第2章：VaR的数学原理：概率论基础、分位数概念、置信区间与持有期的选择

聊到VaR，很多人第一反应是「算个数字嘛」。但说实话，如果不懂背后的数学原理，你算出来的VaR可能就是个摆设。我在刚入行时也犯过这个错——拿着Excel一拉，95%分位数出来了，结果风控委员会一问「你这个置信区间为什么选95%而不是99%？」我当场就卡壳了。

所以这一章，咱们把VaR的数学底裤扒干净。你想想看，VaR本质上问的是：「在给定的概率下，我最多亏多少钱？」 就这么简单。但要把这句话翻译成数学语言，就需要三个核心概念：概率论、分位数、置信区间与持有期。

2.1 概率论基础：VaR的底层语言

概率论说白了就是描述「不确定性」的数学工具。VaR的核心假设是：你的资产收益率服从某个概率分布。最常见的假设是正态分布——虽然现实中金融数据往往有厚尾，但正态分布是入门的最佳选择。

我记得有一次做压力测试，团队里有人直接用正态分布算VaR，结果回测时发现实际亏损超过VaR的次数比理论值多了两倍。为什么？因为市场暴跌时，尾部风险远大于正态分布的预测。这就是概率分布选择的重要性。

几个关键概念你得刻在脑子里：

• 概率密度函数（PDF）：描述收益率在每个取值上的可能性。正态分布的PDF像个钟形曲线。
• 累积分布函数（CDF）：描述收益率小于等于某个值的概率。VaR就是从这个函数反推出来的。
• 期望与方差：期望是平均收益，方差是波动程度。VaR直接跟方差挂钩。

2.2 分位数概念：VaR的「切蛋糕」逻辑

分位数，说白了就是「把数据切成几块，看某一块的边界在哪」。比如95%分位数，意思是「有95%的数据小于这个值，5%的数据大于这个值」。VaR取的就是这个边界值——只不过我们关心的是亏损端，所以通常取左侧分位数。

举个例子：假设你持有某股票，日收益率的历史数据如下：

import numpy as np

# 模拟1000个日收益率（正态分布）
np.random.seed(42)
returns = np.random.normal(0.001, 0.02, 1000)

# 计算95%分位数（左侧）
var_95 = np.percentile(returns, 5)  # 注意：5%分位数对应95%置信水平
print(f"95% VaR（日）：{var_95:.4f}")

# 输出：95% VaR（日）：-0.0312
# 解读：有95%的概率，日亏损不超过3.12%

为什么会用5%分位数而不是95%？因为VaR关注的是「最差的5%情况」的边界。你想想看，如果我说「95%置信水平下VaR为-3.12%」，意思就是「100天里，最多有5天亏损超过3.12%」。

2.3 置信区间与持有期的选择

这两个参数是VaR建模中最「艺术」的部分。为什么？因为它们没有标准答案，完全取决于你的业务场景。

置信区间：95% vs 99%

置信区间决定了你「容忍」多大的尾部风险。95%意味着你接受5%的例外情况，99%则只接受1%。听起来99%更安全，对吧？但代价是VaR值会更大——因为你要覆盖更极端的亏损。

置信水平	分位数位置	VaR值（示例）	例外频率（250天）
95%	5%	-3.12%	约12.5天
99%	1%	-4.65%	约2.5天
99.5%	0.5%	-5.15%	约1.25天

我在项目中遇到过一件事：某基金公司用99% VaR做风控，结果一年内发生了3次例外——理论上应该只有2.5次。虽然偏差不大，但董事会不干了，觉得模型有问题。后来我们改成了95% VaR做日常监控，99% VaR做压力测试，两边都满意。

持有期：1天 vs 10天 vs 1个月

持有期越长，VaR越大——因为时间给了市场更多「折腾」的空间。巴塞尔协议要求银行用10天持有期计算市场风险VaR，但实际操作中，很多机构先用1天VaR再乘以√10来近似。

为什么是√T？因为假设收益率独立同分布，方差随时间线性累加，标准差就是√T倍。但注意：这个假设在现实中经常不成立——市场有自相关性，有波动率聚集效应。

# 不同持有期的VaR对比
def var_holding_period(vol_daily, holding_days, confidence=0.95):
    from scipy.stats import norm
    z = norm.ppf(1 - confidence)  # 分位数
    var = -z * vol_daily * np.sqrt(holding_days)
    return var

vol = 0.02  # 日波动率2%
for days in [1, 5, 10, 20]:
    v = var_holding_period(vol, days, 0.95)
    print(f"{days}天持有期 VaR(95%): {v:.4f}")

# 输出：
# 1天持有期 VaR(95%): -0.0329
# 5天持有期 VaR(95%): -0.0736
# 10天持有期 VaR(95%): -0.1041
# 20天持有期 VaR(95%): -0.1472

2.4 知识体系总览

下面这张图把本章的核心逻辑串起来了。你可以看到，VaR的数学原理其实就三条线：概率分布决定形状，分位数决定切割点，置信区间和持有期决定参数选择。

2.5 实战中的选择逻辑

说了这么多理论，最后给点实在的。你在实际项目中怎么选这些参数？

1. 监管要求优先：巴塞尔协议、银保监会的规定是硬约束。银行做市场风险VaR，必须用99%置信水平、10天持有期。
2. 业务场景决定：交易部门看日VaR，投资组合看周VaR或月VaR。别拿日VaR去管长期持仓，那会低估风险。
3. 数据质量兜底：如果数据只有1年，别硬算99.9% VaR——样本太少，分位数估计方差太大。我一般要求至少3年数据才敢用99%置信水平。