📚 课程目录第3章 CVaR定义与数学表达

三、CVaR定义与数学表达：条件风险价值的公式、连续与离散分布下的表示

在完成VaR（在险价值）的度量框架后，我们面临一个关键问题：VaR仅描述了分布上的某个分位点，却无法回答“当损失超过该分位点时，平均损失究竟有多大”。这正是条件风险价值（Conditional Value at Risk, CVaR）所要填补的空白。CVaR又称期望损失（Expected Shortfall, ES）或尾部损失（Tail Loss），它衡量的是在给定置信水平下，损失分布尾部（即超过VaR阈值的部分）的条件期望值。本章将系统推导CVaR的数学定义，并分别给出连续型与离散型分布下的精确表达式，帮助学员建立从公式到计算、从理论到落地的完整认知。

上图从损失分布的角度展示了CVaR的本质：它关注的是分布右尾（即损失超过VaR阈值的区域）的平均损失水平。与VaR只给出一个分位点不同，CVaR将尾部所有极端损失纳入考量，因此对尾部风险更为敏感。下面我们从数学定义出发，逐步展开连续与离散两种情形下的精确表达。

3.1 CVaR的核心原理：从分位点到尾部期望

设随机变量 L 表示投资组合在持有期内的损失（正数表示亏损），其累积分布函数为 F_L(l) = P(L ≤ l)。给定置信水平 α（通常取 95% 或 99%），VaR_α 定义为损失分布的 α 分位数：

VaR_α = inf{ l ∈ ℝ : F_L(l) ≥ α }

直观上，VaR_α 表示在 α 概率水平下，损失不会超过该值；但一旦损失真的超过 VaR_α，其平均规模是多少？这正是 CVaR 要回答的问题。CVaR_α 的正式定义为：

CVaR_α(L) = E[ L | L ≥ VaR_α ]

即“在损失超过 VaR_α 的条件下，损失的条件期望”。这一概念最早由 Artzner 等（1999）在一致性风险度量框架下提出，后经 Rockafellar 和 Uryasev（2000, 2002）发展为可通过凸优化求解的实用工具。CVaR 之所以被称为“一致性风险度量”，是因为它满足单调性、正齐次性、平移不变性和次可加性四大公理，而 VaR 不满足次可加性，这意味着分散化投资在 VaR 框架下可能反而“增加”风险，这显然违背金融常识。

  关键理解：VaR 是“门槛”，CVaR 是“门槛后面的平均深度”。例如，99% VaR 为 1000 万元，意味着有 99% 的把握损失不超过 1000 万；而 99% CVaR 为 1500 万元，则意味着一旦损失超过 1000 万（即落入最坏的 1% 尾部），平均损失将达到 1500 万。CVaR 永远不小于 VaR，两者之差反映了尾部风险的“厚度”。

3.2 连续分布下的CVaR公式

当损失 L 为连续型随机变量，具有概率密度函数 f_L(x) 时，CVaR 可以写成积分形式。根据条件期望的定义：

CVaR_α(L) = (1 / (1-α)) · ∫_{VaR_α}^∞ x · f_L(x) dx

这里分母 (1-α) 是尾部概率，即 P(L ≥ VaR_α) = 1 - F_L(VaR_α) = 1 - α（对于连续分布，等号严格成立）。分子是尾部区域的“概率加权损失总和”。这一公式的直观含义是：将尾部所有可能的损失值 x 按其概率密度 f_L(x) 加权求和，再除以尾部总概率，得到尾部的平均损失。

对于常见的参数分布，CVaR 有解析表达式。以正态分布为例，若 L ~ N(μ, σ²)，则：

CVaR_α(L) = μ + σ · φ(Φ⁻¹(α)) / (1-α)

其中 φ(·) 为标准正态密度函数，Φ⁻¹(·) 为标准正态分位数函数。例如，当 α=0.99 时，Φ⁻¹(0.99)≈2.326，φ(2.326)≈0.0267，因此 CVaR = μ + σ × (0.0267/0.01) = μ + 2.67σ。而 99% VaR = μ + 2.33σ，可见 CVaR 比 VaR 多出约 0.34σ 的尾部风险溢价。

分布类型	CVaR_α 解析公式	适用场景
正态分布 N(μ, σ²)	μ + σ·φ(Φ⁻¹(α))/(1-α)	资产收益率近似正态、中心极限定理适用
t分布（ν自由度）	μ + σ·g_ν(t_ν⁻¹(α))·(ν+(t⁻¹)²)/((ν-1)(1-α))	厚尾数据、金融收益率常见
广义帕累托分布 GPD(ξ,β)	VaR_α + (β + ξ·(VaR_α-u))/(1-ξ)，ξ<1	极值理论（POT）建模尾部
对数正态分布	exp(μ+σ²/2)·Φ(σ-Φ⁻¹(α))/(1-α)	资产价格、损失金额为正数

在实际应用中，若已知损失分布的具体形式，直接代入上述公式即可快速计算 CVaR。但需注意，正态分布假设往往低估尾部风险，实际金融数据常呈现“厚尾”特征，此时 t 分布或极值分布更为合适。

3.3 离散分布下的CVaR公式

在实务中，我们更多面对的是离散情景：历史模拟法产生的 N 个等权重历史损失样本，或蒙特卡洛模拟生成的 N 个情景，或压力测试设定的若干离散场景。此时损失分布是离散的，每个情景 L_i 对应概率 p_i（通常 p_i = 1/N）。离散情形下，CVaR 的计算需要小心处理 VaR 分位点可能落在两个情景之间的情况。

设损失样本按升序排列：L₍₁₎ ≤ L₍₂₎ ≤ … ≤ L_(N)，对应概率 p₍₁₎, p₍₂₎, …, p_(N)。给定置信水平 α，定义 k 为满足 Σ_i=1^k p_(i) ≥ α 的最小整数。则离散 CVaR 的精确公式为：

