第2章 VaR计算方法概述

VaR计算方法概述：三种主流方法

聊到VaR计算，我见过不少新手一上来就懵了。其实说白了，VaR就是回答一个问题：“明天最坏能亏多少钱？” 但怎么算这个“最坏”，业内主要有三套打法。

我个人习惯把这三种方法比作三种不同的“风险探测器”。它们各有脾气，也各有坑。今天我就带你挨个过一遍。

核心知识点速览

参数法（方差-协方差法）：假设收益率服从正态分布，用均值和方差直接算
历史模拟法：不假设分布，直接用过去数据找分位数
蒙特卡洛模拟法：随机生成大量路径，模拟未来可能情景

1. 参数法（方差-协方差法）

这个方法，说白了就是“偷懒”的做法。它假设资产收益率服从正态分布，然后直接用均值和方差算出VaR。

公式很简单：

VaR = - (μ × Δt + z_α × σ × √Δt) × P

其中：

μ：日收益率均值
σ：日收益率标准差
z_α：置信水平对应的分位数（95%对应1.645，99%对应2.326）
Δt：持有期（通常为1天）
P：当前资产市值

我的经验：参数法最大的优点是快。我在做实时风控系统时，经常用它做初步筛查。但要注意——金融数据往往有“肥尾”特征，正态假设经常不成立。我曾经吃过这个亏，算出来的VaR比实际风险小很多。

避坑指南：我曾经在债券组合上用过参数法，结果低估了尾部风险。因为债券收益率分布有明显的偏斜和厚尾。所以，参数法只适合资产分布接近正态的场景，比如流动性好的大盘股。

2. 历史模拟法

这个方法就“实在”多了。它不做任何分布假设，直接拿过去N天的收益率数据，排序后找分位数。

步骤很简单：

收集过去N天的历史收益率（比如500天）
将这些收益率从小到大排序
取第(1-α)×N个位置的收益率作为VaR

举个例子，95%置信水平下，500个数据中第25小的收益率就是VaR。

import numpy as np

def historical_var(returns, confidence=0.95):
    """
    历史模拟法计算VaR
    returns: 历史收益率序列
    confidence: 置信水平，默认95%
    """
    sorted_returns = np.sort(returns)
    index = int((1 - confidence) * len(sorted_returns))
    var = -sorted_returns[index]
    return var

# 示例
np.random.seed(42)
returns = np.random.normal(0.001, 0.02, 500)
var_95 = historical_var(returns, 0.95)
print(f"95% VaR (历史模拟法): {var_95:.4f}")

优点：不需要假设分布，能捕捉到历史中的极端事件。

缺点：完全依赖历史数据。如果未来出现历史从未发生过的情况，它就失效了。

你想想看，2008年金融危机之前，用历史模拟法算VaR，根本捕捉不到次贷危机的风险。因为历史上没发生过。这就是它的局限性。

3. 蒙特卡洛模拟法

这个方法最“硬核”。它通过随机生成大量价格路径，模拟未来可能出现的各种情景。

基本流程：

假设价格服从某种随机过程（通常是几何布朗运动）
生成N条随机路径（比如10000条）
计算每条路径的收益率
取这些收益率的分位数作为VaR

import numpy as np

def monte_carlo_var(S0, mu, sigma, T, n_simulations=10000, confidence=0.95):
    """
    蒙特卡洛模拟法计算VaR
    S0: 当前价格
    mu: 年化收益率均值
    sigma: 年化波动率
    T: 持有期（年）
    n_simulations: 模拟次数
    confidence: 置信水平
    """
    dt = T
    # 生成随机路径
    z = np.random.standard_normal(n_simulations)
    ST = S0 * np.exp((mu - 0.5 * sigma**2) * dt + sigma * np.sqrt(dt) * z)
    
    # 计算收益率
    returns = (ST - S0) / S0
    
    # 计算VaR
    var = -np.percentile(returns, (1 - confidence) * 100)
    return var

# 示例
S0 = 100
mu = 0.10
sigma = 0.25
T = 1/252  # 1天
var_95_mc = monte_carlo_var(S0, mu, sigma, T, 10000, 0.95)
print(f"95% VaR (蒙特卡洛模拟法): {var_95_mc:.4f}")

我的建议：蒙特卡洛法最灵活，可以处理复杂的衍生品和非线性风险。我在做期权组合风控时，几乎只用这个方法。但代价是计算量大，一次模拟可能要跑几万甚至几十万条路径。

注意：蒙特卡洛模拟的精度取决于随机数质量和模拟次数。我曾经见过有人只跑1000次就交差，结果VaR波动很大，根本没法用。一般建议至少10000次以上。

三种方法对比

方法	优点	缺点	适用场景
参数法	计算快，公式简单	正态假设不现实，忽略肥尾	快速估算、流动性好的资产
历史模拟法	无分布假设，直观易懂	依赖历史数据，无法预测新风险	数据充足、市场稳定的情况
蒙特卡洛模拟法	灵活，可处理复杂模型	计算量大，依赖模型假设	衍生品、非线性风险、压力测试

嗯，到这里你应该对三种方法有了整体认识。我个人在实际项目中，通常这样搭配使用：先用参数法做快速扫描，再用历史模拟法做验证，最后用蒙特卡洛法做精细分析。三者互补，才能把风险看清楚。

记住一点：没有完美的VaR计算方法。每种方法都有它的假设和局限。关键是要理解它们的适用条件，别在错误的场景用错方法。

📚 课程目录

VaR计算方法概述：三种主流方法

1. 参数法（方差-协方差法）

2. 历史模拟法

3. 蒙特卡洛模拟法

三种方法对比