4、历史模拟法：非参数方法的原理、排序与分位数计算、滚动窗口与衰减因子、优缺点分析、与参数法的对比
历史模拟法，说白了就是「让历史替我们回答」。
我刚开始做风控那会儿，领导让我算一个股票组合的VaR。当时手头数据不多，参数法算出来总觉得心里没底。后来一个老同事跟我说：「你试试历史模拟法，简单粗暴，但有时候比那些花里胡哨的模型管用。」
嗯，这一试，就是好几年。
4.1 非参数方法的原理
历史模拟法的核心思想很简单：过去发生过的损失，未来也可能发生。
它不假设收益率服从任何分布（正态、t分布什么的统统不要），直接拿历史数据说话。你想想看，市场暴跌的时候，收益率分布往往有厚尾，参数法很容易低估风险。但历史模拟法不会——只要历史上出现过，它就能捕捉到。
核心逻辑：
- 收集过去N天的收益率数据
- 对收益率进行排序（从最差到最好）
- 取第5%分位数（95%置信水平）或第1%分位数（99%置信水平）
- 这个分位数就是VaR值
举个例子。假设我们有过去500天的日收益率数据，要算95%置信水平的VaR。那就把500个收益率从小到大排好，第25个（500×5%）就是VaR值。简单吧？
我的经验：历史模拟法对数据质量要求很高。我曾经遇到过数据里混入了「异常值」——比如某天因为数据录入错误，收益率显示-99%。如果不做清洗，VaR直接崩掉。所以，数据预处理这一步千万别省。
4.2 排序与分位数计算
排序这一步，看起来简单，但细节里藏着坑。
假设我们有1000个历史收益率，要算99% VaR。理论上应该取第10个（1000×1%）最差的收益率。但问题是：如果数据量不是整数倍怎么办？
常见的做法有两种：
- 位置法：直接取第⌈n×(1-α)⌉个值（向上取整）
- 插值法：在两个相邻值之间做线性插值
我个人习惯用插值法。为什么？因为位置法有时候会「跳变」——数据稍微多一点或少一点，VaR值可能突然变化。插值法平滑一些，结果更稳定。
# Python示例：历史模拟法计算VaR
import numpy as np
def historical_var(returns, confidence_level=0.95):
"""
历史模拟法计算VaR
returns: 历史收益率数组
confidence_level: 置信水平，默认95%
"""
sorted_returns = np.sort(returns)
index = int(np.ceil(len(returns) * (1 - confidence_level))) - 1
var = -sorted_returns[index] # VaR通常取正值
return var
# 示例数据
np.random.seed(42)
returns = np.random.normal(0, 0.02, 1000) # 模拟1000天收益率
var_95 = historical_var(returns, 0.95)
print(f"95% VaR: {var_95:.4f}")
注意：排序时一定要确认方向。收益率从最差到最好排，VaR取的是最差的那一端。我曾经见过有人排反了，算出来的VaR是负的——那其实是收益，不是风险。
4.3 滚动窗口与衰减因子
历史模拟法有个天然的问题：该用多长的历史窗口？
窗口太短（比如100天），样本量不够，分位数估计不稳定。窗口太长（比如1000天），早期的数据可能已经不能反映当前市场状况了。
常见的做法是滚动窗口：固定窗口长度（比如250个交易日，约一年），每天滚动更新。
但这里有个进阶技巧——衰减因子。
衰减因子的思路是：越近的数据，权重越大；越远的数据，权重越小。这样既保留了足够的历史数据，又让模型对近期变化更敏感。
# 带衰减因子的历史模拟法
def weighted_historical_var(returns, confidence_level=0.95, lambda_factor=0.97):
"""
带指数衰减权重的历史模拟法
lambda_factor: 衰减因子，通常取0.94-0.99
"""
n = len(returns)
weights = np.array([(1 - lambda_factor) * (lambda_factor ** (n - 1 - i))
for i in range(n)])
weights = weights / weights.sum() # 归一化
# 按收益率排序，同时调整权重顺序
sorted_indices = np.argsort(returns)
sorted_weights = weights[sorted_indices]
sorted_returns = returns[sorted_indices]
# 计算累积权重，找到分位点
cum_weights = np.cumsum(sorted_weights)
target_weight = 1 - confidence_level
idx = np.searchsorted(cum_weights, target_weight)
var = -sorted_returns[idx]
return var
避坑指南：衰减因子λ的取值很关键。λ=0.94时，半衰期约11天；λ=0.97时，半衰期约23天。我一般建议：如果是做日频风控，λ取0.94-0.97之间；如果是做周频或月频，λ可以取大一点。具体选多少？回测一下，选历史表现最好的那个。
4.4 优缺点分析
历史模拟法不是万能的。我用它这么多年，总结一下它的优缺点。
| 优点 | 缺点 |
|---|---|
| 无需假设分布，能捕捉厚尾 | 对历史数据依赖性强，数据量要求大 |
| 实现简单，容易理解 | 对市场结构变化不敏感（比如突然换了交易规则） |
| 可以处理非线性风险（如期权） | 计算效率低（每次都要排序） |
| 结果直观，容易向管理层解释 | 极端事件外推能力差（没发生过的事，算不出来） |
我记得有一次，某只股票因为财报造假，一天跌了80%。历史模拟法完全没捕捉到这个风险——因为过去500天里，最大跌幅才15%。这就是历史模拟法的局限性：它只能告诉你「历史上发生过的最坏情况」，但无法告诉你「未来可能发生但还没发生过的情况」。
4.5 与参数法的对比
参数法（比如方差-协方差法）和历史模拟法，是VaR计算的两大流派。我经常被问到：「到底该用哪个？」
我的回答是：看场景。
| 对比维度 | 参数法 | 历史模拟法 |
|---|---|---|
| 分布假设 | 需要（通常假设正态分布） | 不需要 |
| 计算速度 | 快（O(n)） | 慢（O(n log n)） |
| 厚尾处理 | 差（正态分布低估厚尾） | 好（只要历史数据中有） |
| 数据需求 | 少（几十个样本即可） | 多（至少250个样本） |
| 极端事件预测 | 差（正态分布尾部太薄） | 有限（只能预测已发生过的） |
| 实现复杂度 | 中等（需要估计协方差矩阵） | 低（排序即可） |
我个人习惯是：日常监控用历史模拟法，压力测试用参数法。为什么？因为历史模拟法更贴近实际，而参数法可以模拟「极端但尚未发生」的场景——比如假设波动率突然翻倍。
一句话总结：历史模拟法告诉你「过去最差的情况是什么」，参数法告诉你「如果市场疯了，最差可能是什么」。两者结合，才是完整的风险管理。
4.6 知识体系图
下面这张图，是我自己梳理的历史模拟法知识体系。每次做培训，我都会先画一遍这张图——它帮你把零散的知识点串起来。
这张图把历史模拟法的核心脉络都串起来了。从上到下，从左到右，你可以看到：原理是什么、怎么算、窗口怎么选、优缺点在哪、和参数法怎么对比。
嗯，内容就这些。历史模拟法虽然简单，但用好它并不容易。数据清洗、窗口选择、衰减因子调参——每一步都有坑。我踩过的坑，上面都提到了，希望能帮你少走弯路。
公众号:蓝海资料掘金营，微信deep3321