第三节：风险度量指标——VaR的局限性与CVaR的优势
做风控的人，天天跟数字打交道。但数字这东西，有时候会骗人。
我刚开始做衍生品风控那会儿，公司用的就是VaR。每天收盘后跑一遍模型，看到95%置信度下的VaR值，心里还挺踏实。直到2008年那场危机，我们组合一天亏了VaR预测值的5倍多。嗯，从那以后，我对VaR的态度就变了——不是不用，是不能只用。
一、VaR（在险价值）到底在算什么？
VaR的定义很简单：在给定置信水平和持有期内，最大可能损失是多少。
举个例子：95%置信度下，日VaR为100万。意思是，100天里大概有5天，亏损会超过100万。
公式长这样：
P(Loss > VaR) = 1 - α
其中 α 是置信水平，通常取95%或99%听起来挺合理，对吧？但问题就出在这个「超过」的部分。
二、VaR的三大硬伤
硬伤一：它不告诉你尾部到底有多惨
VaR只告诉你「超过某个阈值的概率是5%」，但它完全不关心超过之后会亏多少。亏101万和亏1个亿，在VaR眼里是一样的——反正都超过了。
我见过一个对冲基金，VaR显示风险可控，结果一周内爆仓。为什么？因为VaR没告诉你尾部有多肥。
硬伤二：不满足次可加性
这是个数学问题，但后果很严重。简单说：两个组合合并后的VaR，可能大于各自VaR之和。这违反了风险分散化的基本逻辑。
你想想看，如果合并反而增加了风险度量值，那风控部门怎么分配资本？
硬伤三：对极端事件不敏感
VaR假设市场是正态分布的。但真实市场的尾部，比正态分布肥得多。我做过一个回测：用历史模拟法算VaR，结果在2008年9月那周，实际亏损连续5天超过VaR值。
核心结论：VaR不是没用，而是不够用。它适合日常监控，但扛不住极端行情。
三、CVaR（条件在险价值）——把尾部看透
CVaR也叫ES（Expected Shortfall），它问的是另一个问题：当亏损超过VaR时，平均会亏多少？
公式：
CVaR_α = E[ Loss | Loss > VaR_α ]说白了，就是「最坏那5%的日子里，平均亏多少」。
我个人的习惯是：同时看VaR和CVaR。VaR告诉我「警戒线在哪」，CVaR告诉我「真出事会多惨」。
CVaR的优势很明显：
- 考虑了尾部损失的分布，不遗漏极端情况
- 满足次可加性，合并组合的风险不会虚增
- 对尾部形状更敏感，肥尾分布下更准确
实战技巧：我在做压力测试时，通常把CVaR作为核心指标。因为监管机构（比如巴塞尔协议III）现在也更倾向于用ES来替代VaR。
四、压力测试与情景分析——把极端事件「演」一遍
光靠统计指标是不够的。为什么？因为历史不会简单重复。
压力测试，就是人为构造极端场景，看看组合能扛多久。
我常用的几种方法：
- 历史情景法：把2008年、2020年3月这些极端行情的数据直接套进来
- 假设情景法：比如「利率一夜上升200bp」「原油暴跌50%」
- 蒙特卡洛模拟：生成大量随机路径，看尾部分布
我曾经帮一家银行做压力测试，发现一个看似稳健的债券组合，在「利率陡升+信用利差扩大」的双重打击下，亏损会达到VaR的8倍。这个结果让管理层重新调整了杠杆率。
避坑指南：我曾经犯过一个错误——只做单一情景的压力测试。后来发现，真实危机往往是多因子同时爆发。所以我现在至少做3个情景：轻度、中度、极端。极端情景要敢想，比如「所有流动性同时枯竭」。
五、知识体系框架
下面这张图，是我自己梳理的风险度量指标体系。你可以把它当作一个检查清单：
六、实战中的选择建议
说了这么多，到底怎么用？我给出一个简单的决策逻辑：
| 场景 | 推荐指标 | 原因 |
|---|---|---|
| 日常风险监控 | VaR（95%置信度） | 计算快，容易理解，适合日报 |
| 资本充足率计算 | CVaR（99%置信度） | 监管要求，且更保守 |
| 极端事件应对 | 压力测试 + 情景分析 | 覆盖VaR/CVaR看不到的「黑天鹅」 |
| 组合优化 | CVaR作为目标函数 | 数学性质好，优化结果更稳健 |
我的个人习惯：每天收盘后，先看VaR有没有异常跳升。如果有，立刻跑一遍CVaR和压力测试。如果CVaR比VaR大很多（比如3倍以上），说明尾部很肥，需要减仓或对冲。
记住一句话：VaR告诉你「最坏情况的下限」，CVaR告诉你「最坏情况的平均值」，压力测试告诉你「最坏情况的上限」。三个一起用，才算真正看懂了风险。
公众号：蓝海资料掘金营，微信deep3321