1. 风险管理的进化：从方差到VaR再到CVaR，为什么我们需要更好的风险度量工具？

做量化这些年，我最大的感触就是——风险管理这东西，真不是算个数字那么简单。

刚开始做交易那会儿，我习惯用标准差来衡量风险。后来发现，这玩意儿太粗糙了。你想想看，一个组合涨了20%和跌了20%，在方差眼里居然是一回事？这不合理啊。

今天我们就聊聊，风险度量工具是怎么一步步进化过来的。

1.1 方差：祖师爷级别的风险度量

马科维茨在1952年提出均值-方差模型，这绝对是里程碑式的贡献。他用方差来衡量资产收益的波动性，简单、优雅、数学上也好处理。

但问题在哪呢？

• 方差把上涨和下跌一视同仁——涨了算风险？投资者巴不得多来点这种风险
• 方差假设收益服从正态分布——现实中金融数据哪那么乖？肥尾、偏态才是常态
• 方差是个对称指标——可我们真正怕的是下行风险，不是上行波动

我在项目中遇到过一位客户，他的组合方差很低，但回撤却很大。为什么？因为他的资产虽然波动小，但一跌就是连续阴跌，这种"慢刀子割肉"式的风险，方差根本反映不出来。

1.2 VaR：银行家的新宠

到了90年代，J.P. Morgan推出了RiskMetrics，VaR（Value at Risk）开始流行起来。

VaR回答了一个很直接的问题："在95%的置信水平下，我最多会亏多少钱？"

举个例子：

# 计算一个组合的95% VaR
import numpy as np

# 假设日收益率数据
returns = np.random.normal(0.001, 0.02, 1000)
confidence_level = 0.95

# 计算VaR
var_95 = np.percentile(returns, (1 - confidence_level) * 100)
print(f"95% VaR = {var_95:.4f}")
# 输出：95% VaR = -0.0318
# 意味着有95%的概率，日亏损不会超过3.18%

VaR确实比方差进了一步——它关注的是尾部风险，也就是最坏情况下的损失。但别高兴太早，VaR也有硬伤。

我曾经用VaR管理一个期权组合，95% VaR显示每天最多亏5万。结果有一天市场暴跌，组合亏了30万。VaR完全没预警——因为那5%的尾部事件，它根本不管里面是什么情况。

1.3 CVaR：把尾巴看透

CVaR（Conditional Value at Risk），也叫Expected Shortfall，它解决了VaR的痛点。

CVaR问的是："如果亏损超过了VaR的门槛，平均会亏多少？"

还是刚才那个例子：

# 计算CVaR
def calculate_cvar(returns, confidence_level=0.95):
    var = np.percentile(returns, (1 - confidence_level) * 100)
    # 找出所有超过VaR的损失
    tail_losses = returns[returns <= var]
    cvar = tail_losses.mean()
    return cvar

cvar_95 = calculate_cvar(returns)
print(f"95% CVaR = {cvar_95:.4f}")
# 输出：95% CVaR = -0.0421
# 意味着在尾部事件中，平均亏损是4.21%

你看，CVaR比VaR更保守，也更真实。它把整个尾巴都考虑进去了，而不是只看一个分位点。

1.4 三种工具的对比

指标	关注点	优点	缺点
方差	整体波动	数学优雅，计算简单	不分上下，忽略尾部
VaR	分位点损失	直观易懂，监管认可	忽略尾部深度，不满足次可加性
CVaR	尾部平均损失	考虑尾部，满足次可加性	计算稍复杂，需要更多数据

1.5 为什么CVaR是更好的选择？

说白了，CVaR有三个核心优势：

1. 考虑了尾部风险的程度——不是简单画条线，而是看线后面的世界
2. 满足次可加性——组合的CVaR不会大于各资产CVaR之和，这符合分散化逻辑
3. 优化更稳定——CVaR是凸函数，数学上更容易找到全局最优解

我记得有一次做多资产组合优化，用方差优化出来的结果，权重全集中在几个高收益资产上，回撤大得吓人。换成CVaR优化后，组合明显更稳健，尾部风险被有效控制住了。

1.6 知识体系总览

下面这张图，帮你理清风险度量工具的进化脉络：

1.7 避坑指南

我曾经踩过一个坑，说出来你可能也会遇到。

刚开始用CVaR时，我直接拿历史数据算，结果发现CVaR值忽高忽低，很不稳定。后来才意识到——CVaR对数据量很敏感。样本太少，尾部估计就不准。

我的经验是：

• 至少用3-5年的日频数据
• 如果数据不够，考虑用蒙特卡洛模拟生成场景
• 别迷信单一指标，CVaR再牛也只是工具，不是真理

---

公众号:蓝海资料掘金营，微信deep3321