2. 风险计量基础
在进入边际 VaR 与成分 VaR 之前，必须先把风险计量的“地基”打牢。VaR（Value at Risk，风险价值）回答的是一个非常具体的问题：在给定置信水平和持有期下，投资组合未来可能遭受的最大损失是多少？它把复杂的损益分布压缩成一个金额数字，便于限额管理、资本配置和绩效归因。但正因为压缩，VaR 也容易被误读，所以本节从定义、参数、分布到三种主流估计方法逐一拆解。
一、VaR 的核心定义与四个关键参数
VaR 的严格定义可以写成：在置信水平 1-α 下，持有期 Δt 内，组合损失超过 VaR 的概率不超过 α。用数学语言表达为：
P(Loss > VaR) ≤ α
或等价地：P(ΔV ≤ -VaR) = 1 - α理解 VaR 必须同时锁定四个参数，缺一不可：
- 置信水平：常见 95%、99%，甚至 99.9%。置信水平越高，VaR 越大，尾部覆盖越充分，但样本外验证越困难。
- 持有期：1 天、10 天、1 个月。持有期越长，风险越大，通常按平方根法则从 1 天折算，但该法则假设收益独立同分布，存在局限。
- 损益分布：VaR 本质是分布的分位数。分布假设不同，同一组数据算出的 VaR 可能差异显著。
- 观察窗口：历史模拟法需要选择回溯期，如 250 天、500 天。窗口越短越敏感，越长越平滑。
一句话记忆：VaR 是“置信水平 + 持有期 + 损益分布 + 观察窗口”四元组共同决定的损失分位数，脱离任一参数谈 VaR 都没有意义。
二、三种主流估计方法：参数法、历史模拟法、蒙特卡洛模拟法
三种方法的核心差异在于如何获得损益分布。参数法假设分布形态，历史模拟法直接重放历史，蒙特卡洛模拟法则生成大量情景。
| 方法 | 分布假设 | 数据来源 | 计算速度 | 典型局限 |
|---|---|---|---|---|
| 参数法（方差-协方差） | 正态分布或椭圆分布 | 协方差矩阵、波动率 | 极快 | 低估厚尾与非线性 |
| 历史模拟法 | 无分布假设 | 历史收益率序列 | 较快 | 依赖历史窗口，难覆盖新风险 |
| 蒙特卡洛模拟法 | 可自定义任意分布 | 随机数 + 定价模型 | 较慢 | 计算量大、模型风险高 |
参数法最简洁：假设组合收益服从正态分布，则 VaR = Zα × σ × √Δt × 组合价值。例如 99% 置信水平对应 Z 值约 2.33。它的优点是解析解、可分解，边际 VaR 和成分 VaR 在参数法下有闭式解，这也是后续章节的重要基础。缺点是正态假设严重低估尾部风险。
历史模拟法不假设分布，直接把当前组合权重套用到过去 N 天的历史收益率上，得到 N 个模拟损益，再取对应分位数。流程如下：
- 确定观察窗口，例如过去 500 个交易日。
- 收集每个资产的历史日收益率。
- 用当前权重计算组合的历史模拟损益序列。
- 对损益序列排序，取第 5 百分位（95% VaR）或第 1 百分位（99% VaR）。
蒙特卡洛模拟法最灵活：先设定风险因子的随机过程（如几何布朗运动、t 分布、GARCH），生成成千上万条路径，对每条路径重新定价组合，最后统计分位数。它能处理期权等非线性头寸，但计算成本高，且结果高度依赖模型设定。
三、案例场景：同一组合、三种方法的结果差异
假设一个组合价值 1000 万元，包含股票与债券，95% 置信水平、1 天持有期。参数法假设正态，算出 VaR 为 32 万元；历史模拟法用过去 500 天数据，取第 5 百分位，得到 41 万元；蒙特卡洛模拟采用 t 分布并考虑波动率聚集，得到 47 万元。三者差异的根源在于：正态假设压缩了左尾，历史模拟受窗口内极端事件影响，蒙特卡洛则放大了厚尾特征。
实务建议：不要只报一个 VaR 数字。至少同时报告参数法与历史模拟法结果，并说明差异来源。若两者差距超过 30%，应检查分布假设与窗口选择是否合理。
四、常见误区与复盘要点
- 误区一：VaR 是最大损失。VaR 是分位数，不是最大值。超过 VaR 的损失仍可能发生，且幅度未知，这正是 ES（期望损失）要补充的。
- 误区二：平方根法则万能。平方根法则要求收益独立同分布。若存在自相关或波动率聚集，10 天 VaR 不等于 1 天 VaR 乘以 √10。
- 误区三：历史模拟法“无假设”。它隐含假设历史会重演，且窗口选择本身就是一种模型判断。
- 误区四：蒙特卡洛越复杂越准。模型风险可能超过计算精度带来的收益，参数标定错误会让模拟结果系统性偏离。
复盘检查清单：置信水平与持有期是否与业务限额一致？观察窗口是否覆盖压力期？分布假设是否通过回测？VaR 是否与 ES、压力测试结果交叉验证？只有把 VaR 放回完整风险计量体系中，它才真正可用。
掌握以上基础后，我们才能进一步回答“组合中每个头寸贡献了多少 VaR”这一问题。参数法下的可分解性、历史模拟法下的重估法、蒙特卡洛下的路径归因，都会在后续边际 VaR 与成分 VaR 的实战中反复用到。理解 VaR 的构造逻辑，是读懂风险贡献分解的前提。