📚 课程目录第4章历史模拟法VaR

4. 历史模拟法VaR：经验分布构建、排序与分位数提取、优缺点分析

历史模拟法（Historical Simulation, HS）是计算VaR最直观的非参数方法。它不假设资产收益服从任何特定分布（如正态分布），而是直接使用历史收益数据来模拟未来的可能损益分布。其核心思想是：历史会重演，过去一段时间的收益变化模式，可以作为预测未来风险的基础。

4.1 经验分布构建

构建经验分布是历史模拟法的第一步。我们需要收集资产或组合在历史观测期内的每日收益率序列。

  核心步骤： 将历史收益率按时间顺序排列，每个历史收益率都被视为未来可能发生的一个“情景”。这些情景共同构成了未来的经验分布。

假设我们有一个包含 N 个历史收益率的样本：r₁, r₂, ..., r_N。对于当前投资组合价值 V₀，每个历史情景对应的模拟损益为：

ΔV_i = V_0 × r_i   (对于 i = 1, 2, ..., N)

这 N 个模拟损益值 ΔV₁, ΔV₂, ..., ΔV_N 就构成了未来损益的经验分布。这个分布没有预设的数学形式，完全由历史数据驱动。

4.2 排序与分位数提取

得到经验分布后，我们需要从中提取特定置信水平下的VaR值。这通过排序和分位数提取完成。

排序： 将 N 个模拟损益值 ΔV_i 从小到大（即从最坏到最好）进行排序，得到排序后的序列：ΔV₍₁₎ ≤ ΔV₍₂₎ ≤ ... ≤ ΔV_(N)。
确定分位数位置： 对于置信水平 c（例如 95% 或 99%），VaR对应的是左侧尾部的第 (1-c) 分位数。分位数位置 k 的计算公式为：
```
k = floor((1 - c) × N)  或   k = ceil((1 - c) × N)
```
其中 floor 表示向下取整，ceil 表示向上取整。不同的取整方法会导致VaR值略有差异。
提取VaR： 排序后序列中第 k 个最小的损益值即为VaR：
```
VaR(c) = -ΔV_(k)
```
通常VaR以正数表示损失，因此取负号。例如，如果排序后第50个最小的损益是 -100万元，那么95%的VaR就是100万元。

示例： 假设有 N=1000 个历史损益数据，置信水平 c=99%。则 (1-c)×N = 0.01×1000 = 10。VaR(99%) 就是排序后第10个最差的损益值的绝对值。

下表总结了不同置信水平下，分位数位置的确定方法：

置信水平 (c)	尾部概率 (1-c)	样本量 (N)	分位数位置 (k)	VaR提取
95%	5%	500	25 (0.05×500)	-ΔV₍₂₅₎
99%	1%	1000	10 (0.01×1000)	-ΔV₍₁₀₎
99.5%	0.5%	2000	10 (0.005×2000)	-ΔV₍₁₀₎

4.3 历史模拟法VaR流程图

下图展示了历史模拟法计算VaR的完整流程：

4.4 优缺点分析

历史模拟法因其简单直观而广受欢迎，但也存在明显的局限性。下表对其优缺点进行了系统对比：

维度	优点	缺点
模型假设	无需假设收益分布形态，完全由数据驱动，能捕捉厚尾、偏斜等真实特征	隐含假设“历史会重演”，无法预测结构性变化或从未发生过的极端事件
计算实现	计算简单，易于理解和实现，无需复杂的参数估计	需要大量历史数据（通常至少250-500个观测值），数据存储和排序计算成本较高
尾部风险	能够自然反映历史中的极端损失，无需额外处理尾部	尾部估计完全依赖于历史样本中是否包含极端事件；若历史期未发生“黑天鹅”，VaR会严重低估风险
时效性	对市场波动变化有一定适应性（通过滚动窗口更新数据）	对近期市场变化反应迟钝，等权重处理所有历史数据，旧数据可能稀释近期波动信息
分位数稳定性	分位数提取方法直接，结果可重复	VaR估计值对样本区间选择敏感，不同起始点可能导致结果差异较大；分位数位置取整方式也会影响结果

4.5 历史模拟法的关键局限与改进方向

历史模拟法的主要局限在于其对历史数据的“等权重”处理和尾部数据稀疏性问题。下图展示了这些局限以及常见的改进思路：

实践警示： 在使用历史模拟法时，务必检查历史数据是否覆盖了完整的市场周期（包括牛市、熊市和危机时期）。如果历史窗口恰好处于低波动期，VaR会系统性低估真实风险。建议至少使用3-5年的日度数据，并定期回测验证VaR模型的准确性。

4.6 代码实现示例

以下Python代码展示了如何使用历史模拟法计算单个资产的VaR：

import numpy as np
import pandas as pd

def historical_var(returns, confidence_level=0.95):
    """
    使用历史模拟法计算VaR
    
    参数:
        returns: 历史收益率序列 (numpy array 或 pandas Series)
        confidence_level: 置信水平，默认95%
    
    返回:
        VaR值 (正数表示损失)
    """
    # 假设当前投资组合价值为1，计算模拟损益
    simulated_pnl = returns
    
    # 对损益从小到大排序
    sorted_pnl = np.sort(simulated_pnl)
    
    # 确定分位数位置
    n = len(sorted_pnl)
    index = int(np.ceil((1 - confidence_level) * n)) - 1
    index = max(0, index)  # 确保索引非负
    
    # 提取VaR
    var = -sorted_pnl[index]
    
    return var

# 示例：使用1000个模拟收益率数据
np.random.seed(42)
# 生成具有厚尾特征的t分布收益率
returns = np.random.standard_t(df=3, size=1000) * 0.01

var_95 = historical_var(returns, 0.95)
var_99 = historical_var(returns, 0.99)

print(f"95% VaR (历史模拟法): {var_95:.4f}")
print(f"99% VaR (历史模拟法): {var_99:.4f}")

历史模拟法作为VaR计算的基准方法，其非参数特性使其在金融风控实践中具有不可替代的地位。理解其构建逻辑、分位数提取机制以及内在局限，是进一步学习加权历史模拟法、蒙特卡洛模拟等高级方法的基础。