2、VaR计算方法概览：参数法、历史模拟法、蒙特卡洛模拟法

说到VaR的计算，市面上方法不少。但真正在量化风控一线常用的，其实就三招：参数法、历史模拟法、蒙特卡洛模拟法。

我个人习惯把这三种方法比作「三把尺子」——有的快但糙，有的准但慢，有的灵活但费劲。你想想看，做风控最怕什么？不是算不准，而是用错了工具还不知道。

2.1 参数法（方差-协方差法）

参数法，说白了就是假设收益率服从正态分布。然后我们只需要知道均值和方差，就能算出VaR。

公式很简单：

VaR = - (μ - z_α * σ) * P

其中z_α是置信水平对应的分位数，比如95%对应1.645，99%对应2.326。

我在项目中遇到过一家基金公司，他们用参数法算债券组合的VaR。结果呢？市场一波动，VaR直接失效。为什么？因为债券收益率明显有厚尾特征，正态分布根本兜不住。

2.2 历史模拟法

历史模拟法就简单粗暴了。它不假设任何分布，直接用过去N天的收益率数据，排序后取分位数。

比如你有1000天的日收益率数据，要算95% VaR，那就取第50小的那个值（1000 * 5% = 50）。

import numpy as np

def historical_var(returns, confidence=0.95):
    sorted_returns = np.sort(returns)
    index = int(len(returns) * (1 - confidence))
    return -sorted_returns[index]

嗯，这里要注意。历史模拟法有个致命弱点：它假设历史会重演。我见过有人用2008年的数据去预测2017年的风险，结果市场结构早就变了，VaR完全失真。

2.3 蒙特卡洛模拟法

蒙特卡洛模拟法，说白了就是「暴力求解」。它通过随机生成大量价格路径，模拟出未来收益率的分布，再取分位数。

步骤大致如下：

1. 设定随机过程（比如几何布朗运动）
2. 生成N条价格路径（通常10000条以上）
3. 计算每条路径的收益率
4. 排序后取分位数

import numpy as np

def monte_carlo_var(S0, mu, sigma, T, n_simulations=10000, confidence=0.95):
    dt = T / 252  # 假设252个交易日
    returns = np.random.normal((mu - 0.5 * sigma**2) * dt, sigma * np.sqrt(dt), n_simulations)
    final_prices = S0 * np.exp(returns)
    portfolio_returns = (final_prices - S0) / S0
    return -np.percentile(portfolio_returns, (1 - confidence) * 100)

我记得有一次帮一家私募做压力测试，他们的组合里有一堆奇异期权。参数法算不了，历史模拟法样本不够，最后只能用蒙特卡洛。跑了10万条路径，花了将近半小时，但结果确实靠谱。

2.4 三种方法优缺点对比

方法	优点	缺点
参数法	计算快、实现简单、适合线性组合	假设正态分布、无法处理厚尾、非线性风险失效
历史模拟法	无分布假设、直观易懂、适合非正态数据	依赖历史数据、无法预测结构性变化、样本量要求高
蒙特卡洛模拟法	灵活性强、可处理复杂组合、支持压力测试	计算量大、依赖模型假设、随机误差需控制

你想想看，这三种方法其实没有绝对的好坏。关键看你的应用场景。我个人习惯是：

• 做快速日报，用参数法
• 做周度风控报告，用历史模拟法
• 做季度压力测试或新产品评估，用蒙特卡洛模拟法