2、风险基础概念：方差、标准差、协方差、相关系数、风险度量（VaR、CVaR）的回顾与对比
在构建风险预算与边际风险贡献分析框架之前，我们必须先统一度量风险的“语言”。金融风险的本质是未来收益相对于预期的不确定性，而方差、标准差、协方差、相关系数构成了描述这种不确定性的基础数学工具。随后，VaR（在险价值）与CVaR（条件在险价值）则从分位数和尾部期望的角度，将这种不确定性转化为可决策的资本数字。本节将系统回顾这些概念的内在逻辑、计算方式与适用边界，为后续章节的风险分解奠定坚实的数理基础。
2.1 方差与标准差：风险的基础度量
核心原理：方差（Variance）衡量资产收益率与其期望值的平均偏离平方，公式为 σ² = E[(r - μ)²]。标准差（Standard Deviation）是方差的平方根，其最大优势在于与收益率保持同一量纲，因此被广泛称为“波动率”。在投资组合语境中，标准差直接反映了收益的分散程度——标准差越大，收益的不确定性越高，风险越大。
判断方法与操作流程：在实际计算中，我们通常使用样本数据估计总体参数。对于历史收益率序列 r₁, r₂, ..., rₙ，样本方差的计算步骤为：
- 计算样本均值：μ = (1/n) Σ rᵢ
- 计算每个观测值与均值的差：dᵢ = rᵢ - μ
- 求平方和并除以 (n-1) 得到无偏估计：σ² = Σ dᵢ² / (n-1)
- 取平方根得到样本标准差：σ = √σ²
案例拆解：假设某债券基金近5个月收益率分别为 1.2%、-0.8%、0.5%、1.8%、-0.3%。均值 μ = (1.2 - 0.8 + 0.5 + 1.8 - 0.3)/5 = 0.48%。各偏差平方和为 (0.72² + (-1.28)² + 0.02² + 1.32² + (-0.78)²) = 0.5184 + 1.6384 + 0.0004 + 1.7424 + 0.6084 = 4.508。样本方差 = 4.508/4 = 1.127，标准差 = √1.127 ≈ 1.06%。这意味着该基金月度收益率的典型波动幅度约为1.06个百分点。
2.2 协方差与相关系数：资产间的联动度量
核心原理：协方差（Covariance）度量两个资产收益率同向变动的程度，公式为 Cov(rᵢ, rⱼ) = E[(rᵢ - μᵢ)(rⱼ - μⱼ)]。协方差为正表示两资产倾向于同涨同跌，为负则表示反向变动。但协方差的数值大小受各自方差影响，难以直接比较。相关系数（Correlation Coefficient）通过除以两资产标准差的乘积实现标准化：ρᵢⱼ = Cov(rᵢ, rⱼ) / (σᵢ·σⱼ)，取值范围严格限制在 [-1, 1] 之间。
判断方法：相关系数的解读非常直观——ρ = 1 表示完全正相关，ρ = -1 表示完全负相关，ρ = 0 表示无线性相关。在组合管理中，相关系数是分散化效果的核心决定因素：相关系数越低，组合风险分散效果越好。
| 指标 | 公式 | 取值范围 | 量纲 | 核心用途 |
|---|---|---|---|---|
| 方差 | E[(r-μ)²] | [0, +∞) | 收益率的平方 | 单一资产风险度量 |
| 标准差 | √方差 | [0, +∞) | 与收益率相同 | 波动率、风险预算基础 |
| 协方差 | E[(rᵢ-μᵢ)(rⱼ-μⱼ)] | (-∞, +∞) | 收益率乘积 | 组合方差计算 |
| 相关系数 | Cov/(σᵢ·σⱼ) | [-1, 1] | 无量纲 | 分散化效果评估 |
实战场景：假设组合中股票A（σ=20%）与债券B（σ=8%）的协方差为 -0.0024，则相关系数 ρ = -0.0024 / (0.20 × 0.08) = -0.15。负相关意味着当股票下跌时债券往往上涨，这为组合提供了天然的缓冲。若将60%资金配置A、40%配置B，组合方差 σ²p = 0.36×0.04 + 0.16×0.0064 + 2×0.6×0.4×(-0.0024) = 0.0144 + 0.001024 - 0.001152 = 0.014272，组合标准差 ≈ 11.95%，显著低于各资产标准差的加权平均（0.6×20% + 0.4×8% = 15.2%），这正是分散化的价值体现。
2.3 VaR（在险价值）：分位数视角的风险度量
