VaR 基础：定义、置信水平与持有期、数学表达
在风险归因训练集切分之前，必须建立对风险度量核心工具——在险价值（Value at Risk, VaR）的精确理解。VaR 是金融风控与量化领域最广泛使用的风险计量指标，它回答一个关键问题：在正常市场条件下，给定持有期与置信水平，资产组合可能遭受的最大损失是多少？
2.1 VaR 的定义
VaR 是一个分位数概念。对于给定的置信水平 \(1-\alpha\)（如 95% 或 99%）和持有期 \(\Delta t\)，VaR 表示在 \(\Delta t\) 时间内，损失超过该数值的概率不超过 \(\alpha\)。数学上，VaR 是损失分布 \(L\) 的 \((1-\alpha)\) 分位数：
\[ \text{VaR}_{1-\alpha}(L) = \inf\{l \in \mathbb{R} : P(L > l) \leq \alpha\} \]通俗理解：“在 99% 的置信水平下，未来 1 天的 VaR 为 100 万元” 意味着：在 100 个交易日中，只有 1 天的损失会超过 100 万元；或者说，有 99% 的把握认为损失不会超过 100 万元。
2.2 置信水平与持有期
VaR 的两个核心参数——置信水平和持有期——决定了 VaR 的数值与用途。不同参数组合适用于不同场景：
| 参数 | 典型取值 | 适用场景 | 对 VaR 的影响 |
|---|---|---|---|
| 置信水平 | 95%、99%、99.9% | 监管资本（99%）、内部风控（95%）、压力测试（99.9%） | 置信水平越高，VaR 越大（尾部更极端） |
| 持有期 | 1 天、10 天、1 个月 | 交易台（1 天）、巴塞尔协议（10 天）、长期投资（1 个月） | 持有期越长，VaR 通常越大（时间平方根缩放） |
2.3 VaR 的数学表达
VaR 的数学形式取决于损失分布假设。以下是三种最常用的表达方式：
2.3.1 参数法（正态分布假设）
假设资产组合收益率 \(R\) 服从正态分布 \(N(\mu, \sigma^2)\)，则持有期 \(\Delta t\) 的 VaR 为：
\[ \text{VaR}_{1-\alpha} = -\mu \Delta t + \sigma \sqrt{\Delta t} \cdot z_{1-\alpha} \]其中 \(z_{1-\alpha}\) 是标准正态分布的 \((1-\alpha)\) 分位数（如 95% 对应 1.645，99% 对应 2.326）。若 \(\mu\) 很小（日收益率均值接近 0），可简化为：
\[ \text{VaR}_{1-\alpha} \approx \sigma \sqrt{\Delta t} \cdot z_{1-\alpha} \]2.3.2 历史模拟法（非参数法）
直接使用历史收益率序列的经验分布：
\[ \text{VaR}_{1-\alpha} = -\text{Percentile}(\{R_1, R_2, \dots, R_n\}, \alpha) \]即取历史收益率序列的第 \(\alpha\) 百分位数的相反数。例如，使用过去 1000 个日收益率，取第 5 百分位数（对应 95% 置信水平）作为 VaR。
2.3.3 蒙特卡洛模拟法
通过随机模拟生成大量未来收益率路径，计算损失分布的分位数：
\[ \text{VaR}_{1-\alpha} = -\text{Percentile}(\{R^{(1)}, R^{(2)}, \dots, R^{(M)}\}, \alpha) \]其中 \(M\) 为模拟次数（通常 10,000 次以上），\(R^{(i)}\) 为第 \(i\) 次模拟的收益率。
- 参数法：计算快，但依赖正态假设，无法捕捉厚尾与偏度。
- 历史模拟法：无分布假设，但依赖历史数据代表性，对极端事件反应滞后。
- 蒙特卡洛法：灵活可处理复杂资产与非线性风险，但计算成本高，依赖模型设定。
2.4 VaR 计算流程与参数关系
下图展示了 VaR 计算的核心流程，以及置信水平、持有期如何影响最终结果：
2.5 VaR 的局限性
VaR 作为风险度量工具存在固有缺陷，在风险归因训练集切分时必须注意：
- 不满足次可加性：在某些分布下，组合 VaR 可能大于各资产 VaR 之和，违背分散化原理。
- 尾部信息缺失：VaR 只给出分位数阈值，不提供超过该阈值的损失规模。
- 对参数敏感：置信水平与持有期的微小变化可能导致 VaR 大幅波动。
- 回测困难：VaR 的验证需要大量历史数据，且异常值检验统计功效较低。