3. 组合风险度量基础
在Alpha策略组合管理中，风险贡献分解的第一步不是直接拆解风险，而是先建立一套统一、可计算、可比较的风险度量语言。如果风险指标本身定义不清，后续的边际风险贡献、成分风险贡献都会失去意义。本节围绕五个核心指标展开：方差、协方差、波动率、VaR与CVaR，重点说明它们的定义、计算方式以及适用边界。
一、核心原理：从离散度到尾部损失
风险度量的本质是回答两个问题：收益围绕均值有多分散？极端情况下会亏多少？方差和协方差回答第一个问题，波动率是方差的量纲还原，VaR和CVaR则回答第二个问题。它们共同构成从“整体离散”到“尾部极端”的完整风险画像。
假设组合有N个资产，权重向量为w，收益协方差矩阵为Σ，则组合方差为：
σ²_p = wᵀ Σ w
其中 Σ[i,j] = Cov(r_i, r_j) = E[(r_i - μ_i)(r_j - μ_j)]
波动率：σ_p = sqrt(wᵀ Σ w)方差衡量收益的二阶中心矩，单位是收益的平方，不直观；波动率开方后与收益率同量纲，因此成为业界最常用的风险刻度。协方差则刻画两个资产收益的同向或反向变动关系，是组合分散化效应的数学来源。当协方差为负或较低时，组合方差小于各资产方差的加权和，这就是分散化收益。
关键理解：方差和协方差是“线性、对称、可分解”的风险度量，因此天然适合做风险贡献分解。VaR和CVaR虽然更贴近投资者对亏损的直觉，但它们通常是非凸、非可加的，直接分解需要额外假设或数值方法。
二、方法流程：五类指标的计算与对比
实际计算中，我们通常按以下流程推进：
- 数据准备：获取组合内各资产的历史收益率序列，频率可为日、周或月，需统一时间窗口与复权方式。
- 估计均值与协方差：用样本均值估计μ，用样本协方差估计Σ；若样本不足或维度较高，可采用收缩估计或因子模型。
- 计算组合方差与波动率：代入权重向量，得到σ²_p与σ_p。
- 计算VaR：在给定置信水平α下，找到收益分布的分位数。参数法假设正态分布，历史模拟法直接取经验分位数，蒙特卡洛法模拟路径后取分位数。
- 计算CVaR：在VaR基础上，计算超过VaR部分的平均损失，即条件期望。
下面用一段Python示例展示核心计算逻辑：
import numpy as np
from scipy.stats import norm
# 假设日收益率矩阵 returns: T x N
mu = returns.mean(axis=0)
Sigma = np.cov(returns, rowvar=False)
w = np.array([0.4, 0.3, 0.3])
port_var = w @ Sigma @ w
port_vol = np.sqrt(port_var)
alpha = 0.95
z = norm.ppf(alpha)
VaR_param = -(mu @ w) + z * port_vol
# 历史模拟法
port_ret = returns @ w
VaR_hist = -np.percentile(port_ret, (1-alpha)*100)
CVaR_hist = -port_ret[port_ret <= -VaR_hist].mean()下表对五个指标进行系统对比：
| 指标 | 定义 | 计算方式 | 适用场景 | 主要局限 |
|---|---|---|---|---|
| 方差 | 收益偏离均值的平方期望 | σ² = E[(r-μ)²] | 组合优化、风险分解 | 量纲不直观，对尾部不敏感 |
| 协方差 | 两资产收益的联动程度 | Cov(r_i,r_j) | 分散化分析、因子模型 | 线性关系，无法捕捉非线性依赖 |
| 波动率 | 方差的开方 | σ = sqrt(σ²) | 风险预算、绩效归因 | 假设对称，忽略方向 |
| VaR | 给定置信水平下的最大损失分位数 | 参数法/历史法/蒙特卡洛 | 监管资本、限额管理 | 非次可加，不描述尾部厚度 |
| CVaR | 超过VaR部分的平均损失 | E[L | L > VaR] | 尾部风险、压力测试 | 计算复杂，样本尾部依赖强 |
三、案例场景：同一组合下的指标表现
假设一个三资产组合，权重为40%、30%、30%，日频数据估计得到年化波动率为12%。在95%置信水平下，参数法VaR约为1.65×12%≈19.8%年化；历史模拟法可能得到22%，因为实际收益分布存在左偏和厚尾。CVaR则可能达到28%，说明一旦突破VaR，平均损失远高于VaR本身。
这个案例说明：波动率告诉你“平常波动多大”，VaR告诉你“95%情况下最多亏多少”，CVaR告诉你“最坏5%里平均亏多少”。三者层层递进，不能互相替代。在Alpha策略中，若策略收益呈现明显负偏，仅看波动率会严重低估尾部风险，必须引入CVaR进行补充。
四、误区与复盘：常见错误与修正建议
误区一：把波动率等同于风险。波动率只衡量对称离散度，无法区分上行波动和下行波动。对于Alpha策略，若收益分布负偏，波动率会低估真实亏损风险。修正：结合偏度、CVaR和压力测试。
误区二：VaR可以直接线性加总。VaR不满足次可加性，两个资产的VaR之和可能小于组合VaR。修正：做风险贡献分解时，优先使用方差/波动率框架；若必须用VaR，采用成分VaR或增量VaR数值方法。
误区三：协方差矩阵用样本估计就够。当资产数量接近或超过样本期时，样本协方差矩阵不稳定甚至不可逆。修正：使用Ledoit-Wolf收缩、因子模型或指数加权。
复盘建议：在Alpha策略组合中，建议建立“波动率+CVaR”双轨风险监控。波动率用于日常风险预算和优化，CVaR用于尾部风险限额和极端场景复盘。每季度回溯VaR与CVaR的突破次数，检验模型是否低估尾部风险。
总结来看，方差、协方差、波动率、VaR、CVaR不是互相竞争的关系，而是从不同角度描述同一组合的风险特征。方差和协方差提供了可分解的数学基础，波动率提供了直观的沟通语言，VaR和CVaR则补足了尾部视角。只有理解每个指标的定义边界和适用场景，后续的风险贡献分解才能建立在可靠的基础之上。