3. 概率统计基础

在预期损失（Expected Shortfall, ES）的计量体系中，概率统计基础决定了我们如何描述损失的不确定性、如何定位极端风险的位置，以及如何对尾部损失进行加权平均。本节围绕四个核心概念展开：损失分布、分位数、条件期望与尾部条件期望，并给出它们在 ES 计算中的数学表达与工程落地方式。

一、核心原理：从损失分布到尾部条件期望

设某一资产组合在给定持有期内的损失为随机变量 L，其累积分布函数为 F_L(x) = P(L ≤ x)。在风险管理中，我们通常关注损失超过某一阈值的概率与幅度。若 L 为连续型随机变量，其概率密度函数为 f_L(x)，则损失分布完整刻画了风险的全部统计特征。

分位数（Quantile）用于定位损失分布中的特定位置。给定置信水平 α ∈ (0,1)，VaR 对应的分位数定义为：

VaR_α = inf{ x ∈ R : P(L ≤ x) ≥ α }

当 F_L 连续且严格递增时，可简写为 VaR_α = F_L^{-1}(α)。分位数只告诉我们“尾部从哪里开始”，却没有说明“尾部有多深”。条件期望（Conditional Expectation）则进一步回答：在已知某些信息或事件发生的条件下，损失的期望是多少。

尾部条件期望（Tail Conditional Expectation, TCE）正是 ES 的数学内核。其定义为损失超过 VaR 阈值时的条件期望：

ES_α = E[ L | L ≥ VaR_α ]

若 L 为连续型随机变量，ES 也可写成积分形式：

ES_α = (1 / (1 - α)) * ∫_{VaR_α}^{+∞} x * f_L(x) dx

该式表明，ES 是对超过 VaR 的所有尾部损失按密度加权后的平均值，因此它对极端损失的幅度敏感，具备次可加性，是一致性风险度量。

损失分布与尾部条件期望的几何关系 损失 L 密度 f(L) VaR_α ES_α 尾部均值 主体分布区域 ES_α = E[ L | L ≥ VaR_α ]，对红色尾部区域按密度加权平均

二、方法流程：从样本到 ES 估计

在实际计量中，我们通常无法直接获得解析形式的损失分布，而是基于历史样本或模拟路径进行估计。标准流程如下：

  1. 构造损失样本：收集组合在持有期内的历史损益或蒙特卡洛模拟路径，转换为损失序列 L_1, L_2, ..., L_n。
  2. 排序与分位数估计：对损失序列升序排列，得到 L_(1) ≤ L_(2) ≤ ... ≤ L_(n)，取 k = ⌈nα⌉，则 VaR_α ≈ L_(k)。
  3. 尾部样本筛选：选取所有满足 L_i ≥ VaR_α 的样本，构成尾部集合。
  4. 条件期望计算：对尾部集合求算术平均，得到 ES 估计值。
# Python 伪代码：历史模拟法估计 ES
import numpy as np

losses = np.array([...])          # 损失序列
alpha = 0.975                     # 置信水平
var_alpha = np.quantile(losses, alpha)
tail = losses[losses >= var_alpha]
es_alpha = tail.mean()

print(f"VaR_{alpha} = {var_alpha:.4f}")
print(f"ES_{alpha}  = {es_alpha:.4f}")
提示：当样本量不足时，尾部集合可能只有少数几个点，ES 估计的方差会显著增大。此时可结合极值理论（EVT）或参数化分布（如 t 分布、广义帕累托分布）进行尾部外推。

三、案例/场景：正态分布下的 ES 解析表达

假设损失 L ~ N(μ, σ²)，置信水平为 α。令 z_α = Φ^{-1}(α) 为标准正态分位数，φ(·) 为标准正态密度函数，则：

VaR_α = μ + σ * z_α
ES_α  = μ + σ * φ(z_α) / (1 - α)

例如，取 μ = 0、σ = 1、α = 0.975，则 z_0.975 ≈ 1.96，φ(1.96) ≈ 0.0584，于是：

VaR_0.975 ≈ 1.96
ES_0.975  ≈ 0.0584 / 0.025 ≈ 2.338

可见 ES 明显大于 VaR，且两者之差反映了尾部损失的“厚度”。在正态假设下，ES 与 VaR 的比值约为 1.19；若换成厚尾分布（如 t 分布），该比值会进一步放大。

概念 数学表达 关注点 是否满足次可加性
损失分布 F_L(x) = P(L ≤ x) 整体不确定性 —
分位数 VaR_α = F_L^{-1}(α) 尾部起点位置 否
条件期望 E[L | A] 给定事件下的均值 —
尾部条件期望 ES_α = E[L | L ≥ VaR_α] 尾部平均损失幅度 是

四、误区与复盘

常见误区一：把 ES 当作“最大损失”。ES 是尾部条件期望，不是损失上界。极端情况下，尾部仍可能存在远超 ES 的损失，因此 ES 不能替代压力测试。
常见误区二：忽略分布假设对 ES 的影响。在正态假设下 ES 与 VaR 差距有限，但在厚尾或偏态分布下，ES 可能远大于 VaR。若用正态分布拟合实际损失，会系统性低估尾部风险。

复盘时建议重点检查三点：其一，损失序列是否已正确转换为“损失为正”的方向；其二，分位数估计是否与样本量匹配，避免尾部样本过少；其三，ES 的积分表达与样本平均表达是否一致，防止在离散与连续情形之间混淆。

掌握损失分布、分位数、条件期望与尾部条件期望的数学表达，是后续实现参数法、历史模拟法与蒙特卡洛法 ES 计量的共同基础。只有在概率语言上把“尾部”定义清楚，才能在工程实现中把 ES 算准、算稳。

← 上一章 📖 返回目录 下一章 →