第2章 VaR核心概念

第2章 VaR核心概念：置信水平、持有期、损失分布、分位数

好，咱们直接进入正题。上一章我们聊了VaR是什么——说白了就是在一定概率下，你最多亏多少钱。但光知道定义远远不够，你得理解它背后的四个核心零件：置信水平、持有期、损失分布、分位数。这四个东西，就像汽车的四个轮子，少一个VaR都跑不起来。

我个人习惯，讲概念之前先画个图，把关系理清楚。你看下面这张图，就是这四个概念之间的逻辑链条：

嗯，这张图你看懂了吗？从左到右，先定置信水平，再定持有期，然后构建损失分布，最后用分位数切出VaR值。下面我一个一个拆开讲。

2.1 置信水平：你有多确定？

置信水平，英文叫confidence level。说白了就是——你希望你的预测有多"靠谱"。

举个例子。我说"明天有90%的概率不下雨"，那10%的概率就是下雨的风险。在VaR里，95%的置信水平意味着：100天里，有95天你的亏损不会超过VaR值。剩下5天，嗯，可能会亏得更多。

核心公式：

VaR(95%) = 在95%的情况下，最大可能亏损

或者说：只有5%的概率会亏超过这个数

我在项目中遇到过不少新手，上来就选99%的置信水平，觉得"越保守越好"。其实不是这样的。你想想看，99%意味着你只关注那1%的极端情况，但现实中很多风险恰恰藏在95%到99%之间。我个人的经验是：做日常风控用95%就够了，做压力测试才用99%。

置信水平	含义	常见场景
95%	20天中有1天可能超限	日常风控、交易限额
99%	100天中有1天可能超限	监管要求、巴塞尔协议
99.9%	1000天中有1天可能超限	极端压力测试

💡 我的小技巧：选置信水平时，先问问自己——"我能接受多久出一次事？"如果每天交易100笔，95%意味着每天可能有5笔超限，这个频率你能接受吗？

2.2 持有期：看多久？

持有期，holding period，就是你的"观察窗口"。你是看一天的风险？还是一周？一个月？

这个参数直接影响VaR的大小。为什么？因为时间越长，不确定性越大。你想想看，预测明天股价和预测明年股价，难度能一样吗？

这里有个重要的数学关系：如果假设收益率独立同分布，那么VaR与持有期的平方根成正比。

# 持有期换算示例
# 假设日VaR为100万，持有期10天
import math

daily_var = 100  # 单位：万
holding_period = 10
ten_day_var = daily_var * math.sqrt(holding_period)
print(f"10天VaR ≈ {ten_day_var:.1f}万")
# 输出：10天VaR ≈ 316.2万

嗯，这里要注意——这个平方根法则有个前提：收益率是独立同分布的。但现实中，市场有自相关性，有波动率聚集效应。我曾经吃过这个亏，直接用平方根把日VaR换算成年VaR，结果被审计追着问。后来我学乖了，能用实际数据算就别偷懒用公式。

⚠️ 避坑指南：我曾经用平方根法则把1天VaR换算成10天VaR，结果低估了风险。因为市场在压力时期往往有"记忆效应"——今天跌了明天可能接着跌。这种情况下，平方根法则会低估真实风险。

2.3 损失分布：数据长啥样？

损失分布，loss distribution，这是VaR计算的核心原料。没有分布，你什么都算不出来。

损失分布有两种来源：

历史分布：直接用过去的数据，假设历史会重演
参数分布：假设数据服从某种分布（如正态分布），然后估计参数

我个人更偏爱历史分布，因为它不需要做太多假设。但历史分布有个致命弱点——如果过去10年都没发生过金融危机，那它根本预测不了金融危机。

你看下面这个例子，假设我们有某股票过去100天的日收益率数据：

import numpy as np
import matplotlib.pyplot as plt

# 模拟100天的日收益率（单位：%）
np.random.seed(42)
returns = np.random.normal(0.05, 1.5, 100)

# 排序后看分布
sorted_returns = np.sort(returns)
print("最小5个收益率:", sorted_returns[:5])
print("最大5个收益率:", sorted_returns[-5:])

运行这段代码，你会发现收益率大致集中在0附近，但两端会有一些"尾巴"。这些尾巴，就是风险所在。

关键认知：金融数据的损失分布通常有"厚尾"特征——极端事件发生的概率比正态分布预测的要高。这也是为什么2008年金融危机时，很多银行的VaR模型都失效了——他们用了正态分布假设。

2.4 分位数：切在哪儿？

分位数，quantile，就是一把刀。你把损失分布画出来，然后用分位数这把刀切下去，切点左边的面积就是置信水平，切点对应的数值就是VaR。

举个例子。假设我们有100个历史收益率数据，要算95% VaR：

把收益率从小到大排序
找到第5个最小的收益率（因为100 × 5% = 5）
这个收益率就是95% VaR

# 计算95% VaR（历史模拟法）
import numpy as np

returns = np.random.normal(0.05, 1.5, 1000)
confidence_level = 0.95
var_95 = np.percentile(returns, (1 - confidence_level) * 100)
print(f"95% VaR = {var_95:.2f}%")
# 输出类似：95% VaR = -2.41%

这个-2.41%是什么意思？意思是：在95%的情况下，你的日亏损不会超过2.41%。或者说，只有5%的概率会亏超过2.41%。

💡 我的经验：算分位数时，数据量不能太少。我一般要求至少500个数据点，否则分位数估计的误差会很大。如果数据不够，可以考虑用bootstrap方法增加样本量。

2.5 四个概念如何协同工作？

好了，四个概念都讲完了。它们是怎么配合的？我给你捋一遍：

先定置信水平：比如95%，告诉市场"我有95%的把握"
再定持有期：比如1天，告诉系统"我看的是日频风险"
构建损失分布：用历史数据或参数模型，画出收益率的分布形状
找分位数：在分布上切一刀，切出VaR值

你看，整个过程就像做菜——先定口味（置信水平），再定分量（持有期），然后准备食材（损失分布），最后下刀切菜（分位数）。每一步都影响最终的味道。

一句话总结：VaR = 在给定置信水平和持有期下，损失分布上对应的分位数值。

嗯，这一章的内容就到这儿。四个概念你记住了吗？下一章我们会用这些概念，动手算一个真实的VaR案例。到时候你会发现，理论懂了，动手也不难。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录