第4章风险管理基础回顾

4. 风险管理基础回顾：VaR、CVaR、压力测试、情景分析的传统方法及其局限性

各位，咱们今天聊点硬核的。风险管理这行当，说白了就是跟不确定性打交道。我入行那会儿，前辈们最常挂在嘴边的就是四个字：「测不准，管得住」。但怎么测？怎么管？这里头门道深了。

今天咱们把几个最经典的工具——VaR、CVaR、压力测试、情景分析——拉出来遛遛。我会结合自己踩过的坑，聊聊它们怎么用，又有什么局限。

VaR（Value at Risk，在险价值），这玩意儿几乎是风控领域的入门标配。它的定义很简单：在给定的置信水平和持有期内，预期可能发生的最大损失。

举个例子：你算出来一个投资组合的 95% VaR 是 100 万。意思就是，在 95% 的情况下，你一天最多亏 100 万。听起来挺美，对吧？

  VaR 的数学表达：

  P(ΔP ≤ -VaR) = 1 - α

  其中 α 是置信水平，ΔP 是组合价值变化。

但我得提醒你一句：VaR 有个致命伤——它不关心尾部风险。 什么意思？它只告诉你「95% 的情况下最多亏多少」，但剩下那 5% 的极端情况，它完全不管。万一那 5% 里藏着个黑天鹅，亏掉 1000 万呢？VaR 不会告诉你。

我在 2008 年金融危机前见过一个对冲基金，他们 VaR 模型跑得漂漂亮亮，结果次贷危机一来，一天亏掉 40% 的净值。为什么？因为 VaR 模型假设市场是正态分布的，但真实世界的尾部比正态分布厚得多。

CVaR（Conditional VaR，条件在险价值），也叫 Expected Shortfall（期望损失），就是来补这个窟窿的。它计算的是：当损失超过 VaR 阈值时，平均会亏多少。

CVaR 的数学表达：
CVaR_α = E[ -ΔP | -ΔP > VaR_α ]
说白了，就是「最坏那 5% 的情况，平均亏多少」。

我个人习惯是：看 VaR 做日常监控，看 CVaR 做压力储备。 比如你算出来 95% VaR 是 100 万，CVaR 是 300 万。那你的流动性储备至少得按 300 万来准备，而不是 100 万。

但 CVaR 也不是万能的。它需要大量尾部数据来估计，而极端事件本来就少。你想想看，历史上能用的金融危机数据就那么几次，样本量太小，估计出来的 CVaR 可能很不稳定。

压力测试，说白了就是「假设最坏的情况发生了，你扛不扛得住」。它不像 VaR 那样依赖历史数据，而是直接设定极端场景。

常见的压力测试类型有几种：

我记得在 2015 年股灾那会儿，我们团队做过一个压力测试：假设上证指数一天跌 8%。结果模型跑出来，好几个产品直接触发平仓线。幸好提前做了预案，不然那天晚上谁都别想睡。

避坑指南： 我曾经见过一个团队做压力测试，只选了「温和」的场景——比如利率上升 50 个基点。结果市场真出问题的时候，利率一天跳了 200 个基点。压力测试不「压」到极限，等于白做。

压力测试的局限性也很明显：你永远无法穷举所有极端场景。 黑天鹅之所以叫黑天鹅，就是因为它不在你的预设场景里。而且，压力测试是静态的——它假设市场在极端情况下仍然保持流动性，但真实情况往往是：越极端，流动性越枯竭。

情景分析和压力测试有点像，但更「丰满」。压力测试只问「如果利率涨了会怎样」，情景分析会问「为什么利率会涨？涨了之后其他资产怎么联动？经济基本面会怎么变？」

情景分析通常分两步：

我建议做情景分析时，一定要考虑二阶效应。比如利率上升，不仅债券价格跌，还可能引发企业融资成本上升、违约率上升、银行惜贷……这一连串反应，才是真实的风险传导路径。

但情景分析有个大问题：主观性太强。 你构建的情景，本质上是你对未来的「想象」。不同的人会构建出完全不同的情景，结果也就天差地别。而且，情景分析很难量化——你很难说「这个情景发生的概率是 5%」。

咱们把上面这些工具的局限性拉个清单：

你想想看，这些传统方法有一个共同的问题：它们都假设「历史会重复」。 VaR 依赖历史数据，压力测试依赖历史事件，情景分析依赖历史逻辑。但真实世界的风险，往往来自「从未发生过的事」。

这也是为什么后来行为金融学开始介入风险管理——因为人的非理性行为，才是很多风险的真正源头。比如 2021 年的 GameStop 事件，任何传统模型都预测不了，因为它本质上是散户情绪的集体爆发。

  一句话总结： 传统方法能帮你管好「已知的未知」，但管不了「未知的未知」。要补这个短板，就得引入行为金融学的视角。

嗯，今天就先聊到这儿。这些工具虽然不完美，但仍然是风控的基石。关键是——你得知道它们什么时候有用，什么时候会失效。