1.1 VaR 基本概念
1.1.1 什么是 VaR？
在险价值（Value at Risk，VaR） 是金融风险管理中最核心的量化指标之一。它回答一个简单但关键的问题：“在给定的置信水平和持有期内，一个投资组合可能遭受的最大损失是多少？”
VaR 并非预测实际损失，而是基于历史数据或统计分布，给出一个在正常市场条件下、特定概率范围内的损失上限。它用一个数字概括了尾部风险，是巴塞尔协议、内部风控模型和资产配置中不可或缺的工具。
💡 核心理解： VaR 不是“最坏情况”，而是“在 X% 的置信水平下，损失不会超过 Y 元”。剩余 (1-X)% 的概率下，损失可能超过 VaR 值，这部分正是“尾部风险”。
1.1.2 置信水平与持有期
VaR 的定义依赖两个关键参数：置信水平 和 持有期。它们共同决定了 VaR 的数值大小和业务含义。
| 参数 | 定义 | 典型取值 | 对 VaR 的影响 |
|---|---|---|---|
| 置信水平 | 损失不超过 VaR 值的概率 | 95%、99%、99.9% | 置信水平越高，VaR 值越大（尾部更极端） |
| 持有期 | 衡量损失的时间窗口 | 1 天、10 天、1 年 | 持有期越长，VaR 值通常越大（时间平方根缩放） |
📌 实务惯例： 巴塞尔协议 III 要求银行使用 99% 置信水平、10 天持有期 计算市场风险资本。对冲基金和自营交易团队则常用 95% 置信水平、1 天持有期 做日常风控。
1.1.3 VaR 的数学表达式
VaR 的数学定义可以统一表示为：
P( L > VaR_α ) = 1 - α其中：
- L 表示在持有期内的损失（正值表示损失）
- α 表示置信水平（如 0.95 或 0.99）
- VaR_α 表示在 α 置信水平下的在险价值
等价地，也可以写成累积分布函数的形式：
VaR_α = -inf{ l ∈ ℝ : F_L(l) ≥ α }其中 F_L(l) 是损失 L 的累积分布函数。这个表达式说明：VaR 是损失分布的第 α 分位数。
对于正态分布假设下的简化计算，VaR 可以表示为：
VaR_α = μ + σ · Φ⁻¹(α)其中：
- μ 为持有期内的预期收益（通常取 0 或很小）
- σ 为持有期内的收益波动率
- Φ⁻¹(α) 为标准正态分布的 α 分位数（如 95% 对应 1.645，99% 对应 2.326）
⚠️ 正态假设陷阱： 实际金融收益分布具有“尖峰厚尾”特征，正态分布会低估尾部风险。使用正态 VaR 时，务必结合回测验证其准确性。
1.1.4 VaR 的三种计算方法
根据对收益分布的处理方式不同，VaR 计算分为三大类：
| 方法 | 原理 | 优点 | 缺点 |
|---|---|---|---|
| 参数法（方差-协方差法） | 假设收益服从正态分布，利用均值和方差计算分位数 | 计算快、公式简洁 | 依赖正态假设，无法捕捉厚尾 |
| 历史模拟法 | 直接使用历史收益的排序分位数 | 无分布假设，真实反映历史尾部 | 依赖历史数据长度，无法预测新风险 |
| 蒙特卡洛模拟法 | 随机生成大量价格路径，计算收益分布分位数 | 可处理复杂衍生品和非线性风险 | 计算量大，依赖随机模型设定 |
1.1.5 VaR 概念关系图
1.1.6 VaR 的局限性与补充指标
VaR 虽然强大，但并非万能。理解其局限性是正确使用 VaR 的前提：
- 不满足次可加性： 在某些分布下，组合的 VaR 可能大于各资产 VaR 之和，违背分散化原理。
- 忽略尾部形状： VaR 只告诉分位数位置，不说明超过 VaR 后的损失有多大。
- 对数据敏感： 历史模拟法下，VaR 对样本区间选择非常敏感，不同窗口可能得出截然不同的结果。
🔍 补充指标： 为弥补 VaR 的不足，业界常同时计算 CVaR（条件在险价值），即超过 VaR 部分的平均损失。CVaR 满足次可加性，能更全面地刻画尾部风险。
1.1.7 VaR 与回测验证的关系
VaR 模型的有效性必须通过 回测验证（Backtesting） 来检验。回测的核心逻辑是：
- 使用历史数据计算 VaR 值
- 对比实际损失是否超过 VaR
- 统计“突破次数”是否在置信水平允许的范围内
例如，对于 99% 置信水平、1 天持有期的 VaR，在 1000 个交易日中，预期突破次数约为 10 次（1000 × 1%）。如果实际突破次数远高于 10 次，说明 VaR 模型低估了风险，需要重新校准。