核心原理：VaR（Value at Risk）回答的问题是：“在给定置信水平 α（如95%或99%）下，投资组合在未来特定持有期内可能遭受的最大损失是多少？”数学上，VaR是损失分布的分位数：P(L ≤ VaR) = α。例如，日VaR(95%) = 100万元，意味着有95%的把握认为单日损失不会超过100万元，或者说有5%的概率损失会超过100万元。
计算方法与流程：VaR的计算主要有三种方法：
- 历史模拟法：直接使用历史收益率数据，取第(1-α)分位数的损失值。优点是不假设分布形态，缺点是依赖历史数据长度和质量。
- 参数法（方差-协方差法）：假设收益率服从正态分布，VaR = -μ + z_α × σ，其中z_α为标准正态分布的α分位数（95%对应1.645，99%对应2.326）。计算简便但假设过强。
- 蒙特卡洛模拟法：设定随机过程参数，生成大量模拟路径，计算模拟损失分布的分位数。灵活性最高但计算量大。
案例拆解：某投资组合日收益率均值 μ=0.02%，标准差 σ=1.5%。采用参数法计算95%置信水平的日VaR：VaR(95%) = -0.02% + 1.645 × 1.5% = 2.4475%。若组合市值1亿元，则VaR金额 = 1亿 × 2.4475% = 244.75万元。这意味着在正常市场条件下，该组合有95%的概率单日损失不超过244.75万元。
2.4 CVaR（条件在险价值）：尾部期望的补充度量
核心原理：CVaR（Conditional VaR），又称Expected Shortfall（ES），度量的是“当损失超过VaR阈值时的平均损失水平”。数学定义为 CVaR_α = E[L | L ≥ VaR_α]。CVaR天然地弥补了VaR的缺陷——它不仅告诉我们“最坏情况的分位点在哪里”，还告诉我们“一旦突破分位点，平均会亏多少”。
对比分析：CVaR满足次可加性、单调性、正齐次性和平移不变性，是一致性风险度量（Coherent Risk Measure）。这使得CVaR在组合优化和风险预算分配中具有更好的数学性质。从计算角度看，CVaR可以通过排序损失数据后，对尾部损失取平均得到。
| 对比维度 | VaR | CVaR |
|---|---|---|
| 数学定义 | 损失分布的分位数 | 尾部损失的期望值 |
| 尾部信息 | 不提供分位点之后的损失信息 | 完整反映尾部平均损失 |
| 次可加性 | 不满足 | 满足 |
| 计算稳定性 | 对样本量敏感，分位数估计方差大 | 尾部平均更稳定 |
| 优化友好性 | 非凸、不可微 | 凸函数，便于线性规划求解 |
| 监管应用 | 巴塞尔II/III内部模型法 | 巴塞尔III市场风险新标准（ES） |
实战场景：假设某对冲基金策略的日损失分布尾部数据（超过95%分位点的损失）为：-3.2%、-4.1%、-5.5%、-7.8%、-12.3%。若VaR(95%) = -3.2%，则CVaR(95%) = (-3.2% - 4.1% - 5.5% - 7.8% - 12.3%)/5 = -6.58%。这意味着一旦触发尾部风险，平均损失高达6.58%，远超VaR阈值。这一信息对于设定杠杆率和止损线至关重要。
2.5 概念对比与选择框架
核心原理：不同风险度量工具服务于不同决策场景。方差/标准差适合描述收益的对称波动，是马科维茨均值-方差框架的基础；协方差/相关系数是组合构建和风险分解的核心输入；VaR适合监管报告和简单的风险限额设定；CVaR则更适合尾部风险管理和组合优化。
选择判断流程：
- 若目标是组合构建与资产配置：优先使用标准差和相关系数，计算有效前沿。
- 若目标是监管合规或资本计量：遵循监管要求，巴塞尔协议当前推荐使用97.5%置信水平的ES（即CVaR）。
- 若目标是内部风险限额与预警：VaR直观易懂，适合作为日常监控指标，但需配合CVaR作为补充。
- 若目标是极端风险管理和压力测试：CVaR结合情景分析，关注尾部损失的期望值。
总结复盘：风险度量工具没有的优劣，关键在于匹配应用场景。方差-协方差体系提供了完整的组合风险分解框架，是风险预算和边际风险贡献分析的理论基石；VaR和CVaR则从损失分布的角度提供了更贴近资本管理的风险语言。在实际工作中，建议构建“标准差（日常波动）+ VaR（限额管理）+ CVaR（尾部监控）”的三层风险度量体系，既覆盖常规波动，又兼顾极端尾部风险。