4. 组合VaR计算实战

在单资产VaR的基础上，组合VaR才是风险管理的真正主战场。组合VaR并不是把各资产VaR简单相加，而是要在资产权重、协方差矩阵与相关性结构的共同作用下，重新刻画组合收益分布。本节围绕这一核心，从原理到Python实现，再到结果解读，完成一次完整的组合VaR计算实战。

一、核心原理：组合方差为何不是个体方差的加权和

设组合包含 n 个资产，权重向量为 w，资产收益率为 r，则组合收益 R_p = w^Tr。组合方差为：

σ²_p = wᵀ Σ w
其中 Σ 为 n×n 协方差矩阵，对角线为各资产方差，非对角线为协方差。

关键点在于：相关性决定了分散化效果。当资产间相关系数小于1时，组合波动率小于各资产波动率的加权平均；相关系数越低，分散化收益越明显。若相关系数为1，则组合风险退化为线性加权，分散化失效。因此，组合VaR计算的第一步不是套公式，而是确认权重、协方差矩阵与相关性是否真实反映了当前持仓结构。

二、方法流程：从权重到组合VaR的五步法

1. 确定资产权重：按市值、敞口或风险预算分配，权重之和为1（或按实际持仓金额计算）。
2. 估计协方差矩阵：可用样本协方差、EWMA或收缩估计，注意样本窗口与频率一致性。
3. 计算组合波动率：σ_p = √(wᵀΣw)，这是参数法VaR的核心输入。
4. 选择置信水平与持有期：如95%/99%、1天/10天，并做时间平方根缩放。
5. 计算VaR并回测：VaR = z_α·σ_p·√Δt，随后用Kupiec检验验证突破次数是否合理。

下面用一张SVG展示组合VaR计算中权重、协方差矩阵与组合波动率之间的数据流关系。

三、Python实现：参数法与历史模拟法对照

下面用一段可直接运行的Python代码，完成权重设定、协方差矩阵估计、组合波动率与VaR计算，并与历史模拟法结果对照。

import numpy as np
import pandas as pd
from scipy.stats import norm

np.random.seed(42)

# 1. 模拟三资产日收益率（实际中替换为真实行情）
n_days = 1000
mean = np.array([0.0004, 0.0003, 0.0002])
vol  = np.array([0.012, 0.010, 0.008])
corr = np.array([[1.0, 0.6, 0.3],
                 [0.6, 1.0, 0.4],
                 [0.3, 0.4, 1.0]])
cov = np.outer(vol, vol) * corr
rets = np.random.multivariate_normal(mean, cov, n_days)
rets = pd.DataFrame(rets, columns=["A", "B", "C"])

# 2. 资产权重
w = np.array([0.5, 0.3, 0.2])

# 3. 样本协方差矩阵与组合波动率
Sigma = rets.cov().values
sigma_p = np.sqrt(w @ Sigma @ w)
print("组合日波动率:", round(sigma_p, 6))

# 4. 参数法VaR（95%，1天）
alpha = 0.95
z = norm.ppf(alpha)
var_param = z * sigma_p
print("参数法VaR(95%,1d):", round(var_param, 6))

# 5. 历史模拟法VaR
port_ret = rets.values @ w
var_hist = -np.percentile(port_ret, (1 - alpha) * 100)
print("历史模拟VaR(95%,1d):", round(var_hist, 6))

# 6. 10天持有期缩放
var_10d = var_param * np.sqrt(10)
print("参数法VaR(95%,10d):", round(var_10d, 6))

运行后你会看到两个VaR值通常接近但不完全相等。参数法依赖正态假设与协方差估计，历史模拟法直接使用经验分位数，对尾部形态更敏感。两者差异本身就是重要的诊断信号。

四、结果解读与常见误区复盘

复盘时建议固定一条检查链：权重是否与真实持仓一致 → 协方差矩阵是否正定且窗口合理 → 组合波动率是否落在合理区间 → 参数法与历史模拟法差异是否可解释 → Kupiec检验是否通过。只有这条链路完整，组合VaR才具备决策参考价值。