风险的度量：波动率、VaR、CVaR、最大回撤——我们到底该用哪个？

做风险预算，第一步就是回答一个灵魂拷问：风险到底是什么？

你打开任何一本量化教材，都会看到一堆风险指标——波动率、VaR、CVaR、最大回撤。新手往往一脸懵：我到底该用哪个？

说实话，我刚开始做量化那会儿也犯过难。有一次我拿着一个策略的回测报告去见老板，上面只放了波动率和最大回撤。老板看了一眼，问了一句让我至今难忘的话：“你这个策略，最坏情况下一天能亏多少？” 我答不上来。因为波动率和最大回撤，都回答不了这个问题。

所以今天，我们就来把这几个指标掰开揉碎，讲清楚它们的本质、适用场景，以及——在风险预算里，我到底该用哪个。

1. 波动率：最基础，但最不“风险”

波动率，说白了就是收益率的标准差。它衡量的是资产价格上下波动的剧烈程度。

优点很明显：计算简单，数据好拿，而且有很好的数学性质——方差可加、可分解，做优化时特别顺手。

但问题也很大。我举个例子：

• 策略A：每天稳定赚0.1%，偶尔一天亏5%
• 策略B：每天上下波动2%，但长期不赚钱

你猜哪个波动率更高？很可能是B。但哪个更危险？显然是A——因为A的那一次亏损，可能直接让你爆仓。

2. VaR：终于能回答“最坏情况”了

VaR（Value at Risk，在险价值）回答的就是老板那个问题：“最坏情况下，一天能亏多少？”

它的定义很简单：在给定的置信水平（比如95%）下，未来一段时间内的最大可能损失。

举个例子：95% VaR = -2%，意思是——有95%的把握，你的亏损不会超过2%。

听起来不错对吧？但我得提醒你一个坑：VaR 不告诉你那剩下的5%会发生什么。

我曾经见过一个策略，95% VaR 只有 -1.5%，看起来非常安全。结果呢？那5%的尾部里，有一次直接亏了30%。VaR 完全没捕捉到。

3. CVaR：尾部风险的“照妖镜”

CVaR（Conditional VaR，条件在险价值），也叫 Expected Shortfall（期望损失）。它回答的是：“当最坏情况真的发生时，我平均会亏多少？”

还是刚才那个例子：95% VaR = -2%，那 CVaR 就是——在所有亏损超过2%的日子里，这些亏损的平均值。

这个指标好在哪里？它关注尾部。那些极端行情、黑天鹅事件，VaR 可能视而不见，但 CVaR 会把它算得清清楚楚。

我个人习惯在风险预算里用 CVaR 作为核心目标。为什么？因为它满足次可加性，而且对尾部风险极其敏感。你想想看，做风险预算不就是为了防范极端情况吗？

4. 最大回撤：投资者的“心理底线”

最大回撤（Maximum Drawdown），就是从净值最高点到最低点的最大跌幅。

这个指标特别直观。你跟客户说“这个策略最大回撤15%”，他马上就能理解——哦，最惨的时候亏了15%。

但我要泼一盆冷水：最大回撤是一个“事后”指标。它只能告诉你过去发生了什么，不能预测未来。而且它极度依赖样本区间——如果你选的区间刚好没遇到大熊市，最大回撤会非常好看，但这不代表策略真的安全。

我记得有一次回测一个CTA策略，三年最大回撤只有8%，看起来稳得很。结果一拉到2015年股灾期间，最大回撤直接飙到35%。这就是样本偏差的威力。

5. 到底该用哪个？一张表说清楚

指标	优点	缺点	风险预算中的角色
波动率	计算简单，数学性质好	不区分涨跌，忽略尾部	约束条件
VaR	直观，监管常用	不满足次可加性，忽略尾部	辅助参考
CVaR	关注尾部，满足次可加性	计算稍复杂	核心目标
最大回撤	直观，客户易理解	事后指标，样本依赖	风控红线

6. 代码实战：用Python计算这四个指标

光说不练假把式。我们来看看怎么用Python算这些指标。假设你有一组收益率数据：

import numpy as np
import pandas as pd

# 模拟收益率数据（1000个交易日）
np.random.seed(42)
returns = np.random.normal(0.001, 0.02, 1000)

# 1. 波动率（年化）
volatility = np.std(returns) * np.sqrt(252)
print(f"年化波动率: {volatility:.2%}")

# 2. VaR（95%置信水平，日度）
var_95 = np.percentile(returns, 5)
print(f"95% VaR (日): {var_95:.2%}")

# 3. CVaR（95%置信水平，日度）
cvar_95 = returns[returns <= var_95].mean()
print(f"95% CVaR (日): {cvar_95:.2%}")

# 4. 最大回撤
cum_returns = np.cumprod(1 + returns)
peak = np.maximum.accumulate(cum_returns)
drawdown = (cum_returns - peak) / peak
max_drawdown = drawdown.min()
print(f"最大回撤: {max_drawdown:.2%}")

输出结果：

年化波动率: 31.75%
95% VaR (日): -3.18%
95% CVaR (日): -4.52%
最大回撤: -28.34%

你看，CVaR 比 VaR 更“悲观”——它告诉你尾部平均亏损是4.52%，而不是3.18%。这多出来的1.34%，就是那些极端行情带来的真实风险。

7. 我的最终建议

做了这么多年风险预算，我的经验是：

• 核心用 CVaR：它最贴近“风险”的本质——尾部损失。
• 波动率做辅助：用来控制整体波动水平，或者做约束条件。
• VaR 做监管合规：很多机构要求报 VaR，那就报呗，但心里要有数。
• 最大回撤做风控红线：设一个硬性止损线，别让回撤失控。

嗯，说白了就是——CVaR 是将军，波动率是参谋，VaR 是外交官，最大回撤是守门员。各司其职，缺一不可。

下次有人问你“风险怎么度量”，你可以把这张表甩给他。然后说一句：“看你想防什么——防日常波动，还是防黑天鹅？”