第4章 VaR（在险价值）计算原理

第4章 VaR（在险价值）计算原理：参数法、历史模拟法、蒙特卡洛模拟法的数学推导与适用场景

VaR，全称Value at Risk，中文叫在险价值。说白了就是问一个问题：“在给定的置信水平下，我的投资组合最多可能亏多少钱？”

举个例子。你手里有1000万的股票组合，95%置信水平下的日VaR是50万。这意味着：在正常的市场条件下，你有95%的把握，明天最多亏50万。剩下5%的情况，亏损会超过50万。

这个指标在金融圈里几乎是标配。风控部门用它设限额，交易员用它控仓位，监管机构用它算资本金。我当年刚入行时，第一个任务就是给公司的债券交易台搭一套VaR计算引擎。嗯，那时候踩了不少坑，今天一并讲给你们听。

核心公式（数学定义）：

VaR_α(X) = -inf{ x ∈ ℝ : P(X ≤ x) ≥ α }

其中α是置信水平（如95%或99%），X是投资组合的损益随机变量。

计算VaR主要有三种方法：参数法、历史模拟法、蒙特卡洛模拟法。每种方法背后都有不同的数学假设和适用场景。我们一个一个来看。

4.1 参数法（方差-协方差法）

参数法的核心假设是：资产收益率服从正态分布。这个假设很强大，因为它让计算变得极其简单。

数学推导是这样的：

假设组合收益率R ~ N(μ, σ²)
标准化：Z = (R - μ) / σ ~ N(0, 1)
在置信水平α下，VaR = -(μ + σ · Z_α)

其中Z_α是标准正态分布的下α分位数。比如95%置信水平下，Z_0.05 ≈ -1.645。

对于多资产组合，我们需要协方差矩阵。假设组合权重向量为w，协方差矩阵为Σ，那么组合方差σ²_p = w^TΣw。

我个人习惯：在计算协方差矩阵时，用指数加权移动平均（EWMA）代替简单历史协方差。这样能更快地反映市场波动率的变化。我在2015年股灾期间就靠这个提前预警了风险。

适用场景：

资产数量多，计算效率要求高
市场相对稳定，收益率近似正态
需要快速计算，比如实时风控系统

局限性：

正态假设在极端市场下不成立（厚尾现象）
无法捕捉非线性风险（如期权）
对协方差矩阵的估计误差敏感

我曾经踩过的坑：用参数法计算期权组合的VaR，结果严重低估了风险。因为期权的损益是非线性的，正态假设完全不适用。后来我改用蒙特卡洛模拟，才得到合理的结果。

4.2 历史模拟法

历史模拟法不做任何分布假设。它直接使用历史收益率数据，用经验分布来估计VaR。

计算步骤很简单：

收集过去N天的历史收益率数据（比如500天）
将这些收益率从小到大排序
取第α分位数对应的收益率作为VaR

举个例子。你有1000天的历史数据，要计算95%的VaR。排序后，第50个最小的收益率（1000 × 5% = 50）就是VaR值。

数学上，历史模拟法的VaR估计量是：

VaR_α = -R_{(⌊N·α⌋)}

其中R_(k)是第k个顺序统计量。

优点：

无需分布假设，能捕捉厚尾和尖峰
实现简单，容易理解
能处理非线性风险（只要有历史数据）

缺点：

依赖历史数据质量，数据太少时估计不稳定
假设历史会重演，无法预测新风险
对极端事件的估计可能不准确（样本量有限）

我建议：历史模拟法至少需要250个交易日的数据（约1年）。如果数据量少于100天，结果基本不可信。另外，记得对数据进行衰减加权，让近期的数据权重更大。

4.3 蒙特卡洛模拟法

蒙特卡洛模拟法是最灵活的方法。它通过随机模拟来生成大量可能的未来情景，然后从这些情景中计算VaR。

基本流程：

建立资产价格的随机过程模型（如几何布朗运动）
生成M条随机路径（通常M ≥ 10,000）
对每条路径计算组合损益
从损益分布中取α分位数作为VaR

数学上，假设资产价格S服从几何布朗运动：

dS = μS dt + σS dW

离散化后：

S_t+Δt = S_t · exp((μ - σ²/2)Δt + σ√Δt · ε)

其中ε ~ N(0, 1)是标准正态随机数。

对于多资产情况，我们需要对随机数进行Cholesky分解，引入相关性：

ε = L · z，其中L是协方差矩阵的Cholesky分解，z是独立标准正态随机向量。

代码示例（Python）：

import numpy as np

def monte_carlo_var(portfolio_value, mu, sigma, 
                    n_sim=10000, horizon=1, alpha=0.05):
    """
    蒙特卡洛模拟计算VaR
    portfolio_value: 组合当前价值
    mu: 年化收益率
    sigma: 年化波动率
    """
    dt = horizon / 252  # 交易日换算
    # 生成随机路径
    z = np.random.standard_normal(n_sim)
    returns = np.exp((mu - 0.5 * sigma**2) * dt + 
                     sigma * np.sqrt(dt) * z) - 1
    # 计算损益
    pnl = portfolio_value * returns
    # 排序取分位数
    pnl_sorted = np.sort(pnl)
    var = -pnl_sorted[int(n_sim * alpha)]
    return var

适用场景：

包含期权等非线性衍生品的组合
需要自定义风险因子分布（如加入跳跃项）
计算压力测试和情景分析

注意事项：

模拟次数要足够多（至少10,000次）
随机数生成器的质量很重要
计算量大，需要优化（我一般用C++写核心模拟部分）

我曾经犯过的错：用Python直接跑10万次蒙特卡洛模拟，结果一个VaR计算要5分钟。后来我把核心循环用Cython重写，速度提升了50倍。实时计算场景下，性能优化是绕不开的坎。

4.4 三种方法对比

特性	参数法	历史模拟法	蒙特卡洛法
分布假设	正态分布	无（经验分布）	可自定义
计算速度	极快	快	慢
非线性风险	不支持	支持（有数据）	支持
极端事件	低估	依赖历史	可模拟
实现难度	低	低	高
适用场景	线性组合、快速计算	数据充足、简单组合	复杂组合、高精度

4.5 知识体系结构图

下面这张图展示了VaR计算的完整知识体系。你可以看到三种方法从数学假设到最终输出的完整链路。

4.6 实战中的选择建议

你可能会问：实际项目中到底该用哪种方法？

我的经验是这样的：

做实时风控系统：用参数法。速度快，能满足毫秒级计算要求。但记得加上厚尾修正（比如用t分布代替正态分布）。
做日终风控报告：用历史模拟法。简单可靠，容易向非技术人员解释。我见过很多银行的风控部门就用这个方法。
做衍生品定价和风险分析：用蒙特卡洛法。虽然慢，但能处理复杂结构。我一般用C++写核心引擎，Python做上层调用。

一个实用技巧：在实际系统中，我会同时跑三种方法。如果结果差异很大，说明市场可能出现了异常。这时候需要人工介入检查。这叫“多模型验证”，是风控系统的基本要求。

最后提醒一句：VaR只是一个统计指标，它不能预测黑天鹅事件。2008年金融危机时，很多银行的VaR模型都失效了。所以，永远不要把全部信任放在一个数字上。结合压力测试和情景分析，才能构建真正稳健的风控体系。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录