4、库存风险度量：VaR（在险价值）计算、CVaR（条件在险价值）计算、压力测试场景设计

做市商最怕什么？不是单边行情，而是你不知道自己到底扛了多少风险。

我见过太多交易员，账面浮盈时意气风发，结果一个黑天鹅事件直接爆仓。说白了，库存管理如果没有风险度量，就像闭着眼睛开车——你敢开，我不敢坐。

这一章，我们聊聊库存风险的三个核心工具：VaR、CVaR 和 压力测试。这三个东西，是我每天必看的指标。

4.1 VaR：在险价值计算

VaR 是什么？简单说就是：在给定的置信水平和持有期内，你的库存可能面临的最大损失。

举个例子：95% 置信水平下，日 VaR 为 10 万。意思是，100 天里只有 5 天亏损会超过 10 万。嗯，听起来挺美好，但实际用起来坑不少。

我个人习惯用历史模拟法做日常监控。为什么？因为它简单、直观，而且不需要假设分布。我在项目中遇到过一件事：用参数法算出来的 VaR 只有 5 万，但历史模拟法显示是 12 万。后来一查，那段时间市场波动率异常，正态假设根本不成立。

# Python 示例：历史模拟法计算 VaR
import numpy as np
import pandas as pd

def calculate_var_historical(returns, confidence_level=0.95):
    """
    计算历史模拟 VaR
    :param returns: 收益率序列 (numpy array 或 pandas Series)
    :param confidence_level: 置信水平，默认 95%
    :return: VaR 值（正数表示损失）
    """
    # 排序收益率
    sorted_returns = np.sort(returns)
    # 找到分位数索引
    index = int((1 - confidence_level) * len(sorted_returns))
    # VaR 就是该分位数的绝对值
    var = abs(sorted_returns[index])
    return var

# 示例数据
np.random.seed(42)
daily_returns = np.random.normal(0, 0.02, 1000)  # 模拟 1000 天收益率
var_95 = calculate_var_historical(daily_returns, 0.95)
print(f"95% 置信水平下的日 VaR: {var_95:.4f} 或 {var_95*100:.2f}%")

4.2 CVaR：条件在险价值计算

VaR 有个致命缺陷：它只告诉你「最坏情况下的门槛」，但没告诉你「一旦跨过这个门槛，到底会亏多少」。

举个例子：两个策略的 VaR 都是 10 万。但策略 A 的尾部损失均值是 12 万，策略 B 是 30 万。你选哪个？

这就是 CVaR 的价值——它计算的是超过 VaR 那部分损失的期望值。说白了，就是「一旦出事，平均会亏多少」。

我在做期权做市时，特别喜欢用 CVaR。因为期权尾部风险大，VaR 根本不够用。有一次，一个深度虚值期权持仓，VaR 显示只有 2 万，但 CVaR 算出来是 18 万。后来市场果然出现剧烈波动，那个期权价格翻了 10 倍。嗯，CVaR 救了我一命。

# Python 示例：计算 CVaR
def calculate_cvar_historical(returns, confidence_level=0.95):
    """
    计算历史模拟 CVaR
    :param returns: 收益率序列
    :param confidence_level: 置信水平
    :return: CVaR 值（正数表示损失）
    """
    sorted_returns = np.sort(returns)
    # 找到 VaR 的分位数索引
    index = int((1 - confidence_level) * len(sorted_returns))
    # VaR 值
    var = abs(sorted_returns[index])
    # 取所有超过 VaR 的损失
    tail_losses = sorted_returns[:index]
    # CVaR 是这些损失的均值
    cvar = abs(np.mean(tail_losses))
    return cvar, var

cvar_95, var_95 = calculate_cvar_historical(daily_returns, 0.95)
print(f"95% VaR: {var_95:.4f}, 95% CVaR: {cvar_95:.4f}")
print(f"CVaR / VaR 比率: {cvar_95/var_95:.2f}")  # 这个比率越大，尾部风险越高

4.3 压力测试场景设计

VaR 和 CVaR 都是基于历史数据或假设分布的。但市场有时候不讲道理——比如 2020 年 3 月的流动性危机，或者 2023 年 3 月的硅谷银行事件。这些极端情况，VaR 根本算不出来。

压力测试就是用来补这个漏洞的。它不问你「大概率会亏多少」，而是问「如果发生这种极端情况，你会不会死」。

4.3.1 历史情景法

直接复制历史上发生过的极端事件。比如：

• 2008 年金融危机：标普 500 单月跌 20%，波动率飙升 300%
• 2015 年瑞郎黑天鹅：EUR/CHF 瞬间暴跌 30%
• 2020 年新冠危机：美股熔断，信用利差急剧走阔

我习惯维护一个「历史情景库」，里面存了 20 多个经典危机事件的价格变动和波动率变动数据。每次调仓前，我都会跑一遍这些情景。

4.3.2 假设情景法

自己设计极端但合理的场景。比如：

• 利率突变：美联储突然加息 100 个基点
• 流动性枯竭：买卖价差扩大 10 倍，成交量萎缩 90%
• 相关性破裂：原本负相关的资产突然同涨同跌

# Python 示例：压力测试场景模拟
def stress_test_portfolio(positions, price_changes, vol_changes):
    """
    压力测试模拟
    :param positions: 持仓字典 {资产名: {数量, 当前价格, 波动率}}
    :param price_changes: 价格变动幅度 {资产名: 变动比例}
    :param vol_changes: 波动率变动幅度 {资产名: 变动比例}
    :return: 压力测试结果
    """
    total_pnl = 0
    results = {}
    
    for asset, pos in positions.items():
        # 价格变动
        new_price = pos['current_price'] * (1 + price_changes.get(asset, 0))
        # 波动率变动
        new_vol = pos['volatility'] * (1 + vol_changes.get(asset, 0))
        # 损益
        pnl = pos['quantity'] * (new_price - pos['current_price'])
        total_pnl += pnl
        results[asset] = {
            'pnl': pnl,
            'new_price': new_price,
            'new_vol': new_vol
        }
    
    results['total_pnl'] = total_pnl
    return results

# 示例：模拟 2008 年危机情景
positions = {
    'BTC': {'quantity': 10, 'current_price': 50000, 'volatility': 0.5},
    'ETH': {'quantity': 100, 'current_price': 3000, 'volatility': 0.6}
}

crisis_scenario = {
    'price_changes': {'BTC': -0.4, 'ETH': -0.5},  # 跌 40% 和 50%
    'vol_changes': {'BTC': 2.0, 'ETH': 2.5}        # 波动率翻 2-2.5 倍
}

result = stress_test_portfolio(positions, crisis_scenario['price_changes'], crisis_scenario['vol_changes'])
print(f"压力测试总损益: ${result['total_pnl']:,.0f}")
for asset, data in result.items():
    if asset != 'total_pnl':
        print(f"{asset}: 损益 ${data['pnl']:,.0f}, 新价格 ${data['new_price']:,.0f}")

4.4 三者如何配合使用

VaR、CVaR 和压力测试，不是互相替代的关系，而是互补的。

指标	回答的问题	适用场景	局限性
VaR	正常市场下最多亏多少？	日常风控、限额设定	忽略尾部风险
CVaR	一旦出事，平均亏多少？	尾部风险管理、策略比较	对异常值敏感
压力测试	极端情况下会不会死？	极端事件准备、资本规划	情景设计主观性强

我个人习惯的流程是：每天开盘前看 VaR，盘中监控 CVaR，每周做一次压力测试。三者结合，基本能覆盖大部分风险场景。

---

公众号:蓝海资料掘金营，微信deep3321