3、传统VaR模型回顾：VaR的基本概念、参数选择（置信水平、持有期）、历史模拟法、参数法、蒙特卡洛模拟法及其局限性

在深入流动性调整风险价值（Liquidity-Adjusted VaR，LVaR）模型之前，必须首先夯实传统风险价值（Value at Risk，VaR）的理论基础。VaR 是现代金融风险管理的基石，其核心思想是将复杂的投资组合风险压缩为一个简单的数字——在给定置信水平下、特定持有期内可能发生的最大损失。然而，传统 VaR 模型在度量风险时隐含了一个关键假设：资产可以在当前市场价格水平下无限量、即时地变现。这一假设在正常市场环境下近似成立，但在压力情景下往往失效。本章将系统回顾传统 VaR 的数学定义、参数选择逻辑、三种主流计算方法（历史模拟法、参数法、蒙特卡洛模拟法）的数学原理与操作流程，并重点剖析其固有的局限性，为后续引入流动性调整奠定理论基础。

传统VaR模型框架与局限性总览 VaR 核心定义 P(L ≤ VaR) = 1 - α 参数选择 置信水平 α（95%/99%）与持有期 T 三种计算方法 历史模拟法 非参数法 使用历史收益率分位数 参数法（方差-协方差） 假设正态分布 VaR = Zα · σ · √T 蒙特卡洛模拟 随机路径生成 适用于非线性衍生品 传统 VaR 的四大局限性 ① 忽略流动性风险：假设可按市价无限量即时变现 ② 尾部风险低估：正态分布假设低估极端事件（厚尾现象） ③ 不满足次可加性：组合VaR可能大于各资产VaR之和，违背分散化原理 ④ 静态视角：基于历史数据或固定参数，无法捕捉市场状态切换与动态相关性

上图展示了传统 VaR 模型的整体框架。从核心定义出发，模型需要确定置信水平与持有期两个关键参数，进而选择三种计算方法之一进行风险度量。然而，无论选择哪种方法，传统 VaR 都面临四大共性局限，其中“忽略流动性风险”正是本课程后续章节要重点突破的方向。下面逐一展开论述。

3.1 VaR 的基本概念与数学定义

核心原理：VaR（Value at Risk）的数学定义可表述为：在给定置信水平 \(1-\alpha\)（如 95% 或 99%）和持有期 \(T\) 内，投资组合可能遭受的最大损失。形式化地，设投资组合在持有期内的损失随机变量为 \(L\)，则 VaR 满足：

P(L ≤ VaR) = 1 - α

换言之，VaR 是损失分布的分位数。例如，95% 置信水平下的 VaR 意味着有 95% 的把握认为损失不会超过该数值，而 5% 的概率可能超过。VaR 的单位通常为货币单位（如美元、人民币），也可表示为收益率形式。

判断方法：理解 VaR 需要把握三个维度：

  • 概率维度：置信水平越高，VaR 值越大，对风险的覆盖越保守。
  • 时间维度：持有期越长，收益波动累积越大，VaR 值通常按 \(\sqrt{T}\) 比例放大（在独立同分布假设下）。
  • 组合维度：VaR 可以针对单一资产、资产组合或整个交易台计算，组合 VaR 需考虑资产间的相关性。
关键提示：VaR 并非最大可能损失，而是“在给定置信水平下的最大损失阈值”。尾部风险（超过 VaR 的损失）不在 VaR 的度量范围内，这正是后续 CVaR（条件风险价值）模型试图弥补的缺陷。

3.2 参数选择：置信水平与持有期

核心原理：置信水平 \(\alpha\) 和持有期 \(T\) 是 VaR 模型的两个核心参数，它们的选择直接影响 VaR 数值的大小和模型的实际用途。

参数 典型取值 适用场景 选择逻辑
置信水平 95%、99%、99.5% 银行内部风控（95%）、监管资本计量（99%）、清算所保证金（99.5%） 置信水平越高，对极端风险的覆盖越充分，但 VaR 估计的统计误差也越大
持有期 1天、10天、1个月 交易台日常监控（1天）、监管资本（10天）、长期投资组合（1个月） 持有期越长，流动性风险暴露越明显；需与资产变现周期匹配

