第4章风险价值（VaR）

第4章：风险价值（VaR）——你的投资组合到底能亏多少？

做资产配置，最怕什么？怕亏钱。但更怕的是——不知道会亏多少。

风险价值（Value at Risk，简称VaR）就是用来回答这个问题的。它告诉你：在给定的置信水平下，你的投资组合在未来一段时间内，最大可能损失是多少。

举个例子：你算出来日VaR是100万，置信水平95%。这意味着——明天有95%的概率，你的亏损不会超过100万。但反过来，也有5%的概率，亏损会超过100万。

嗯，这个指标在金融圈里几乎是标配。巴塞尔协议用它，银行风控用它，连很多私募大佬私下聊天也会提一嘴。我个人习惯是，做任何资产配置方案之前，先跑一遍VaR，心里有个底。

  核心公式（非参数形式）：

  VaRα = inf{ l ∈ ℝ : P(L > l) ≤ 1-α }

  其中L是损失，α是置信水平（比如95%）。

4.1 VaR的三个关键参数

要算VaR，你得先定三个东西：

持有期：你关心多久？一天？一周？一个月？
置信水平：你希望多保守？95%还是99%？
观察窗口：用过去多少天的数据来算？

这三个参数怎么选？我建议你根据实际场景来。比如做日内交易，持有期就是1天，置信水平95%就够了。但如果是养老金这种长期资金，我建议用99%置信水平，持有期拉长到一个月甚至一个季度。

我的经验：别盲目追求高置信水平。99%的VaR看起来更安全，但需要的样本量更大，而且尾部风险其实很难准确估计。我一般先用95%做快速筛查，再用99%做压力测试。

4.2 三种主流计算方法

算VaR的方法很多，但最常用的就三种。我一个个说。

4.2.1 参数法（方差-协方差法）

这个方法假设资产收益率服从正态分布。说白了，就是假设市场是“乖孩子”，涨跌都符合钟形曲线。

公式很简单：

VaR = - (μ × T + z_α × σ × √T) × P

其中：

μ：预期收益率（通常取0，因为短期预测不准）
σ：波动率（标准差）
z_α：对应置信水平的分位数（95%对应1.645，99%对应2.326）
T：持有期（天数）
P：投资组合市值

举个例子：你有一个1000万的组合，日波动率1.5%，95%置信水平下，日VaR就是：

VaR = - (0 + 1.645 × 1.5% × √1) × 1000万 = -24.675万

也就是说，明天有95%的概率亏损不超过24.675万。

注意：参数法最大的问题是——它假设收益率是正态分布。但真实市场有肥尾效应。我遇到过好几次，明明VaR算出来只有几十万，结果一天亏了几百万。为什么？因为市场暴跌时，极端事件发生的概率远高于正态分布预测的。

4.2.2 历史模拟法

这个方法不假设任何分布。它直接用过去的数据来模拟未来。

步骤很简单：

收集过去N天的收益率数据（比如过去500天）
把这些收益率从小到大排序
找到第(1-α)×N个位置的收益率
这个收益率乘以当前市值，就是VaR

举个例子：你收集了过去500天的日收益率，排序后第25小的收益率是-2.5%（因为500×5%=25）。那么95%置信水平下的VaR就是-2.5%×1000万=-25万。

我的习惯：历史模拟法是我最常用的方法。它简单、直观，而且不需要任何假设。但要注意——历史不会简单重复。我曾经用过去3年的数据算VaR，结果2020年疫情爆发时，市场波动远超历史范围。所以，我建议至少用5年以上的数据，并且定期更新。

4.2.3 蒙特卡洛模拟法

这个方法最灵活，也最复杂。它通过随机生成大量可能的未来路径，来模拟投资组合的收益分布。

基本步骤：

设定资产价格的随机过程（比如几何布朗运动）
生成大量随机路径（比如10000条）
计算每条路径下的投资组合收益
对这些收益排序，找到对应置信水平的分位数

代码示例（Python风格）：

import numpy as np

def monte_carlo_var(portfolio_value, mu, sigma, T, n_simulations=10000, alpha=0.95):
    # 生成随机收益率
    returns = np.random.normal(mu, sigma, n_simulations)
    # 计算模拟的资产价值
    simulated_values = portfolio_value * (1 + returns)
    # 计算损失
    losses = portfolio_value - simulated_values
    # 排序并找到VaR
    losses_sorted = np.sort(losses)
    var_index = int((1 - alpha) * n_simulations)
    return losses_sorted[var_index]

# 示例：1000万组合，日收益率均值0.05%，波动率1.5%
var_95 = monte_carlo_var(10000000, 0.0005, 0.015, 1)
print(f"95% VaR: {var_95:.2f}")

  三种方法对比：
  
    
      方法
      优点
      缺点
      适用场景
    

      参数法
      计算快，公式简单
      假设正态分布，忽略肥尾
      快速估算，流动性好的资产
    

      历史模拟法
      无分布假设，直观
      依赖历史数据，无法预测新事件
      常规风控，数据充足的组合
    

      蒙特卡洛法
      灵活，可处理复杂结构
      计算量大，依赖模型假设
      衍生品定价，压力测试
    

方法	优点	缺点	适用场景
参数法	计算快，公式简单	假设正态分布，忽略肥尾	快速估算，流动性好的资产
历史模拟法	无分布假设，直观	依赖历史数据，无法预测新事件	常规风控，数据充足的组合
蒙特卡洛法	灵活，可处理复杂结构	计算量大，依赖模型假设	衍生品定价，压力测试

4.3 避坑指南：我踩过的那些坑

做VaR这么多年，我踩过不少坑。分享几个给你：

坑一：忽略相关性变化。 我刚开始做多资产组合时，用历史相关性算VaR，结果2008年金融危机时，所有资产的相关性都趋近于1，组合VaR严重低估。后来我学会了用动态相关性模型。
坑二：持有期选错。 做高频交易的朋友用日VaR，结果一天内爆仓。为什么？因为他的持有期应该是分钟级，不是天级。
坑三：置信水平选太高。 99.9%的VaR看起来很安全，但需要海量数据才能准确估计。我见过有人用500个数据点算99.9%的VaR，结果就是第0.5个百分位——这根本没法算。

重要提醒：VaR不是万能的。它只告诉你“大概率不会亏多少”，但无法告诉你“如果真的亏了，会亏多少”。这就是为什么我们需要补充条件VaR（CVaR）和压力测试。我一般把VaR当作第一道防线，而不是唯一防线。

4.4 知识体系总览

下面这张图，是我自己整理的知识框架。你可以看到VaR在整个风险管理体系中的位置，以及三种方法之间的关系。

这张图里，你可以看到VaR的核心定义、三个关键参数、三种计算方法，以及各自的优缺点。最下面我加了补充——CVaR和压力测试。为什么？因为VaR告诉你“大概率亏多少”，但CVaR告诉你“如果真的亏了，平均亏多少”。两者结合，才是完整的风险画像。

我的建议：刚开始学VaR，先用历史模拟法上手。它最直观，也最容易理解。等你熟悉了，再尝试蒙特卡洛法处理复杂组合。参数法嘛——我建议你谨慎使用，除非你确定你的资产收益率接近正态分布。

好了，这一章就到这里。VaR是个好工具，但别迷信它。记住：风险管理不是算出一个数字就完事了，而是理解这个数字背后的假设和局限。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录