2. 风险计量基础

在进入 Expected Shortfall（ES）的实战计算之前，必须先厘清它与 VaR 的继承与超越关系。很多从业者把 ES 简单理解为“更保守的 VaR”，这种直觉虽然方向正确，却掩盖了两者在数学性质上的根本差异。本节从尾部风险的经济含义出发，梳理 VaR 与 ES 的解析关系，再引入一致性风险度量公理，重点解释次可加性为何成为 ES 取代 VaR 的关键理由。

一、核心原理：从分位数到条件期望

设投资组合在持有期内的损益为随机变量 L（损失为正），置信水平为 α（如 99%）。VaR 回答的是“最坏情况的门槛在哪里”，而 ES 回答的是“一旦越过门槛，平均会有多坏”。

  • VaRα：损失分布的 α 分位数，即 VaR_α = inf{ l : P(L ≤ l) ≥ α }。它是一个位置指标，只描述尾部起点。
  • ESα：超过 VaR 部分的平均损失，即 ES_α = E[ L | L ≥ VaR_α ]。它是一个条件期望，刻画尾部整体的平均厚度。

两者存在明确的解析关系：当损失分布连续时，ES_α ≥ VaR_α 恒成立，且 ES 可以写成对更高分位数的积分平均：

ES_α = (1 / (1 - α)) * ∫_α^1 VaR_u du

这意味着 ES 是 VaR 曲线在尾部区间的“平均高度”。VaR 只看一个点，ES 看整段尾巴，因此 ES 对尾部形态的变化更敏感。当分布出现厚尾或极端跳跃时，VaR 可能几乎不变，而 ES 会显著上升——这正是 ES 在监管资本计量中更受青睐的原因。

损失分布尾部：VaR 是门槛，ES 是门槛之后的平均高度 损失 L 密度 VaR(99%) ES 平均位置 尾部条件均值 主体分布 橙色区域 = 超过 VaR 的尾部

二、一致性风险度量公理与次可加性

Artzner 等人在 1999 年提出一致性风险度量（Coherent Risk Measure）的四条公理，用于判断一个风险指标是否“讲道理”。设风险度量记为 ρ(·)：

  1. 单调性：若 L₁ ≤ L₂ 恒成立，则 ρ(L₁) ≤ ρ(L₂)。损失越大，风险度量不应更小。
  2. 正齐次性：ρ(λL) = λρ(L)，λ ≥ 0。头寸翻倍，风险翻倍。
  3. 平移不变性：ρ(L + c) = ρ(L) + c。增加确定损失，风险等额上升。
  4. 次可加性：ρ(L₁ + L₂) ≤ ρ(L₁) + ρ(L₂)。合并头寸的风险不应超过各自风险之和。

前三条 VaR 与 ES 都满足，次可加性是分水岭。VaR 在非椭圆分布（如厚尾、偏态、含期权非线性头寸）下可能违反次可加性，导致“分散化反而增加风险”的悖论。ES 则被证明满足全部四条公理，是一致性风险度量。

关键结论：次可加性意味着风险分散一定不会让度量值变差。对银行、基金等需要合并多个交易台或子组合风险敞口的机构而言，这是资本加总与限额管理的基本前提。

三、方法流程：从数据到 ES 的计量步骤

实战中计算 ES 通常遵循以下流程，VaR 与 ES 可共享同一套损失样本，避免重复建模：

  1. 确定持有期与置信水平：如 1 天、99%，或监管要求的 10 天、97.5%。
  2. 构建损失分布：历史模拟、参数法（正态/t 分布）或蒙特卡洛模拟。
  3. 计算 VaR 分位数：对损失样本排序，取对应分位点。
  4. 筛选尾部样本：保留所有 L ≥ VaR 的观测。
  5. 求条件均值得到 ES：对尾部样本取算术平均。
  6. 回测与验证：VaR 用突破次数检验，ES 用尾部均值检验或联合评分。
# 以历史模拟法为例（伪代码）
losses = sorted(portfolio_pnl_losses)      # 损失升序
idx    = ceil(alpha * n) - 1
var    = losses[idx]
tail   = losses[idx:]                       # 超过 VaR 的尾部
es     = mean(tail)
print(f"VaR={var:.2f}, ES={es:.2f}, 尾部样本数={len(tail)}")

四、案例与场景：次可加性失效的直观演示

考虑两个独立发行的违约债券 A 与 B，各自违约概率 4%，违约损失 100 万元，无违约损失为 0。在 95% 置信水平下：

组合VaR(95%)ES(95%)说明
单独 A0100 万违约概率 4% < 5%，VaR 落在无违约区
单独 B0100 万同上
A + B 合并100 万100 万至少一个违约概率约 7.84% > 5%

单独看，VaR 均为 0，合计为 0；合并后 VaR 却跳到 100 万，VaR(A+B) > VaR(A) + VaR(B)，次可加性被违反。而 ES 在三种情形下都保持 100 万，合并后并未超过单独之和，符合一致性要求。这个经典例子说明：VaR 在低违约概率、厚尾场景下会给出误导性的分散化信号。

实务提示：当组合包含信用衍生品、深度虚值期权或低概率高损失事件时，应优先使用 ES 进行限额与资本计量，避免 VaR 的次可加性缺陷导致风险被低估。

五、误区与复盘

  • 误区一：ES 一定远大于 VaR。两者差距取决于尾部厚度。正态分布下 99% 的 ES 约为 VaR 的 1.15 倍；厚尾分布下差距可能超过 2 倍，需结合分布形态判断。
  • 误区二：ES 不可回测，所以没用。ES 虽不像 VaR 那样有简单的突破计数检验，但可通过联合损失函数、尾部均值检验或 Bootstrap 方法进行验证。
  • 误区三：满足次可加性就万事大吉。次可加性只保证合并风险不劣于加总，不代表模型参数、相关性假设或数据窗口没有问题。ES 对尾部样本数量敏感，样本不足时估计方差较大。
  • 复盘要点：每次计量后应记录尾部样本数、VaR 与 ES 的比值、分布假设与回测结果，形成可追溯的风险计量日志。
注意：ES 的稳定性依赖足够的尾部样本。若使用 99% 置信水平但样本仅 250 天，尾部只有约 2～3 个观测，ES 估计会非常不稳定。此时应延长样本窗口、提高数据频率或采用极值理论进行尾部外推。

理解 VaR 与 ES 的关系、一致性公理与次可加性，是后续选择计量方法、设定置信水平和解读回测结果的理论基石。只有先明确“为什么用 ES”，才能在实战中正确使用它。

← 上一章 📖 返回目录 下一章 →