参数设定基础：置信水平、持有期、观察期、数据频率的选择逻辑
做VaR模型，说白了就是回答一个问题：“未来一段时间，我最多可能亏多少钱？”
但这个问题本身就很模糊。未来多久？亏的概率多大？用什么数据算？
嗯，这就是参数设定的意义。我刚开始做风控那会儿，觉得参数随便选选就行，结果回测怎么都过不了。后来才明白——参数设定不是技术问题，是业务问题。
一、置信水平：你愿意接受多大的“意外”？
置信水平，就是你说“最多亏这么多”时，有多大把握。
- 95%置信水平：每20个交易日，预期有1天会超过VaR值。
- 99%置信水平：每100个交易日，预期有1天会超过VaR值。
我个人习惯，做内部风控用95%，监管报送用99%。为什么？
95%更敏感，能更快捕捉风险变化。99%更保守，但样本量少，回测时容易出问题。
避坑指南：我曾经在回测时发现，99%置信水平下，一年才出现2-3次超限。样本太少，统计检验根本没法做。后来我改用95%，数据量够了，模型表现一目了然。
你想想看，如果选了99%，回测期只有250个交易日，理论上只该有2-3天超限。万一某天市场暴跌，超限了4次，你很难判断是模型错了，还是运气不好。
二、持有期：你的资产多久能变现？
持有期，就是假设你持有资产不动，要承担多长期限的风险。
- 1天持有期：适合高频交易、流动性好的组合。
- 10天持有期：巴塞尔协议要求，适合银行账户。
- 1个月或更长：适合私募股权、不动产等低流动性资产。
这里有个关键点：持有期越长，VaR值越大，但不是线性增长。
为什么？因为时间越长，不确定性越大。但如果你假设收益率是独立同分布的，VaR会按根号时间缩放。
我的经验：我在做股票组合时，习惯用1天持有期。但做信用债时，我会用10天。因为信用债流动性差，一天内根本卖不掉。你想想看，如果持有期设得太短，VaR会严重低估真实风险。
三、观察期：用多长的历史数据？
观察期，就是回看多久的历史数据来估计参数。
- 1年（约250个交易日）：对市场变化敏感，但容易受极端值影响。
- 3-5年：更稳定，但可能包含过时的市场结构。
- 10年以上：适合长期战略，但数据可能不相关。
我个人建议，观察期至少是持有期的10倍以上。比如持有期1天，观察期至少10天。但实际中，我一般用2-3年。
注意：我曾经用5年数据做回测，结果模型在2015年股灾时完全失效。为什么？因为5年数据里包含了2008年金融危机，模型被极端值“带偏”了。后来我改用2年滚动窗口，效果好了很多。
说白了，观察期就是你的“记忆”。记忆太长，你会活在过去；记忆太短，你会被眼前的波动吓到。
四、数据频率：用日数据还是分钟数据？
数据频率，就是计算收益率时用的时间间隔。
- 日数据：最常用，适合大多数场景。
- 周/月数据：适合长期持有、低频交易。
- 分钟/小时数据：适合高频交易、做市商。
这里有个陷阱：数据频率越高，噪声越大。
我记得有一次，团队用5分钟数据做VaR，结果模型波动极大，回测完全没法看。后来换成日数据，模型稳定多了。
核心原则：数据频率应该与持有期匹配。持有期1天，就用日数据；持有期10天，就用周数据。不要用高频数据去预测低频风险，那会引入大量噪声。
五、参数选择的逻辑框架
说了这么多，到底怎么选？我总结了一个简单的决策流程：
- 先定持有期：看资产流动性，能多快变现？
- 再定置信水平：看用途，内部风控还是监管报送？
- 然后定观察期：至少持有期的10倍，但别超过5年。
- 最后定数据频率：与持有期匹配，别用高频数据。
你想想看，这个顺序其实是有逻辑的。持有期决定了时间尺度，置信水平决定了风险偏好，观察期决定了数据量，数据频率决定了噪声水平。
六、一张图看懂参数选择
下面我用一张SVG图，把整个逻辑串起来：
七、实际案例：一个股票组合的参数设定
假设我有一个股票组合，流动性很好，每天都能交易。我该怎么做？
| 参数 | 选择 | 理由 |
|---|---|---|
| 持有期 | 1天 | 股票流动性好，可以随时平仓 |
| 置信水平 | 95% | 内部风控，需要敏感捕捉风险 |
| 观察期 | 2年（约500个交易日） | 足够样本量，又不会包含过时数据 |
| 数据频率 | 日数据 | 与持有期匹配，噪声可控 |
我的建议：参数设定没有标准答案。同一个组合，不同机构、不同用途，参数可能完全不同。关键是理解每个参数背后的逻辑，然后根据实际情况调整。
嗯，到这里，参数设定的基础就讲完了。记住一句话：参数是工具，不是目的。选对了参数，VaR模型才能真实反映风险。选错了，再复杂的模型也是白搭。