风险度量基础：波动率、协方差矩阵、VaR、CVaR、最大回撤、风险因子模型

各位同学，欢迎来到风险度量的世界。

说实话，做量化投资这么多年，我最大的体会就是：不懂风险，赚再多钱也是白搭。你想想看，一次黑天鹅事件，可能就把你几年的利润全吞了。所以，这一章我们得把风险度量的基本功打扎实。

1. 波动率：最朴素的“心跳”指标

波动率，说白了就是资产价格上下跳动的幅度。我习惯把它比作一个人的“心跳”——跳得太快，你紧张；跳得太慢，你又担心它是不是挂了。

在金融里，我们通常用年化波动率来衡量。计算方式很简单：

import numpy as np

# 假设我们有日收益率数据
daily_returns = np.array([0.01, -0.02, 0.015, -0.005, 0.008])
# 计算日波动率（标准差）
daily_vol = np.std(daily_returns, ddof=1)
# 年化（假设252个交易日）
annual_vol = daily_vol * np.sqrt(252)

print(f"年化波动率: {annual_vol:.4f}")

2. 协方差矩阵：资产之间的“关系网”

单看一个资产的波动率还不够。你想想，如果两个资产同涨同跌，那组合的风险并没有分散。协方差矩阵就是用来描述资产之间“联动关系”的。

举个例子，假设我们有3只股票：

import numpy as np

# 假设3只股票的日收益率数据（5天）
returns = np.array([
    [0.01, 0.02, -0.01],
    [-0.02, 0.01, 0.03],
    [0.015, -0.01, 0.02],
    [-0.005, 0.005, -0.015],
    [0.008, -0.02, 0.01]
])

# 计算协方差矩阵
cov_matrix = np.cov(returns, rowvar=False)
print("协方差矩阵：")
print(cov_matrix)

嗯，这里要注意：协方差矩阵必须是半正定的，否则在后续做优化时会出问题。我曾经因为数据缺失导致矩阵不正定，结果优化出来的权重全是负数，亏了不少钱。

3. VaR：你的钱最多会亏多少？

VaR（Value at Risk），风险价值。它回答一个问题：在给定的置信水平下，未来一段时间内，你的投资组合最多可能亏损多少？

比如，95%置信水平下的日VaR为100万，意思是：有95%的把握，明天亏损不超过100万；但还有5%的可能，亏损超过100万。

计算VaR有三种常见方法：

• 参数法（方差-协方差法）： 假设收益率服从正态分布，直接用均值和标准差算。
• 历史模拟法： 直接用过去的历史收益率排序，取分位数。
• 蒙特卡洛模拟法： 假设一个随机过程，模拟出大量路径，再取分位数。

import numpy as np

# 历史模拟法计算95% VaR
returns = np.random.normal(0.001, 0.02, 1000)  # 模拟1000个日收益率
confidence_level = 0.95
VaR = np.percentile(returns, (1 - confidence_level) * 100)
print(f"95% VaR: {VaR:.4f}")

4. CVaR：比VaR更“诚实”的指标

CVaR（Conditional VaR），也叫期望损失。它弥补了VaR的缺陷——它计算的是超过VaR那部分损失的期望值。

说白了，VaR告诉你“最坏情况的下限”，CVaR告诉你“最坏情况下的平均损失”。

# 计算95% CVaR
threshold = np.percentile(returns, (1 - confidence_level) * 100)
CVaR = returns[returns <= threshold].mean()
print(f"95% CVaR: {CVaR:.4f}")

5. 最大回撤：投资者的“心理底线”

最大回撤（Maximum Drawdown），就是从最高点到最低点的最大跌幅。它衡量的是：如果你在最倒霉的时候入场，最多会亏多少？

这个指标特别重要，因为它直接关系到投资者的心理承受能力。我见过很多策略，年化收益很高，但最大回撤超过50%，结果客户根本拿不住，最后割肉离场。

def max_drawdown(price_series):
    peak = np.maximum.accumulate(price_series)
    drawdown = (price_series - peak) / peak
    return drawdown.min()

# 模拟价格序列
prices = np.cumprod(1 + np.random.normal(0.001, 0.02, 1000))
mdd = max_drawdown(prices)
print(f"最大回撤: {mdd:.2%}")

6. 风险因子模型：拆解风险的“显微镜”

前面讲的都是整体风险。但实际投资中，我们需要知道风险到底来自哪里。是市场波动？是行业轮动？还是某个特定风格？

风险因子模型就是用来干这个的。最经典的是Fama-French三因子模型：市场因子、规模因子（小盘股 vs 大盘股）、价值因子（高账面市值比 vs 低账面市值比）。

后来还有五因子模型、甚至十因子模型。我个人习惯用Barra模型，它把风险拆解成：

• 市场因子： 大盘涨跌的影响
• 行业因子： 你重仓了哪个行业
• 风格因子： 比如动量、价值、波动率等
• 特异风险： 个股自己的“脾气”

# 简单示例：用线性回归分解风险
import statsmodels.api as sm

# 假设我们有组合收益率和因子收益率数据
portfolio_returns = np.random.normal(0.001, 0.02, 100)
market_returns = np.random.normal(0.0005, 0.015, 100)
size_factor = np.random.normal(0.0002, 0.01, 100)

X = np.column_stack([market_returns, size_factor])
X = sm.add_constant(X)
model = sm.OLS(portfolio_returns, X).fit()
print(model.summary())

知识体系总览

为了让你更直观地理解这些概念之间的关系，我画了一张图：

这张图清晰地展示了我们这一章的知识脉络。从最基础的波动率、协方差矩阵，到进阶的VaR、CVaR，再到风险因子模型，最终都指向一个目标——风险预算。

好了，这一章的内容就到这里。记住，风险度量不是目的，控制风险才是。下一章我们会把这些工具串起来，真正开始做风险预算。

---