第四节：风险度量基础——VaR、CVaR、波动率聚类与下行风险指标

做REITs投资，说白了就是跟不确定性打交道。你买了一只仓储物流REIT，租金收入看着挺稳，但谁能保证明年不出黑天鹅？我入行头两年，吃过不少亏——有一次持仓的零售REIT因为疫情封控，单日跌幅直接击穿了我所有的风控线。从那以后，我养成了一个习惯：先算风险，再看收益。

这一节，咱们就聊聊风险度量的几个核心工具。它们不是教科书里的摆设，而是我每天盯盘时真正依赖的东西。

4.1 VaR：在险价值，你的“最坏情况”底线

VaR（Value at Risk）是最常见的风险指标。它的意思很简单：在给定的置信水平和持有期内，资产组合可能的最大损失。

举个例子：你持仓1000万REITs，95%置信水平下的日VaR是20万。这意味着——在正常的市场条件下，你有95%的把握，一天内最多亏20万。反过来，有5%的概率亏损会超过20万。

我个人习惯用参数法计算VaR。假设收益率服从正态分布，公式就是：

VaR = - (μ - z * σ) * P

其中μ是预期收益率，σ是标准差，z是置信水平对应的分位数（95%对应1.645，99%对应2.326），P是组合市值。

但这里有个坑——REITs的收益率分布往往有厚尾特征。什么意思？就是极端损失出现的概率，比正态分布预测的要高。我曾在2020年3月用参数法算VaR，结果实际亏损是VaR预测值的2.3倍。嗯，那次之后我就改用历史模拟法了。

4.2 CVaR：条件在险价值，补上VaR的短板

VaR有个致命缺陷：它只告诉你“最坏情况”的边界，但没告诉你一旦突破这个边界，到底会亏多少。CVaR（Conditional VaR）就是来解决这个问题的。

CVaR的定义是：当损失超过VaR时，损失的期望值。说白了，就是“最坏情况下的平均损失”。

举个例子：还是刚才那只REIT，95% VaR是20万。如果那5%的极端情况真的发生了，平均亏损可能是35万——这个35万就是CVaR。

我在做组合优化时，几乎只用CVaR作为目标函数。为什么？因为VaR不满足次可加性（组合的VaR可能大于各资产VaR之和），而CVaR是满足的。这意味着用CVaR做优化，结果更稳健。

import numpy as np

def calculate_cvar(returns, confidence=0.95):
    # 假设returns是历史收益率序列
    sorted_returns = np.sort(returns)
    var_index = int((1 - confidence) * len(sorted_returns))
    var = -sorted_returns[var_index]
    cvar = -np.mean(sorted_returns[:var_index])
    return var, cvar

4.3 波动率聚类：风险是会“传染”的

你有没有发现一个现象？市场平静的时候，波动率一直很低；一旦出现大波动，后面往往跟着更大的波动。这就是波动率聚类效应。

REITs市场尤其明显。我记得2022年美联储加息周期启动时，REITs的日波动率从15%直接跳到40%，而且持续了整整三个月。如果你用静态的波动率模型去算VaR，结果会严重低估风险。

处理波动率聚类，我推荐GARCH模型（广义自回归条件异方差模型）。它的核心思想是：今天的波动率，取决于昨天的波动率和昨天的收益率。

一个简单的GARCH(1,1)模型长这样：

σ²_t = ω + α * ε²_{t-1} + β * σ²_{t-1}

其中σ²_t是今天的条件方差，ε²_{t-1}是昨天的收益率平方（代表新信息冲击），σ²_{t-1}是昨天的方差（代表记忆效应）。

我习惯用Python的arch库来拟合GARCH模型：

from arch import arch_model

# 假设returns是REITs日收益率序列
model = arch_model(returns, vol='Garch', p=1, q=1)
result = model.fit()
# 获取条件波动率
conditional_vol = result.conditional_volatility

4.4 下行风险指标：只关心“亏钱”的风险

传统波动率有个问题：它把上涨和下跌都当作风险。但作为投资者，你真正在乎的是下跌，而不是上涨。下行风险指标就是专门衡量“亏钱风险”的。

最常用的两个指标是：

• 下行标准差（Downside Deviation）：只计算收益率低于目标值（比如0%）的波动
• 索提诺比率（Sortino Ratio）：类似夏普比率，但分母用下行标准差代替总标准差

公式很简单：

下行标准差 = sqrt( 1/N * Σ min(0, r_i - r_target)² )

索提诺比率 = (组合收益率 - 无风险利率) / 下行标准差

我为什么偏爱索提诺比率？因为REITs的收益率分布往往右偏（偶尔有大涨，但日常波动不大）。用夏普比率会低估它的风险调整后收益，而索提诺比率更真实。

4.5 把这些工具串起来用

你可能会问：这么多指标，到底该用哪个？我的建议是分层使用：

1. 日常监控：用VaR（历史模拟法）做快速风险检查，设定预警线
2. 压力测试：用CVaR评估极端情景下的潜在损失
3. 动态调整：用GARCH模型预测未来波动率，动态调整VaR参数
4. 绩效评估：用索提诺比率衡量风险调整后收益，替代夏普比率

我记得有一次，我用GARCH模型预测到某只工业REIT的波动率即将飙升，提前减仓了20%。结果一周后，该REIT因为租户违约事件暴跌8%。那次操作让我深刻体会到：风险度量不是算个数字就完事，而是要形成一套决策闭环。

好了，这一节的内容就到这里。风险度量是REITs投资的地基——地基不稳，后面所有的组合优化、对冲策略都是空中楼阁。下一节，咱们会把这些工具用到实战中，聊聊怎么构建一个真正抗跌的REITs组合。

公众号:蓝海资料掘金营，微信deep3321