风险度量指标：方差、标准差、下行风险与VaR
各位同学，今天我们来聊聊风险度量。说实话，我刚入行那会儿，觉得风险就是个数字，算出来就完事了。后来踩过几次坑才明白——选错度量指标，比算错数字更致命。你想想看，一个只看方差的人，和一个盯着VaR的人，他们眼中的风险完全是两码事。
这一节，我会把四个最核心的风险度量指标掰开揉碎讲清楚。它们分别是：方差与标准差、下行风险与半方差、以及在险价值（VaR）。每个指标我都会告诉你：它到底在度量什么、怎么算、以及我实际项目中踩过的坑。
1. 方差与标准差：最基础的波动度量
方差，说白了就是衡量收益率「散开」的程度。标准差是它的平方根，单位跟收益率一致，更好理解。我个人习惯用标准差做日常监控，因为数值直观——比如年化标准差15%，意味着收益率大约有68%的概率落在均值±15%的区间内。
方差 σ² = (1/n) * Σ(Rᵢ - μ)²
标准差 σ = √σ²
我在项目中遇到过一个问题：用方差衡量风险时，它把上涨和下跌一视同仁。但实际投资中，客户只在乎亏钱，不在乎多赚。这就是方差的局限性——它是个「双面人」。
2. 下行风险与半方差：只盯亏损侧
半方差，就是只计算收益率低于某个目标值（通常是0或无风险利率）的那部分波动。它解决了方差「好坏不分」的问题。你想想看，一个策略年化收益20%，最大回撤只有3%，另一个策略年化也是20%，但回撤30%——方差可能差不多，但半方差会天差地别。
半方差 = (1/n) * Σ min(Rᵢ - T, 0)²
其中 T 为目标收益率（通常取0）
我曾经帮一家私募做业绩归因，他们用标准差看策略风险，结果一直觉得没问题。后来我换成半方差一算，发现某个子策略的「下行风险」是另一个的3倍。嗯，这就是为什么我说：只看方差，你会错过真正的风险。
3. VaR（在险价值）：问「最坏能亏多少」
VaR，全称Value at Risk。它回答一个问题：在给定的置信水平下（比如95%），未来一段时间内最大可能损失是多少？举个例子：某组合的日VaR(95%) = 100万，意思是——有95%的把握，明天亏损不会超过100万。
VaR有三种主流计算方法，我一个个说。
3.1 参数法（方差-协方差法）
假设收益率服从正态分布，直接用均值和标准差算。公式很简单：VaR = μ - z·σ，其中z是置信水平对应的分位数（95%对应1.645）。
import numpy as np
from scipy.stats import norm
# 假设日收益率均值0.05%，标准差1.2%
mu = 0.0005
sigma = 0.012
confidence = 0.95
z = norm.ppf(1 - confidence) # 注意：左尾
VaR_param = mu - z * sigma
print(f"参数法VaR(95%) = {VaR_param:.4f}") # 输出约 -0.0192这个方法快，但有个大坑——它假设收益是正态分布。真实市场哪有那么乖？我见过太多肥尾分布的例子，参数法算出来的VaR严重低估风险。
3.2 历史模拟法
不假设任何分布，直接用过去N天的收益率排序，取第5%分位数（95%置信水平）。
# 假设 returns 是历史收益率数组
returns = np.array([...]) # 你的历史数据
VaR_hist = np.percentile(returns, 5)
print(f"历史模拟VaR(95%) = {VaR_hist:.4f}")这个方法我比较喜欢，因为它真实反映了市场行为。但要注意：历史会重演吗？不一定。2008年之前的历史数据，根本预测不了2008年的VaR。
3.3 蒙特卡洛模拟法
用随机数生成大量可能的收益率路径，然后取分位数。这个方法最灵活，可以加入各种复杂假设（比如波动率聚集、跳跃等）。
# 蒙特卡洛模拟示意
n_sim = 10000
sim_returns = np.random.normal(mu, sigma, n_sim)
VaR_mc = np.percentile(sim_returns, 5)
print(f"蒙特卡洛VaR(95%) = {VaR_mc:.4f}")4. 三个指标怎么选？一张表说清楚
| 指标 | 度量什么 | 优点 | 缺点 | 我常用的场景 |
|---|---|---|---|---|
| 标准差 | 整体波动 | 计算简单，直观 | 好坏不分 | 资产初筛、组合监控 |
| 半方差 | 下行波动 | 只关注亏损，更贴合风险偏好 | 对目标值敏感 | 策略归因、对冲评估 |
| VaR | 最大可能损失 | 直接回答「亏多少」 | 忽略尾部风险 | 风控限额、压力测试 |
最后说一句：没有完美的指标。我习惯把这三个指标放在一起看——标准差告诉我整体波动，半方差告诉我下行风险，VaR告诉我最坏情况。三张图拼起来，才能看清风险的全貌。
好了，这一节的内容就到这里。记住：风险度量不是算一个数字就完事，而是理解数字背后的假设和局限。下一节我们会聊风险归因，到时候你会看到，这些基础指标是怎么被拆解到各个因子上的。
公众号:蓝海资料掘金营，微信deep3321