2. 风险度量指标
做量化投资，选风险指标就像选手术刀——用对了地方，一刀下去精准解决问题；用错了，可能把病人切坏了。我见过不少团队，一上来就堆十几个指标，结果自己都搞不清该信哪个。
今天咱们就把五个最常用的风险度量指标掰开揉碎。波动率、VaR、CVaR、跟踪误差、下行风险，它们分别解决什么问题？怎么算？什么时候用哪个？
核心观点：没有完美的指标，只有合适的场景。组合的风险画像，需要多个指标交叉验证。
2.1 波动率：最基础的“体温计”
波动率是风险度量的起点。说白了，它就是收益率的标准差，衡量资产价格上下跳动的幅度。
计算公式：
年化波动率 = 日收益率标准差 × √252为什么乘√252？因为一年大约有252个交易日。这个平方根法则，我当年刚入行时总搞混——记得有一次给领导汇报，把月波动率直接乘以12，结果被当场指出。嗯，从那以后我再也没犯过这个错。
我的习惯：计算波动率时，至少用过去60个交易日的数据。太短了噪声大，太长了又反应迟钝。60天是个不错的折中。
优缺点：
- ✅ 计算简单，直观易懂
- ✅ 适合作为基准风险度量
- ❌ 把上涨和下跌同等对待——你想想看，投资者其实不怕涨，怕的是跌
- ❌ 假设收益率服从正态分布，但真实市场有肥尾
2.2 VaR：回答“最坏能亏多少”
VaR（Value at Risk）是风控部门最爱的指标。它回答一个简单问题：在95%（或99%）置信水平下，未来N天内最大可能亏损是多少？
三种计算方法：
| 方法 | 原理 | 适用场景 |
|---|---|---|
| 参数法（方差-协方差） | 假设正态分布，用均值和标准差算 | 快速估算，流动性好的资产 |
| 历史模拟法 | 直接用过去收益率的分位数 | 数据充足，不想做分布假设 |
| 蒙特卡洛模拟 | 随机生成大量路径，取分位数 | 复杂衍生品，非线性风险 |
我在项目中遇到过一件事：用参数法算VaR，结果在2015年股灾时完全失效。为什么？因为参数法假设正态分布，但极端行情下收益率分布的尾部比正态分布厚得多。从那以后，我坚持至少用历史模拟法做交叉验证。
注意：VaR不告诉你“超过阈值后亏多少”。比如95% VaR是-5%，它只说明有5%的概率亏损超过5%，但超过多少？可能是6%，也可能是60%。这就是VaR的致命缺陷。
2.3 CVaR：补上VaR的短板
CVaR（Conditional VaR），也叫Expected Shortfall。它计算的是：当亏损超过VaR阈值时，平均亏损是多少。
举个例子：
- VaR(95%) = -5%：有5%的概率亏损超过5%
- CVaR(95%) = -8%：那5%的最坏情况下，平均亏损是8%
我个人更偏爱CVaR。它抓住了尾部风险的全貌，而不是只给一个门槛值。在做风险预算时，我通常用CVaR来分配风险预算——因为它对极端行情更敏感。
代码示例（Python）：
import numpy as np
def calculate_cvar(returns, confidence=0.95):
"""
计算CVaR
returns: 收益率序列
confidence: 置信水平，默认95%
"""
sorted_returns = np.sort(returns)
var_index = int((1 - confidence) * len(sorted_returns))
var = sorted_returns[var_index]
cvar = sorted_returns[:var_index].mean()
return var, cvar
# 示例
np.random.seed(42)
returns = np.random.normal(0.001, 0.02, 1000)
var_95, cvar_95 = calculate_cvar(returns)
print(f"VaR(95%): {var_95:.4f}")
print(f"CVaR(95%): {cvar_95:.4f}")2.4 跟踪误差：你在跟谁比？
跟踪误差衡量的是组合收益率与基准收益率之间的偏离程度。说白了，就是“你跑得跟指数像不像”。
计算公式：
跟踪误差 = std(组合收益率 - 基准收益率)做指数增强策略时，跟踪误差是核心约束。我曾经管过一个增强型ETF，客户要求年化跟踪误差控制在2%以内。结果有一次调仓时，我为了多赚20个bp的超额收益，把跟踪误差拉到了3.5%。嗯，被合规部门约谈了一下午。
经验之谈：跟踪误差不是越小越好。完全复制指数，跟踪误差为0，但你也别想有超额收益。关键是找到“信息比率”的最优解——每单位跟踪误差能带来多少超额收益。
2.5 下行风险：只关心坏的一面
下行风险只考虑亏损时的波动。它把上涨的波动视为“好消息”，不纳入计算。
常见定义：
- 下行标准差：只取收益率低于目标值（通常是0或无风险利率）的部分计算标准差
- 最大回撤：从峰值到谷底的最大跌幅
- 索提诺比率：类似夏普比率，但分母用下行标准差
为什么需要下行风险？你想想看，一个策略年化收益20%，但波动率30%，另一个策略年化收益15%，波动率15%。传统波动率告诉你第二个更安全，但如果你只关心亏损风险，第一个策略的上涨波动其实是你想要的。
我习惯在回测报告中同时展示夏普比率和索提诺比率。如果两者差距很大，说明策略的上涨和下跌波动不对称——这时候要警惕了。
2.6 如何选择？一张表说清楚
| 场景 | 推荐指标 | 理由 |
|---|---|---|
| 长期资产配置 | 波动率 + 下行风险 | 关注整体风险，但更在意亏损 |
| 风控限额管理 | VaR + CVaR | 明确最大亏损边界，兼顾尾部 |
| 指数增强策略 | 跟踪误差 + 信息比率 | 控制偏离度，追求超额效率 |
| 对冲基金/绝对收益 | CVaR + 最大回撤 | 极端行情下的生存能力 |
| 个人投资者 | 下行风险 + 最大回撤 | 简单直观，符合心理感受 |
我的建议：别只盯一个指标。我每个组合至少看三个：波动率（整体感觉）、CVaR（尾部风险）、最大回撤（历史最差情况）。三个指标交叉验证，基本能覆盖大部分风险场景。
最后说一句：指标是工具，不是真理。再好的指标，也替代不了对底层资产的理解。你想想看，2008年之前，多少机构用VaR模型觉得万无一失，结果呢？
嗯，风险度量这件事，永远保持敬畏。