2. VaR 计算方法概述

在金融风险管理中，VaR（Value at Risk，风险价值）是衡量在特定置信水平和持有期内，资产组合可能遭受的最大预期损失。计算 VaR 的核心在于对资产收益率分布进行建模。根据对分布假设和处理方式的不同，主流方法分为三类：参数法、历史模拟法和蒙特卡洛模拟法。本章将系统阐述这三种方法的原理、计算步骤、适用场景及核心差异。

2.1 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），通过估计分布的参数（均值、方差、协方差）来直接计算 VaR。其核心在于“参数化”风险因子。

2.1.1 核心假设与公式

• 正态分布假设：资产收益率 \( R \sim N(\mu, \sigma^2) \)。
• 线性映射：组合价值变化与风险因子变化呈线性关系。
• VaR 计算公式：\( VaR = - ( \mu \cdot \Delta t + z_{\alpha} \cdot \sigma \cdot \sqrt{\Delta t} ) \cdot P \)，其中 \( z_{\alpha} \) 为标准正态分布下置信水平 \( \alpha \) 对应的分位数（如 95% 对应 1.645，99% 对应 2.326），\( P \) 为组合当前价值。

2.1.2 计算步骤

1. 识别风险因子：确定影响组合价值的市场变量（如利率、汇率、股价）。
2. 估计参数：计算各风险因子的历史收益率均值 \( \mu \) 和方差-协方差矩阵 \( \Sigma \)。
3. 计算组合波动率：\( \sigma_p = \sqrt{ \mathbf{w}^T \Sigma \mathbf{w} } \)，其中 \( \mathbf{w} \) 为权重向量。
4. 代入公式：根据持有期和置信水平计算 VaR。

2.2 历史模拟法

历史模拟法是一种非参数方法，它不假设任何特定的分布形式，而是直接使用历史收益率数据来模拟未来可能的变化。其核心思想是“历史会重演”。

2.2.1 核心原理

• 直接使用历史数据：将过去 N 个交易日的实际收益率序列作为未来可能的情景。
• 排序分位数：将历史损益值按从小到大排序，取第 \( (1-\alpha) \times N \) 个分位数作为 VaR 估计值。
• 无需分布假设：完全依赖经验分布，能自然捕捉厚尾、自相关等真实市场特征。

2.2.2 计算步骤

1. 收集历史数据：获取风险因子过去 N 天的日收益率序列。
2. 计算情景损益：将当前头寸映射到每个历史收益率情景，得到 N 个模拟损益值。
3. 排序：将 N 个损益值从小到大排序。
4. 取分位数：例如 95% 置信水平下，取排序后第 \( 0.05 \times N \) 个位置的损益值（负值）作为 VaR。

2.3 蒙特卡洛模拟法

蒙特卡洛模拟法是一种随机模拟方法，它通过假设风险因子的随机过程（如几何布朗运动），生成大量可能的未来路径，从而构建损益分布。它是最灵活但计算成本最高的方法。

2.3.1 核心原理

• 随机过程假设：通常假设资产价格服从几何布朗运动：\( dS = \mu S dt + \sigma S dW \)，其中 \( dW \) 为维纳过程。
• 大量模拟：生成数千至数万条随机路径，每条路径对应一个未来损益情景。
• 分布构建：将所有情景的损益值汇总，形成经验分布，再取分位数得到 VaR。

2.3.2 计算步骤

1. 设定随机模型：选择风险因子的随机过程并估计参数（\( \mu, \sigma \)）。
2. 生成随机序列：使用伪随机数生成器（如 Mersenne Twister）模拟 \( dW \)，并递推计算未来价格路径。
3. 计算路径损益：对每条路径，计算期末组合价值与当前价值的差值。
4. 汇总与排序：将所有路径的损益值排序，取对应置信水平的分位数。

2.4 三种方法对比

2.5 方法选择流程图

下图展示了在实际风控场景中，如何根据组合特征和计算资源选择最合适的 VaR 计算方法。

2.6 三种方法的数学表达对比

以下代码片段展示了三种方法在 Python 中的核心计算逻辑，便于理解其数学本质。

import numpy as np
from scipy.stats import norm

# 示例数据：假设组合当前价值 P=1e6，日收益率均值 mu=0.0005，日波动率 sigma=0.02
P = 1e6
mu = 0.0005
sigma = 0.02
confidence = 0.95
z = norm.ppf(1 - confidence)  # 95% 置信水平下 z = -1.645

# 1. 参数法 VaR
VaR_param = - (mu + z * sigma) * P
print(f"参数法 VaR (95%): {VaR_param:.2f}")

# 2. 历史模拟法（假设有 500 个历史日收益率数据）
np.random.seed(42)
historical_returns = np.random.normal(mu, sigma, 500)  # 模拟历史数据
historical_PnL = historical_returns * P
historical_PnL_sorted = np.sort(historical_PnL)
index = int((1 - confidence) * len(historical_PnL_sorted))
VaR_hist = -historical_PnL_sorted[index]
print(f"历史模拟法 VaR (95%): {VaR_hist:.2f}")

# 3. 蒙特卡洛模拟法（模拟 10000 条路径）
n_simulations = 10000
dt = 1  # 1 天持有期
random_shocks = np.random.normal(0, sigma * np.sqrt(dt), n_simulations)
simulated_returns = mu * dt + random_shocks
simulated_PnL = simulated_returns * P
simulated_PnL_sorted = np.sort(simulated_PnL)
VaR_mc = -simulated_PnL_sorted[int((1 - confidence) * n_simulations)]
print(f"蒙特卡洛模拟法 VaR (95%): {VaR_mc:.2f}")