4. 风险度量方法
在多资产组合的风险归因中，风险度量方法是整条分析链路的“计量底座”。同一组持仓、同一段历史区间，如果换用不同的风险度量方法，得到的 VaR、ES 甚至边际风险贡献都可能出现明显差异。本节聚焦三种主流方法——参数法、历史模拟法、蒙特卡洛模拟法，从核心原理、计算流程、适用场景到常见误区逐一拆解，帮助你在项目中做出有依据的方法选择。
一、核心原理：三种方法在“假设什么”
三种方法的根本差异，在于它们如何刻画资产收益的分布，以及如何生成未来的损益情景。
- 参数法（方差—协方差法）：假设组合收益服从已知分布（通常为正态分布），只需估计均值向量与协方差矩阵，即可用解析公式直接计算 VaR。核心公式为
VaR = Z_α × σ_p × √Δt − μ_p × Δt，其中Z_α为正态分位数，σ_p为组合波动率。 - 历史模拟法：不假设分布形态，直接把过去 N 个交易日的资产收益率作为“情景库”，用当前权重重新估值，得到 N 个组合损益，再取分位数作为 VaR。它完全由历史数据驱动。
- 蒙特卡洛模拟法：先为资产收益设定随机过程（如几何布朗运动、t 分布、Copula 相依结构），再生成大量随机情景，对每个情景重新定价并统计损益分布。它把“分布假设”显式化、可配置化。
三种方法可以理解为一条“假设强度光谱”：参数法假设最强、计算最快；历史模拟法假设最弱、依赖历史样本；蒙特卡洛模拟法假设最灵活、计算最重。方法选择本质上是“假设强度”与“计算成本”之间的权衡。
二、方法流程与关键参数
在项目实战中，三种方法都需要落到可复现的流程上。下表给出对比清单，便于在代码与文档中统一口径。
| 维度 | 参数法 | 历史模拟法 | 蒙特卡洛模拟法 |
|---|---|---|---|
| 分布假设 | 正态（或指定分布） | 无，依赖历史经验分布 | 可自定义（正态、t、Copula 等） |
| 核心输入 | 均值、协方差矩阵、置信水平 | 历史收益率序列、当前权重 | 随机过程参数、模拟次数、随机种子 |
| 计算复杂度 | 低，解析解 | 中，需重估组合 | 高，需大量路径与重定价 |
| 典型参数 | 置信水平 95%/99%，持有期 1 天/10 天 | 窗口 250/500/1000 天 | 模拟次数 1 万～10 万，步长 1 天 |
| 优势 | 快速、可解析、易归因 | 捕捉厚尾与历史极端事件 | 灵活、可压力测试、可非线性定价 |
| 局限 | 低估厚尾与非线性风险 | 依赖历史窗口，无法外推新情景 | 计算慢、模型风险高、结果难复现 |
以历史模拟法为例，核心计算逻辑可以用如下伪代码表达：
# 历史模拟法 VaR 计算（单期）
returns = asset_returns[-window:] # 取最近 window 天收益率
pnl = portfolio_value * (returns @ weights) # 组合损益序列
var_95 = -np.percentile(pnl, 5) # 95% 置信水平 VaR
es_95 = -pnl[pnl <= -var_95].mean() # 期望损失 ES
蒙特卡洛模拟法则需要先设定随机过程，再批量生成路径：
# 蒙特卡洛模拟核心参数示例
n_sim = 50000 # 模拟次数
horizon = 1 # 持有期（天）
mu = mean_returns # 资产均值向量
sigma = cov_matrix # 协方差矩阵
seed = 42 # 随机种子，保证可复现
三、案例场景：同一组合，三种方法结果对比
假设一个多资产组合包含股票、债券、商品三类资产，权重分别为 50%、30%、20%，组合市值 1000 万元。我们分别用三种方法计算 95% 置信水平、1 天持有期的 VaR。
- 参数法：根据协方差矩阵得到组合日波动率 1.2%，代入公式得 VaR ≈ 1000 万 × 1.65 × 1.2% ≈ 19.8 万元。
- 历史模拟法：取过去 500 天收益率，重估后取 5% 分位数，得到 VaR ≈ 24.5 万元。结果高于参数法，说明历史窗口内存在厚尾或极端下跌日。
- 蒙特卡洛模拟法：采用 t 分布刻画厚尾，模拟 5 万条路径，得到 VaR ≈ 26.3 万元，同时可输出 ES ≈ 35.1 万元。
当三种方法结果差异较大时，不要急于判断“谁对谁错”。差异本身就是信息：参数法偏低往往提示厚尾风险；历史模拟法偏高可能受窗口内极端事件影响；蒙特卡洛结果取决于分布假设，需做敏感性分析。
四、适用场景与选择建议
方法选择应服务于业务目标，而不是追求“最精确”。
- 参数法：适合日内高频监控、风险限额快速试算、线性资产为主的组合，以及需要解析归因的场景。
- 历史模拟法：适合监管报送、历史回测、组合中包含期权等非线性资产但历史数据充足的场景。
- 蒙特卡洛模拟法：适合含复杂衍生品、需要压力测试与情景外推、以及分布假设需要显式管理的场景。
在完整项目中，推荐采用“参数法做日常监控 + 历史模拟法做监管口径 + 蒙特卡洛做压力测试”的组合策略，并在风险报告中并列披露三种结果，避免单一方法带来的盲区。
五、常见误区与复盘要点
误区一：把参数法的正态假设当作“事实”。金融市场厚尾、波动聚集、尾部相依普遍存在，参数法在极端行情下会系统性低估风险。
误区二：历史模拟法窗口越长越好。窗口过长会稀释近期风险，过短则样本不足、分位数不稳定，需结合波动率状态做动态窗口。
误区三：蒙特卡洛模拟次数越多越准。模拟次数只降低抽样误差，不解决模型设定错误；分布假设错了，模拟再多次也是“精确地错”。
误区四：忽略持有期与置信水平的一致性。不同方法、不同参数下的 VaR 不可直接比较，必须在统一口径下对齐。
误区二：历史模拟法窗口越长越好。窗口过长会稀释近期风险，过短则样本不足、分位数不稳定，需结合波动率状态做动态窗口。
误区三：蒙特卡洛模拟次数越多越准。模拟次数只降低抽样误差，不解决模型设定错误；分布假设错了，模拟再多次也是“精确地错”。
误区四：忽略持有期与置信水平的一致性。不同方法、不同参数下的 VaR 不可直接比较，必须在统一口径下对齐。
复盘时建议固定三件事：统一置信水平与持有期、统一资产收益率频率与窗口、统一组合估值时点。只有口径一致，三种方法的差异才具有可比性和归因价值。
掌握三种方法的原理与边界后，你就能在风险归因项目中根据资产类型、数据条件与业务目标，选择合适的方法组合，并对结果差异做出合理解释。这正是多资产组合风险归因从“算得出”走向“说得清”的关键一步。