第1章：风险度量基础——方差、标准差、协方差矩阵、VaR、CVaR的概念与计算

各位好，我是老张。今天咱们聊聊风险度量。

做组合优化，说白了就是跟风险打交道。你想想看，如果所有资产都稳赚不赔，那还优化个啥？直接全仓干就完了。但现实是，市场有波动，资产会跌，甚至可能归零。所以，我们得先搞清楚：风险到底是什么？怎么量化它？

我个人习惯把风险度量工具分成两类：传统统计量和尾部风险指标。前者告诉你“波动有多大”，后者告诉你“最坏情况有多糟”。这两类工具，咱们一个一个过。

1.1 方差与标准差：最朴素的波动度量

方差，是所有风险度量的起点。它的逻辑很简单：收益偏离平均水平的程度。

数学上，对于一组收益率 \( r_1, r_2, ..., r_n \)，样本方差的计算公式是：

σ² = (1/(n-1)) * Σ (r_i - r̄)²

其中 \( r̄ \) 是平均收益率。标准差就是方差的平方根：\( σ = \sqrt{σ²} \)。

我在项目中遇到过一件事：有个同事拿方差直接比较两个资产的风险，结果发现一个资产方差很大，但它是高频交易策略，日内波动大但收盘基本稳定。另一个资产方差小，但偶尔会暴跌。你看，方差只告诉你“平均波动”，它不区分向上波动和向下波动。所以，方差适合作为初步筛选，但别迷信它。

1.2 协方差矩阵：资产之间的“关系网”

单个资产的风险好算，但组合的风险呢？这就得靠协方差矩阵了。

协方差衡量两个资产收益率的同向变动程度。如果两个资产经常一起涨一起跌，协方差为正；如果一个涨一个跌，协方差为负。

假设我们有 \( m \) 个资产，协方差矩阵 \( \Sigma \) 是一个 \( m \times m \) 的对称矩阵：

Σ = [
  [σ₁²,  σ₁₂,  σ₁₃, ...],
  [σ₂₁,  σ₂²,  σ₂₃, ...],
  ...
]

其中对角线是各资产的方差，非对角线是两两之间的协方差。

组合的方差计算公式是：

σ²_p = w^T * Σ * w

其中 \( w \) 是权重向量。这个公式，是马科维茨均值-方差模型的基石。

嗯，这里要注意：协方差矩阵的估计质量，直接决定优化结果的好坏。我曾经用60天的滚动窗口估计协方差矩阵，结果优化出来的权重每天都在剧烈变化，根本没法实盘。后来改用指数加权移动平均（EWMA），才稳定下来。

1.3 VaR：风险价值——最坏情况下的“底线”

方差告诉你波动，但没告诉你“亏多少”。VaR（Value at Risk）就是回答这个问题的。

VaR的定义：在给定的置信水平（比如95%）和持有期（比如1天）下，最大可能损失。换句话说，100天里，只有5天的损失会超过这个值。

计算VaR有三种常见方法：

1. 参数法（方差-协方差法）：假设收益率服从正态分布，VaR = - (μ + z_α * σ)。其中z_α是标准正态分布的分位数（95%置信水平下，z=1.645）。
2. 历史模拟法：直接用历史收益率排序，取第5%分位数的损失值。
3. 蒙特卡洛模拟法：假设收益率服从某种分布，随机生成大量路径，取分位数。

我个人最常用的是历史模拟法。为什么？因为它不需要假设分布，简单粗暴。但缺点也很明显：历史不会简单重复。2008年金融危机之前，用历史模拟法算出来的VaR，根本预测不到雷曼兄弟倒闭那天的损失。

1.4 CVaR：条件风险价值——尾部风险的“放大镜”

CVaR（Conditional VaR），也叫Expected Shortfall（ES），就是为了弥补VaR的缺陷而生的。

CVaR的定义：在损失超过VaR的条件下，平均损失是多少。比如，95%的VaR是-10%，那么CVaR就是“所有损失超过-10%的那些天，平均损失是多少”。

数学上，CVaR = E[ L | L > VaR_α ]，其中L是损失。

举个例子：假设你有100天的收益率数据，95%的VaR是第5大的损失（即-8%）。那么CVaR就是那5天损失的平均值，假设是-12%。这意味着：一旦触发尾部风险，平均要亏12%。

我在做量化对冲策略时，曾经用VaR做风控，结果遇到一次小概率的闪崩，VaR没预警，但CVaR早就亮了红灯。从那以后，我所有的组合优化模型，约束条件里必加CVaR。

1.5 知识体系总览

下面这张图，是我自己梳理的风险度量工具关系图。你看一眼，就能明白它们之间的逻辑：

1.6 实战：用Python计算这些指标

光说不练假把式。下面这段代码，是我平时做风险分析的标准模板。你直接拿去用，改改数据路径就行。

import numpy as np
import pandas as pd

# 模拟收益率数据（5个资产，1000个交易日）
np.random.seed(42)
returns = np.random.randn(1000, 5) * 0.02  # 日收益率，标准差2%

# 1. 方差与标准差
var = np.var(returns, axis=0, ddof=1)
std = np.std(returns, axis=0, ddof=1)
print("方差:", var)
print("标准差:", std)

# 2. 协方差矩阵
cov_matrix = np.cov(returns, rowvar=False)
print("协方差矩阵:\n", cov_matrix)

# 3. VaR（历史模拟法，95%置信水平）
def historical_var(returns, alpha=0.95):
    sorted_returns = np.sort(returns, axis=0)
    index = int((1 - alpha) * len(sorted_returns))
    return sorted_returns[index]

var_95 = historical_var(returns, alpha=0.95)
print("95% VaR（每个资产）:", var_95)

# 4. CVaR（历史模拟法，95%置信水平）
def historical_cvar(returns, alpha=0.95):
    sorted_returns = np.sort(returns, axis=0)
    index = int((1 - alpha) * len(sorted_returns))
    tail_losses = sorted_returns[:index]
    return np.mean(tail_losses, axis=0)

cvar_95 = historical_cvar(returns, alpha=0.95)
print("95% CVaR（每个资产）:", cvar_95)

1.7 我的选择建议

说了这么多，到底该用哪个？我的经验是：

• 日常监控：用标准差和VaR就够了。简单、直观、好解释。
• 组合优化：必须用CVaR。因为优化过程会放大尾部风险，只用VaR会得到“看似安全实则危险”的组合。
• 多资产配置：协方差矩阵是核心。但记得做收缩估计或因子模型，别直接用原始数据。

好了，这一章就到这里。风险度量是组合优化的地基，地基不稳，楼盖得再高也是危楼。下一章，咱们聊聊怎么把这些指标用到优化模型里。

---