操作流程：在实际应用中，参数选择需遵循以下步骤：

  1. 明确用途：内部风控限额、监管资本计提、绩效评估还是信息披露？不同用途对应不同的置信水平。
  2. 评估资产流动性：持有期应不小于资产正常变现所需的时间。例如，国债通常 1 天即可变现，而私募股权可能需要数月。
  3. 考虑数据可得性：持有期越长，所需的历史数据窗口越长，否则样本量不足会导致估计偏差。
  4. 压力测试校准：在极端市场环境下，可临时提高置信水平或缩短持有期以反映风险加剧。
常见误区：部分机构为了追求“低风险”指标而选择过低的置信水平（如 90%），这会导致 VaR 低估尾部风险。监管机构通常要求至少 99% 的置信水平用于资本计量。

3.3 历史模拟法

核心原理：历史模拟法（Historical Simulation）是一种非参数方法，它直接使用资产在过去一段时间内的实际收益率分布来估计 VaR。其核心假设是：历史收益率的分布可以代表未来的收益率分布。

操作流程：

  1. 数据收集：获取资产在过去 N 个交易日（如 250 天）的每日收益率序列 \(r_1, r_2, ..., r_N\)。
  2. 组合重构：将当前投资组合的权重应用于历史收益率序列，计算每个历史时点的组合收益率。
  3. 排序与分位数：将 N 个组合收益率按升序排列，取第 \(\lfloor N \times \alpha \rfloor\) 个收益率作为 VaR 估计值。
  4. 输出结果：VaR = -（该分位数收益率）× 当前组合市值。

案例拆解：假设某投资组合当前市值为 1 亿元，过去 250 个交易日的日收益率数据已收集。若置信水平为 95%，则需找到排序后第 12.5 个（250×5%=12.5）收益率。若该收益率为 -2.3%，则 VaR = 1亿 × 2.3% = 230 万元。这意味着有 95% 的把握认为该组合在下一个交易日的损失不会超过 230 万元。

优点：无需假设收益率服从特定分布，能捕捉厚尾和非对称特征；计算简单，易于实现。
缺点：对历史数据依赖性强，若历史期间未包含极端事件，则 VaR 会低估风险；样本量不足时分位数估计不稳定。

3.4 参数法（方差-协方差法）

核心原理：参数法（Parametric Method）假设资产收益率服从正态分布（或对数正态分布），通过估计收益率的均值和标准差来计算 VaR。对于单一资产，VaR 的计算公式为：

VaR = Zα · σ · √T · V

其中，\(Z_\alpha\) 是标准正态分布在置信水平 \(\alpha\) 下的分位数（95% 对应 1.645，99% 对应 2.326），\(\sigma\) 是日收益率的标准差，\(T\) 是持有期（天），\(V\) 是组合当前市值。

操作流程：

  1. 参数估计：计算资产收益率的历史均值 \(\mu\) 和标准差 \(\sigma\)。
  2. 组合方差计算：对于多资产组合，需计算协方差矩阵 \(\Sigma\)，组合方差为 \(\sigma_p^2 = w^T \Sigma w\)，其中 \(w\) 为权重向量。
  3. VaR 计算：代入公式 \(VaR = Z_\alpha \cdot \sigma_p \cdot \sqrt{T} \cdot V\)。

案例拆解：某股票型基金持有两只股票 A 和 B，权重分别为 60% 和 40%。A 的日波动率为 1.5%，B 的日波动率为 2.0%，两者相关系数为 0.3。组合日波动率计算如下：

σ_p² = (0.6)²×(1.5%)² + (0.4)²×(2.0%)² + 2×0.6×0.4×0.3×1.5%×2.0%
     = 0.000081 + 0.000064 + 0.0000432 = 0.0001882
σ_p = √0.0001882 ≈ 1.372%

