风险度量基础：波动率、VaR、CVaR、最大回撤、跟踪误差

做量化对冲，说白了就是跟风险打交道。你赚的每一分钱，本质上都是对风险的补偿。我见过太多人，策略回测曲线漂亮得不行，一上实盘就崩了。为什么？因为他对风险的理解太肤浅了。

今天咱们就把风险度量这件事彻底聊透。我个人习惯把风险度量分成两类：一类是波动性度量，告诉你资产有多「颠」；另一类是尾部风险度量，告诉你最坏情况下会亏多少。这两类缺一不可。

1. 波动率：最基础的风险刻度

波动率就是收益率的标准差。你想想看，如果一个资产每天涨跌幅度很大，那它的波动率自然就高。我习惯用年化波动率来比较不同资产——把日波动率乘以根号252，就得到年化值。

但这里有个坑。我记得刚入行时，直接用历史波动率做风险预算，结果市场一换挡，模型全废了。为什么？因为历史波动率是向后看的，而市场是向前走的。

import numpy as np

def ewma_volatility(returns, lambda_=0.94):
    """指数加权移动平均波动率"""
    weights = np.array([(1-lambda_) * lambda_**i for i in range(len(returns))])
    weights = weights[::-1]  # 最近的数据权重最高
    weights /= weights.sum()
    
    mean = np.average(returns, weights=weights)
    variance = np.average((returns - mean)**2, weights=weights)
    return np.sqrt(variance * 252)  # 年化

# 示例
daily_returns = np.random.randn(500) * 0.01
vol = ewma_volatility(daily_returns)
print(f"EWMA年化波动率: {vol:.2%}")

2. VaR：在险价值，一个让人又爱又恨的指标

VaR回答的问题是：「在95%的置信水平下，我一天最多亏多少钱？」说白了，就是找收益率分布的第5百分位数。

但VaR有个致命缺陷——它只告诉你「最多亏到这儿」，却不告诉你「亏到这儿之后会怎样」。我在2015年股灾时就吃过这个亏。当时组合的95% VaR显示日亏损不超过3%，结果有一天直接亏了8%。为什么？因为VaR根本不关心尾部那5%的分布形状。

计算VaR有三种常用方法：

• 参数法： 假设收益率服从正态分布，直接用均值和标准差算。快，但不准——金融数据哪有正态的？
• 历史模拟法： 直接用过去N天的收益率排序，取第5百分位。简单粗暴，但假设历史会重演。
• 蒙特卡洛模拟： 假设一个随机过程，模拟出成千上万条路径。最灵活，也最慢。

def historical_var(returns, confidence=0.95):
    """历史模拟法计算VaR"""
    sorted_returns = np.sort(returns)
    index = int((1 - confidence) * len(sorted_returns))
    return sorted_returns[index]

def parametric_var(returns, confidence=0.95, horizon=1):
    """参数法计算VaR（正态假设）"""
    from scipy.stats import norm
    mu = returns.mean() * horizon
    sigma = returns.std() * np.sqrt(horizon)
    z = norm.ppf(1 - confidence)
    return mu + z * sigma

# 对比两种方法
np.random.seed(42)
data = np.random.randn(1000) * 0.02
print(f"历史VaR(95%): {historical_var(data):.2%}")
print(f"参数VaR(95%): {parametric_var(data):.2%}")

3. CVaR：比VaR更诚实的尾部风险度量

CVaR，也叫期望损失（Expected Shortfall）。它计算的是「当亏损超过VaR时，平均会亏多少」。说白了，就是看尾部那5%的「平均深度」。

我个人更偏爱CVaR。为什么？因为它满足次可加性，而且对尾部风险更敏感。在风险预算模型中，用CVaR做约束条件，组合会更稳健。

def historical_cvar(returns, confidence=0.95):
    """历史模拟法计算CVaR"""
    sorted_returns = np.sort(returns)
    index = int((1 - confidence) * len(sorted_returns))
    tail_returns = sorted_returns[:index]
    return tail_returns.mean()

# 对比VaR和CVaR
var_95 = historical_var(data, 0.95)
cvar_95 = historical_cvar(data, 0.95)
print(f"VaR(95%): {var_95:.2%}")
print(f"CVaR(95%): {cvar_95:.2%}")  # CVaR通常比VaR更负

4. 最大回撤：投资者心理的底线

最大回撤（Max Drawdown）衡量的是从历史高点跌到最低点的幅度。这玩意儿跟投资者的心理承受能力直接挂钩。我记得有个客户，策略年化收益30%，但最大回撤15%，他晚上就睡不着觉了。

做风险预算时，我通常会把最大回撤作为一个硬约束。比如：「组合的最大回撤不能超过10%」。然后通过调整资产权重，让回撤控制在这个范围内。

def max_drawdown(equity_curve):
    """计算最大回撤"""
    peak = np.maximum.accumulate(equity_curve)
    drawdown = (equity_curve - peak) / peak
    return drawdown.min()

# 模拟一条净值曲线
np.random.seed(42)
returns = np.random.randn(500) * 0.01 + 0.0005
equity = 100 * np.exp(np.cumsum(returns))
mdd = max_drawdown(equity)
print(f"最大回撤: {mdd:.2%}")

5. 跟踪误差：对冲基金的「紧箍咒」

跟踪误差（Tracking Error）是组合收益率与基准收益率之差的标准差。说白了，就是你的组合跟基准「走偏」了多少。

做对冲基金，跟踪误差是个双刃剑。太小了，说明你只是个指数基金；太大了，说明你偏离基准太远，可能是在赌博。我一般把跟踪误差控制在2%-5%之间，具体看策略类型。

def tracking_error(portfolio_returns, benchmark_returns):
    """计算跟踪误差"""
    diff = portfolio_returns - benchmark_returns
    return np.std(diff, ddof=1) * np.sqrt(252)

# 示例
port_ret = np.random.randn(252) * 0.012
bench_ret = np.random.randn(252) * 0.01
te = tracking_error(port_ret, bench_ret)
print(f"年化跟踪误差: {te:.2%}")

把这些指标串起来：风险预算的输入

好了，现在我们有五个风险度量指标。在风险预算模型中，它们各自扮演什么角色？

我个人习惯的做法是：先用波动率做初步的风险预算分配，然后用CVaR和最大回撤做尾部风险校验，最后用跟踪误差约束整体偏离度。这样一套组合拳下来，组合的风险特征就比较清晰了。

嗯，风险度量这块就聊到这儿。这些指标是后续所有风险预算模型的基础。你想想看，如果连风险都量不准，那还谈什么管理？