3. VaR核心概念

在司库市场风险报告中，VaR（Value at Risk，风险价值）几乎是最常被引用、也最容易被误读的指标。它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，未来一段时间内，组合损失不会超过某个金额的概率有多大。要真正读懂报告中的VaR数字，必须同时理解五个参数化概念——置信水平、持有期、观察窗口、损益分布、分位数，并清楚VaR本身的边界。

一、核心原理：VaR是分位数，不是最大损失

VaR的本质是损益分布上的一个分位数。假设某司库组合未来1天的损益分布已知，取95%置信水平，VaR就是该分布左尾第5百分位对应的损失金额。它的含义是：在100个正常交易日中，约有5天的损失会超过该数值。注意，VaR描述的是“超过阈值的频率”，而不是“超过阈值后会有多严重”。

五个核心概念的关系可以这样理解：观察窗口提供历史样本，用于估计损益分布；置信水平决定在分布上取哪个分位数；持有期决定这个分位数对应的时间跨度。四者共同决定最终VaR数值。

二、五个参数的含义与设置逻辑

三、方法流程：从样本到VaR数字

以历史模拟法为例，计算流程如下：

1. 确定观察窗口，例如过去250个交易日的每日损益。
2. 将250个损益按从小到大排序，形成经验损益分布。
3. 根据置信水平确定分位点：95%对应第13个最差损益（250×5%≈12.5，取第13个）。
4. 若持有期为10天，则对1天VaR按√10进行缩放，或直接使用10天重叠损益样本。
5. 输出VaR金额，并标注置信水平、持有期、观察窗口和方法。

# 历史模拟法VaR计算示例（Python伪代码）
losses = sorted(daily_pnl)          # 250个历史损益，升序
n = len(losses)
confidence = 0.95
index = int((1 - confidence) * n)   # 12
var_1d = -losses[index]             # 取负号表示损失金额
var_10d = var_1d * (10 ** 0.5)      # 平方根法则缩放
print(f"95% 1天VaR: {var_1d:.2f}")
print(f"95% 10天VaR: {var_10d:.2f}")

四、案例场景：同一组合，不同参数下的VaR差异

假设某司库持有1亿元利率债组合，过去250个交易日的历史损益样本已排序。分别计算不同参数组合下的VaR：

• 95% / 1天 / 250天窗口：VaR = 320万元。
• 99% / 1天 / 250天窗口：VaR = 580万元。
• 95% / 10天 / 250天窗口：VaR ≈ 320 × √10 ≈ 1012万元。
• 95% / 1天 / 60天窗口：VaR = 410万元，因近期波动加大，短窗口更敏感。

可以看到，置信水平从95%提高到99%，VaR增加约81%；持有期从1天拉长到10天，VaR增加约216%。如果报告中没有明确标注这三个参数，VaR数字之间没有任何可比性。

五、误区与复盘：VaR的局限性

VaR的主要局限性包括：

• 尾部风险盲区：VaR不描述尾部形状，无法区分“偶尔小超”和“极端巨亏”。
• 不满足次可加性：在某些分布下，组合VaR可能大于各子组合VaR之和，与分散化直觉矛盾。
• 历史窗口依赖：窗口选择直接影响结果，短窗口反应快但噪声大，长窗口平滑但滞后。
• 分布假设风险：正态假设会低估厚尾事件，历史模拟则假设未来与过去同分布。
• 流动性假设：VaR通常假设持有期内可正常平仓，未考虑流动性枯竭导致的滑点。

因此，成熟的司库报告不会只报一个VaR数字，而是将VaR与ES（Expected Shortfall，期望损失）、压力测试、情景分析、集中度指标并列披露。ES衡量的是“超过VaR之后的平均损失”，正好补上VaR的尾部盲区。复盘时应重点检查：参数是否一致、窗口是否覆盖近期波动、分布假设是否仍成立、VaR是否被误读为最大损失。