第三章：市场风险度量与限额管理

各位做套利的朋友，咱们今天聊点硬核的——风险度量与限额管理。

说实话，我见过太多套利团队，策略回测漂亮得不行，一上实盘就崩。为什么？说白了，就是没把风险当回事。你想想看，套利赚的是微薄价差，一次黑天鹅就能让你把半年的利润全吐回去。

我个人习惯，做任何策略之前，先问自己三个问题：亏多少？怎么亏？扛不扛得住？ 今天我们就围绕这三个问题，把VaR、CVaR、最大回撤这些工具讲透。

3.1 VaR：最常用的风险度量，但别迷信它

VaR，全称Value at Risk，风险价值。简单说就是：在给定的置信水平和持有期内，最大可能损失是多少。

举个例子：某套利组合的日VaR(95%) = 10万元。意思是，有95%的把握，明天亏损不超过10万。听起来不错吧？但问题来了——剩下那5%呢？

计算VaR有三种常用方法：

方法	原理	适用场景	我的评价
历史模拟法	用历史收益率排序，取分位数	数据充足、市场稳定	简单粗暴，但历史会重演吗？
参数法（方差-协方差）	假设收益率服从正态分布	快速计算、组合VaR	金融数据哪有那么乖？
蒙特卡洛模拟	随机模拟大量路径	复杂衍生品、非线性风险	准，但慢。适合离线分析

我个人偏好历史模拟法，简单直接。但注意，样本窗口别太长也别太短。太长会把老黄历算进去，太短又捕捉不到极端事件。我一般用250个交易日（约一年）。

# Python示例：历史模拟法计算VaR
import numpy as np

def calculate_var(returns, confidence_level=0.95):
    """
    计算历史模拟VaR
    returns: 日收益率序列
    confidence_level: 置信水平，默认95%
    """
    sorted_returns = np.sort(returns)
    index = int((1 - confidence_level) * len(sorted_returns))
    var = -sorted_returns[index]  # 取正值表示损失
    return var

# 假设某套利组合的日收益率
daily_returns = np.random.normal(0.001, 0.02, 1000)
var_95 = calculate_var(daily_returns, 0.95)
print(f"95% VaR: {var_95:.4f}")

3.2 CVaR：补上VaR的短板

CVaR，也叫条件VaR或期望损失。它回答的是：当损失超过VaR时，平均会亏多少？

还是刚才那个例子。VaR告诉你95%的情况下亏不超过10万。CVaR告诉你：剩下那5%的情况，平均亏25万。这才是真正要命的数字。

def calculate_cvar(returns, confidence_level=0.95):
    """
    计算CVaR（条件VaR）
    """
    sorted_returns = np.sort(returns)
    index = int((1 - confidence_level) * len(sorted_returns))
    tail_returns = sorted_returns[:index]
    cvar = -np.mean(tail_returns)
    return cvar

cvar_95 = calculate_cvar(daily_returns, 0.95)
print(f"95% CVaR: {cvar_95:.4f}")

3.3 最大回撤：最直观的风险指标

最大回撤，就是从最高点到最低点的最大跌幅。为什么重要？因为回撤50%，需要涨100%才能回本。

我记得有个团队，策略年化收益30%，最大回撤40%。看起来收益不错吧？但客户受不了啊，回撤到30%的时候就赎回了，后面反弹全没吃到。所以，最大回撤不仅是数学问题，更是心理问题。

我个人习惯，套利策略的最大回撤控制在5%以内。超过这个数，说明策略可能出了问题，或者市场环境变了。

def calculate_max_drawdown(equity_curve):
    """
    计算最大回撤
    equity_curve: 净值曲线
    """
    peak = np.maximum.accumulate(equity_curve)
    drawdown = (equity_curve - peak) / peak
    max_dd = np.min(drawdown)
    return max_dd

# 模拟净值曲线
np.random.seed(42)
equity = 100 * np.exp(np.cumsum(np.random.normal(0.001, 0.02, 500)))
max_dd = calculate_max_drawdown(equity)
print(f"最大回撤: {max_dd:.2%}")

3.4 限额管理：三道防线

光度量风险不够，还得设限额。我把它分成三道防线：

第一道：敞口限额

说白了就是最多能押多少钱。套利交易中，我一般按净敞口和总敞口分别设限。比如：

• 单品种净敞口不超过总资金的5%
• 总敞口不超过总资金的200%（考虑杠杆）
• 同板块敞口不超过总资金的30%

第二道：杠杆限额

杠杆是把双刃剑。套利用杠杆放大收益，但也放大风险。我建议：

• 统计套利：杠杆不超过3倍
• 期现套利：杠杆不超过5倍（因为有对冲）
• 跨期套利：杠杆不超过4倍

为什么这么设？因为我见过有人用10倍杠杆做统计套利，一次模型失效直接爆仓。嗯，这里要注意，杠杆限额要动态调整，波动率高了就降杠杆。

第三道：集中度限额

鸡蛋别放一个篮子里。集中度限额包括：

• 单策略资金占比不超过20%
• 单交易所资金占比不超过40%
• 单品种价差组合不超过15%

3.5 压力测试与情景分析

VaR和限额管的是「正常市场」，但黑天鹅来了怎么办？这就需要压力测试。

我常用的几种情景：

1. 历史重演： 比如2015年股灾、2020年原油暴跌。把当时的市场数据拿来，看策略会亏多少。
2. 极端波动： 假设波动率突然放大3倍，流动性枯竭。套利价差可能瞬间拉大。
3. 相关性突变： 平时不相关的品种突然同涨同跌。这是套利最怕的。
4. 流动性危机： 假设某个合约突然没有对手盘，平不了仓。

我记得2020年3月，美股熔断那会儿，很多套利策略都崩了。为什么？因为平时稳定的相关性全乱了。黄金和原油一起跌，美债和美股一起跌。你想想看，套利赚的就是相关性稳定的钱，相关性一乱，全完。

# 压力测试示例：模拟波动率飙升
def stress_test(returns, vol_multiplier=3):
    """
    压力测试：波动率放大
    """
    stressed_returns = returns * vol_multiplier
    var_stressed = calculate_var(stressed_returns, 0.95)
    cvar_stressed = calculate_cvar(stressed_returns, 0.95)
    return var_stressed, cvar_stressed

# 正常情况
normal_var = calculate_var(daily_returns, 0.95)
normal_cvar = calculate_cvar(daily_returns, 0.95)

# 压力情况（波动率放大3倍）
stressed_var, stressed_cvar = stress_test(daily_returns, 3)

print(f"正常: VaR={normal_var:.4f}, CVaR={normal_cvar:.4f}")
print(f"压力: VaR={stressed_var:.4f}, CVaR={stressed_cvar:.4f}")

3.6 实战框架：把风控落地

说了这么多，怎么落地？我给大家画个框架图：

这个框架的核心逻辑是：先度量，再设限，最后做压力测试。 三者缺一不可。

最后说一句：风控不是束缚，是保护。没有风控的套利，就像没有刹车的赛车——跑得快，死得也快。

---

公众号:蓝海资料掘金营，微信deep3321