第三章 参数法VaR：正态分布下的风险量化

参数法VaR，也叫方差-协方差法。说实话，这是我最先学会的VaR计算方法。为什么？因为它简单、优雅，而且有漂亮的数学推导。但我要提醒你——简单的东西往往藏着陷阱。

我在2015年做固收产品风控时，就吃过参数法的亏。当时市场平稳，模型跑得漂亮。结果2016年债市波动一来，VaR值直接被打脸。嗯，这个教训让我明白：参数法好用，但前提你得懂它的假设。

3.1 正态分布假设：为什么是它？

参数法的核心假设就一句话：资产收益率服从正态分布。

你可能会问：为什么偏偏是正态分布？

原因有三：

• 数学上方便：正态分布只需要两个参数——均值和标准差。计算简单，推导清晰
• 可加性好：多个正态分布变量的线性组合，仍然是正态分布。这对组合VaR计算太重要了
• 历史惯性：Markowitz的均值-方差框架就是基于正态假设。金融学界用了快70年

但我要泼盆冷水——真实世界的收益率，几乎从来不是正态分布。我见过太多人拿着正态分布硬套，结果VaR值偏小，风险被低估。说白了，正态分布假设是「理想情况」，现实是「肥尾」的。

3.2 均值-方差框架：Markowitz的遗产

这个框架是Harry Markowitz在1952年提出的。老爷子凭这个拿了诺贝尔奖。核心思想就一句话：用均值衡量收益，用方差衡量风险。

在VaR计算中，我们这样用：

1. 估计均值：历史收益率的平均值。我个人习惯用过去250个交易日（约1年）的数据
2. 估计方差/标准差：衡量收益率的波动程度
3. 计算协方差矩阵：如果做组合VaR，需要知道资产之间的相关性

为什么？因为短期来看，均值的影响远小于标准差。你想想看，一天的收益率均值可能只有0.05%，但标准差可能是1.5%。差了两个数量级。所以忽略均值，反而更稳健。

3.3 参数估计：数据怎么来？

参数估计是参数法VaR的「地基」。地基不稳，楼再漂亮也得塌。

我常用的方法有两种：

方法	优点	缺点	我的建议
简单移动平均（SMA）	计算简单，容易理解	所有数据权重相同，对近期变化不敏感	适合波动率稳定的资产
指数加权移动平均（EWMA）	近期数据权重更大，反应更快	需要选择衰减因子λ	我偏好λ=0.94（RiskMetrics标准）

举个例子。假设某股票过去5天的日收益率：0.5%, -1.2%, 0.8%, -0.3%, 1.1%。

用SMA算标准差：

import numpy as np

returns = np.array([0.005, -0.012, 0.008, -0.003, 0.011])
mean = np.mean(returns)  # 0.0018
std = np.std(returns, ddof=1)  # 0.0093
print(f"标准差: {std:.4f}")

用EWMA算：

def ewma_std(returns, lam=0.94):
    n = len(returns)
    weights = np.array([lam**(n-1-i) for i in range(n)])
    weights = weights / np.sum(weights)
    mean = np.sum(weights * returns)
    var = np.sum(weights * (returns - mean)**2)
    return np.sqrt(var)

std_ewma = ewma_std(returns)
print(f"EWMA标准差: {std_ewma:.4f}")

3.4 计算步骤：手把手教你算

好了，理论讲完，咱们动手。计算参数法VaR，分四步走：

步骤1：收集数据

获取资产的历史价格。我一般取250个交易日的数据。

步骤2：计算收益率

用对数收益率：r_t = ln(P_t / P_t-1)

步骤3：估计参数

计算均值和标准差。这里我推荐用EWMA。

步骤4：计算VaR

代入公式：VaR = - (μ + z_α × σ) × P

完整代码示例：

import numpy as np
import pandas as pd

def parametric_var(prices, confidence=0.95, lam=0.94):
    # 计算对数收益率
    log_returns = np.log(prices[1:] / prices[:-1])
    
    # EWMA估计
    n = len(log_returns)
    weights = np.array([lam**(n-1-i) for i in range(n)])
    weights = weights / np.sum(weights)
    
    mean = np.sum(weights * log_returns)
    var = np.sum(weights * (log_returns - mean)**2)
    std = np.sqrt(var)
    
    # 分位数
    z = 1.645 if confidence == 0.95 else 2.326
    
    # 当前价格
    current_price = prices[-1]
    
    # VaR计算
    var_value = -(mean + z * std) * current_price
    
    return var_value

# 示例
prices = np.array([100, 101, 99, 102, 98, 100, 103, 97, 101, 99])
var_95 = parametric_var(prices, confidence=0.95)
print(f"95%置信水平下的VaR: {var_95:.2f}")

3.5 知识体系总览

下面这张图，是我梳理的参数法VaR的核心逻辑。你一看就明白：

3.6 实战中的坑与对策

做了这么多年风控，我总结参数法VaR的三个大坑：

最后说一句：参数法VaR是个好工具，但别迷信它。我见过太多人把VaR当成了「风险上限」，结果亏得底朝天。记住，VaR只是告诉你「大概率不会亏超过这个数」，但那个「小概率」一旦发生，可能就是灭顶之灾。