若基金市值为 5000 万元，置信水平 99%（Z=2.326），持有期 1 天，则 VaR = 2.326 × 1.372% × 5000万 ≈ 159.6 万元。

关键局限：正态分布假设在金融收益率中往往不成立。实际收益率分布通常具有“厚尾”特征，即极端事件发生的概率远高于正态分布预测。这导致参数法在 99% 置信水平下可能严重低估风险。

3.5 蒙特卡洛模拟法

核心原理：蒙特卡洛模拟法（Monte Carlo Simulation）通过生成大量随机价格路径来模拟投资组合的未来收益分布，进而计算 VaR。它不局限于正态分布假设，可以灵活设定收益率的随机过程（如几何布朗运动、跳跃扩散过程等）。

操作流程：

  1. 设定随机过程：选择适合资产价格演变的随机模型，如 \(dS_t = \mu S_t dt + \sigma S_t dW_t\)（几何布朗运动）。
  2. 参数校准：从历史数据中估计漂移率 \(\mu\) 和波动率 \(\sigma\)。
  3. 随机路径生成：使用随机数生成器产生 M 条（如 10,000 条）未来价格路径，每条路径对应一个持有期末的组合价值。
  4. 损失分布构建：计算每条路径下的组合损益，形成 M 个损益样本。
  5. 分位数提取：将损益样本排序，取第 \(\lfloor M \times \alpha \rfloor\) 个值作为 VaR 估计。

案例拆解：某衍生品交易台需要对一个包含期权和债券的复杂组合计算 10 天 99% VaR。由于期权具有非线性收益特征，参数法无法准确刻画。交易台选择蒙特卡洛模拟：设定 10,000 条模拟路径，假设标的资产价格服从几何布朗运动，波动率从历史数据校准为年化 25%。模拟完成后，将 10,000 个组合损益排序，取第 100 个（10,000×1%）最差的损益作为 VaR。若该值为 -850 万元，则 10 天 99% VaR 为 850 万元。

优点：灵活性极高，可处理非线性、路径依赖型衍生品；可扩展至多因子模型、跳跃扩散等复杂设定。
缺点：计算量大，耗时较长；模型风险高——若随机过程设定错误，模拟结果将产生系统性偏差；随机数质量影响结果稳定性。

3.6 传统 VaR 模型的局限性总结

核心原理：尽管 VaR 已成为金融风险管理的行业标准，但其固有缺陷在 2008 年金融危机中暴露无遗。理解这些局限性是引入流动性调整的前提。

局限性 具体表现 后果
忽略流动性风险 假设资产可按当前市价无限量即时变现 在压力市场中，实际变现价格远低于市价，导致实际损失远超 VaR
尾部风险低估 正态分布假设低估极端事件概率 99% VaR 在危机中频繁被突破
不满足次可加性 组合 VaR 可能大于各资产 VaR 之和 违背分散化原理，阻碍风险限额的合理分配
静态视角 基于历史数据或固定参数，无法捕捉市场状态切换 在波动率突变时期，VaR 反应滞后

实战场景：2020 年 3 月新冠疫情引发的市场动荡中，许多投资组合的 99% VaR 在单日内被突破。原因在于：市场流动性急剧枯竭，债券买卖价差扩大至正常水平的 10 倍以上，而传统 VaR 模型假设买卖价差为零。这直接导致多家对冲基金遭遇“流动性螺旋”——被迫折价抛售资产，进一步压低价格，形成恶性循环。

总结复盘：传统 VaR 的四大局限并非相互独立。流动性风险与尾部风险往往同时爆发——市场下跌导致流动性收缩，流动性收缩加剧价格下跌。因此，后续章节引入的 LVaR 模型并非简单地在 VaR 上“加一个流动性溢价”，而是需要从市场流动性（买卖价差）和融资流动性（资金可得性）两个维度对传统 VaR 进行系统性修正。
← 上一章 📖 返回目录 下一章 →