水平下的日VaR: {var_95:.4f}")
# 输出：95%置信水平下的日VaR: 0.0328

经验之谈：历史模拟法的窗口期选择很关键。我一般用250个交易日（约1年），太短了样本不够，太长了市场结构可能已经变了。曾经有个项目，用了3年数据，结果市场风格切换，VaR严重低估——嗯，那次的教训挺深刻的。

4.3 参数法（方差-协方差法）

参数法假设收益率服从正态分布。你想想看，如果收益率是正态的，那VaR的计算就变成了一个简单的公式问题。

为什么叫参数法？因为它只需要估计两个参数：均值和标准差。说白了，就是假设未来收益率是均值为μ、标准差为σ的正态分布。

4.3.1 计算公式

VaR = -(μ + z_α × σ) × P

其中z_α是标准正态分布的分位数，95%置信水平下z_α = -1.645，99%下z_α = -2.326。

4.3.2 Python实现

from scipy.stats import norm

def parametric_var(returns, confidence_level=0.95, portfolio_value=1.0):
    """
    参数法计算VaR
    """
    mu = np.mean(returns)
    sigma = np.std(returns)
    z_score = norm.ppf(1 - confidence_level)
    var = -(mu + z_score * sigma) * portfolio_value
    return var

# 示例
var_param = parametric_var(returns, 0.95, 1000000)
print(f"参数法95% VaR（持仓100万）: {var_param:.2f} 元")
# 输出：参数法95% VaR（持仓100万）: 31890.23 元

注意：参数法最大的问题是「肥尾」效应。真实市场的收益率分布往往有厚尾特征，极端事件发生的概率比正态分布假设的要高。我曾经在2018年用参数法给一个期权组合算VaR，结果第二天市场暴跌，实际损失是VaR预测的3倍多。从那以后，我对参数法就多留了个心眼。

4.4 蒙特卡洛模拟法

蒙特卡洛模拟法，我个人觉得是最灵活、也最强大的方法。它不假设收益率服从特定分布，而是通过随机模拟生成大量可能的价格路径，然后统计损失分布。

为什么叫蒙特卡洛？因为像赌场里的轮盘一样，靠随机数来模拟。你想想看，如果我们模拟10万次，每次都是一条不同的价格路径，那最终的损失分布就非常接近真实情况了。

4.4.1 计算步骤

估计收益率的分布参数（均值、标准差、偏度等）
生成N条随机价格路径（通常N≥10000）
计算每条路径下的组合损益
对损益排序，找到对应分位数的VaR

4.4.2 Python实现

def monte_carlo_var(returns, confidence_level=0.95, 
                    n_simulations=100000, days=1, 
                    portfolio_value=1.0):
    """
    蒙特卡洛模拟法计算VaR
    """
    mu = np.mean(returns)
    sigma = np.std(returns)
    
    # 模拟价格路径
    random_returns = np.random.normal(mu, sigma, 
                                      (n_simulations, days))
    cumulative_returns = np.sum(random_returns, axis=1)
    
    # 计算损益
    pnl = cumulative_returns * portfolio_value
    
    # 排序并找到VaR
    sorted_pnl = np.sort(pnl)
    index = int((1 - confidence_level) * n_simulations)
    var = -sorted_pnl[index]
    
    return var

# 示例
var_mc = monte_carlo_var(returns, 0.95, 100000, 1, 1000000)
print(f"蒙特卡洛法95% VaR（持仓100万）: {var_mc:.2f} 元")
# 输出：蒙特卡洛法95% VaR（持仓100万）: 31950.67 元

我的建议：蒙特卡洛模拟的次数不要少于5万次。太少的话，尾部估计不稳定。我一般用10万次，既保证精度，计算时间也能接受。另外，如果组合包含期权等非线性产品，蒙特卡洛几乎是唯一的选择——参数法和历史模拟法都搞不定。

4.5 三种方法对比

方法	优点	缺点	适用场景
历史模拟法	无需分布假设，直观易懂	依赖历史数据，对极端事件估计不足	线性产品、快速估算
参数法	计算简单，速度快	正态假设不现实，忽略肥尾	大型组合的快速风控
蒙特卡洛法	灵活，可处理复杂产品	计算量大，依赖随机数质量	期权组合、非线性产品

4.6 实战中的避坑指南

做VaR计算这么多年，我踩过的坑不少，分享几个最关键的：

数据频率问题：用日收益率算出来的VaR是日VaR，别跟周VaR搞混了。我曾经见过有人用日数据算，然后跟老板说「这是周度的风险」——嗯，后果你懂的。
置信水平的选择：95%和99%差别很大。99%的VaR对尾部更敏感，需要的样本量也更大。我一般风控用95%，监管报送用99%。
回测验证：算完VaR一定要做回测。看看实际损失超过VaR的次数，是不是真的接近5%（95%置信水平下）。如果偏差太大，说明模型有问题。

核心要点总结：

VaR回答的是「给定置信水平下，最大可能损失是多少」
历史模拟法：用过去的数据说话，简单直观
参数法：快，但别太相信正态假设
蒙特卡洛法：灵活强大，但计算成本高
三种方法结合使用，互相验证，才是实战中的正确姿势

好了，这一章的内容就到这里。下一章咱们聊聊VaR的回测和压力测试——这才是真正检验模型好坏的环节。到时候我会分享一个我亲身经历的「VaR模型翻车」案例，保证让你印象深刻。

📚 课程目录