CVaR_α = (1/(1-α)) · [ Σ_i=k+1^N p_(i)·L_(i) + (Σ_i=1^k p_(i) - α)·L_(k) ]

该公式的含义是：尾部区域由两部分组成——严格大于 VaR 阈值的情景（i=k+1 到 N），以及 VaR 阈值本身所在的情景（第 k 个情景）中超出 α 概率的那部分“残差”。第二项 (Σ_i=1^k p_(i) - α) 表示累积概率超过 α 的“多余概率质量”，这部分概率对应的损失恰好是 L_(k)。

当所有情景等概率（p_i = 1/N）时，公式可简化为：

CVaR_α = (1/(N·(1-α))) · [ Σ_i=k+1^N L_(i) + (k - N·α)·L_(k) ]

其中 k = ⌈N·α⌉（向上取整）。若 N·α 恰好为整数，则 k = N·α，此时第二项为零，CVaR 就是尾部 (N-k) 个损失样本的简单平均。

计算技巧：在 Excel 或 Python 中，推荐使用 Rockafellar-Uryasev 的线性规划公式：CVaR_α = min_β∈ℝ { β + (1/(1-α)) · Σ_i=1^N p_i·max(L_i - β, 0) }。该公式将 CVaR 转化为一个凸优化问题，最优解 β* 恰好等于 VaR_α，且无需显式排序，非常适合编程实现。

3.4 案例拆解：历史模拟法下的CVaR计算

我们通过一个完整的案例来演示离散 CVaR 的计算过程。假设某投资组合过去 10 个交易日的日损失（万元）为：

[120, 85, 200, 150, 95, 310, 75, 180, 140, 260]

我们计算 80% 置信水平下的 VaR 和 CVaR。首先将损失升序排列：

排序 i	1	2	3	4	5	6	7	8	9	10
损失 L_(i)	75	85	95	120	140	150	180	200	260	310
累积概率	0.1	0.2	0.3	0.4	0.5	0.6	0.7	0.8	0.9	1.0

α=0.80，N=10，N·α=8 为整数，因此 k=8，VaR_0.80 = L₍₈₎ = 200 万元。尾部情景为 i=9 和 i=10，即损失 260 和 310 万元。由于 N·α 为整数，第二项为零，CVaR 为尾部损失的平均：

CVaR_0.80 = (260 + 310) / 2 = 285 万元

这意味着，在 80% 置信水平下，一旦损失超过 200 万元（即落入最差的 20% 尾部），平均损失为 285 万元。作为对比，若只看 VaR，我们只知道“有 80% 把握损失不超过 200 万”，但不知道尾部平均损失高达 285 万——这正是 CVaR 提供的增量信息。

现在考虑更一般的情形：若 α=0.85，则 N·α=8.5，k=⌈8.5⌉=9。VaR_0.85 = L₍₉₎ = 260 万元。此时尾部情景为 i=10（损失 310），但累积概率从 0.8 到 0.9 之间还有“多余概率”需要处理。根据公式：

CVaR_0.85 = (1/(10×0.15)) × [ 310 + (9 - 8.5)×260 ] = (1/1.5) × [310 + 130] = 440/1.5 ≈ 293.33 万元

注意这里的第二项 (9 - 8.5)×260 = 0.5×260 = 130，表示在 85% 分位点处，VaR 阈值 260 万元本身也有一部分“概率质量”落入尾部（因为累积概率从 0.8 到 0.9 的区间内，有 0.5 的概率质量对应损失 260 万元）。这种处理方式确保了 CVaR 计算的精确性，避免了简单平均带来的偏差。

常见误区：初学者常犯的错误是直接将尾部所有损失简单平均，而忽略 VaR 阈值本身可能部分落入尾部的情况。当 N·α 不是整数时，这种简化会导致 CVaR 被低估或高估。务必使用完整的离散公式，或采用 Rockafellar-Uryasev 的优化公式。

3.5 连续与离散的统一视角与实操要点

尽管连续和离散公式在形式上不同，但它们的本质是统一的：CVaR 都是“尾部损失的条件期望”。连续公式通过积分实现，离散公式通过加权求和实现。在实际应用中，选择哪种形式取决于数据可得性和建模假设：

参数法：假设损失服从特定分布（正态、t、GPD等），使用解析公式。优点是计算快、便于敏感性分析；缺点是分布假设可能错误。
历史模拟法：直接使用历史损失样本，按离散公式计算。优点是无分布假设、直观；缺点是依赖历史数据质量，对极端事件代表性不足。
蒙特卡洛模拟：生成大量情景，按离散公式计算。优点是可灵活设定分布和相关性；缺点是计算量大，且模型风险较高。
极值理论（POT）：对超过阈值的尾部数据用 GPD 拟合，再计算 CVaR。优点是专注于尾部、外推能力强；缺点是需要选择合适阈值，且样本量可能不足。

在编程实现方面，Python 中可使用 scipy.stats 计算参数分布的 CVaR，或使用 numpy 对历史样本排序后按公式计算。对于大规模组合，推荐使用 Rockafellar-Uryasev 的线性规划形式，因为它可以方便地嵌入优化框架，同时求解最优权重和 CVaR。

  一致性风险度量的意义：CVaR 满足次可加性，意味着分散化投资必然不会增加 CVaR。这一性质使得 CVaR 成为投资组合优化的理想目标函数——当我们在多个资产间分配权重时，最小化组合 CVaR 可以自然地实现风险分散。相比之下，VaR 可能违背次可加性，导致优化结果鼓励集中持仓，这与风险管理的基本直觉相悖。