VaR 计算方法概览：参数法、历史模拟法、蒙特卡洛模拟法
在绩效归因训练集切分之前，必须理解三种核心 VaR 计算方法的数学原理与适用边界。不同方法对数据分布假设、样本长度、计算效率的要求截然不同，直接影响训练集的时间窗口选择与特征工程策略。
1. 参数法（方差-协方差法）
参数法假设资产收益率服从某种已知的概率分布（通常为正态分布或 t 分布），通过估计分布的参数（均值 μ、标准差 σ）来推导 VaR。
- 核心公式：VaR(α) = μ − σ · zα，其中 zα 为置信水平 α 对应的分位数（如 95% → 1.645，99% → 2.326）
- 关键假设：收益率正态性、线性相关性、市场波动稳定
- 计算效率：极高，仅需协方差矩阵一次分解
- 适用场景：流动性好的标准化资产、短期风险敞口监控、组合规模大且需快速迭代
训练集切分提示：参数法对极端尾部事件不敏感，训练集应包含至少 250 个交易日（约 1 年）以稳定协方差估计；若市场出现结构性突变，需引入衰减因子或滚动窗口。
2. 历史模拟法
历史模拟法不假设任何分布，直接使用资产收益率的历史经验分布来估计 VaR。将历史收益率排序后，取对应分位数的实际观测值。
- 核心步骤：收集历史收益率序列 → 排序 → 取第 (1−α)×N 个观测值
- 关键假设：历史会重复，市场波动模式具有时间稳定性
- 计算效率：中等，依赖历史数据长度与排序算法
- 适用场景：资产收益率分布非正态、存在厚尾或偏态、监管合规报告（巴塞尔协议推荐）
训练集切分风险：历史模拟法对样本长度极其敏感。样本过短（< 500 个交易日）会导致分位数估计方差过大；样本过长（> 5 年）可能包含已失效的市场结构。建议采用滚动窗口 + 衰减权重进行改进。
3. 蒙特卡洛模拟法
蒙特卡洛模拟法通过随机生成大量价格路径，模拟资产组合在未来的可能损益分布，从而计算 VaR。可灵活嵌入任意随机过程与复杂衍生品定价模型。
- 核心步骤：设定随机过程（如几何布朗运动）→ 生成 N 条路径 → 计算每条路径的损益 → 取分位数
- 关键假设：随机过程设定正确、参数估计稳定、模拟次数足够
- 计算效率：低，单次模拟需 10,000–100,000 条路径
- 适用场景：含期权/奇异衍生品、非线性风险暴露、压力测试与情景分析
训练集切分策略：蒙特卡洛模拟的训练集主要用于校准随机过程的参数（波动率、均值回复速度、跳跃强度等）。训练集应覆盖完整的市场周期（牛、熊、震荡），避免仅使用低波动期数据导致参数低估。
4. 三种方法对比总表
| 对比维度 | 参数法 | 历史模拟法 | 蒙特卡洛模拟法 |
|---|---|---|---|
| 分布假设 | 正态 / t 分布 | 无（经验分布） | 自定义随机过程 |
| 尾部风险捕捉 | 弱（正态假设低估尾部） | 中等（依赖历史尾部） | 强（可设定跳跃/厚尾） |
| 计算速度 | 极快（秒级） | 快（分钟级） | 慢（小时级） |
| 数据需求 | 协方差矩阵 + 均值 | 历史收益率序列 | 随机过程参数 |
| 训练集最小长度 | 250 个交易日 | 500–1000 个交易日 | 取决于参数稳定性 |
| 绩效归因适用性 | 线性因子归因 | 非参数归因 | 全路径归因 |
5. 三种方法选择决策流程
6. 训练集切分与 VaR 方法的联动关系
在绩效归因训练集切分中，VaR 计算方法的选择直接决定以下三个关键设计维度：
- 时间窗口长度：参数法最短（250 日），历史模拟法最长（500–1000 日），蒙特卡洛法居中但需参数校准期
- 数据频率：参数法与历史模拟法通常使用日频数据；蒙特卡洛法可支持日内高频或周频
- 特征工程复杂度：参数法只需协方差矩阵与均值向量；历史模拟法需完整收益率序列；蒙特卡洛法需随机过程参数与路径生成逻辑
实践建议：对于绩效归因训练集，建议采用“混合策略”——使用历史模拟法作为基准 VaR 估计，同时用参数法做快速敏感性分析，蒙特卡洛法用于压力测试场景。训练集切分时，为每种方法预留独立的验证集以评估 VaR 回测表现。