3、参数法VaR（方差-协方差法）
参数法VaR，又称方差-协方差法，是量化风控中最经典、计算速度最快的VaR估计方法。其核心思想是：假设资产收益率服从多元正态分布，从而将VaR计算转化为投资组合方差与置信水平分位数的代数运算。在低延迟交易系统中，参数法因其解析解特性，成为实时风险监控的首选。
3.1 正态分布假设
参数法VaR建立在以下关键假设之上：
- 收益率正态性：单个资产的对数收益率 \( r_i \sim \mathcal{N}(\mu_i, \sigma_i^2) \)
- 线性相关性：资产间收益率关系由协方差矩阵 \( \Sigma \) 完全描述
- 组合正态性：投资组合收益率是各资产收益率的线性组合，因此也服从正态分布
⚠ 正态假设的局限性：实际金融收益率常呈现“尖峰厚尾”特征，正态假设会低估极端损失。但在低延迟场景下，正态假设带来的计算效率优势远大于模型误差，且可通过后续章节的“波动率衰减加权”进行修正。
3.2 投资组合方差计算
设投资组合由 \( n \) 个资产构成，权重向量为 \( \mathbf{w} = [w_1, w_2, ..., w_n]^T \)，协方差矩阵为：
\[ \Sigma = \begin{bmatrix} \sigma_1^2 & \sigma_{12} & \cdots & \sigma_{1n} \\ \sigma_{21} & \sigma_2^2 & \cdots & \sigma_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ \sigma_{n1} & \sigma_{n2} & \cdots & \sigma_n^2 \end{bmatrix} \]投资组合方差的计算公式为：
\[ \sigma_p^2 = \mathbf{w}^T \Sigma \mathbf{w} = \sum_{i=1}^n \sum_{j=1}^n w_i w_j \sigma_{ij} \]其中 \( \sigma_{ij} = \rho_{ij} \sigma_i \sigma_j \)，\( \rho_{ij} \) 为资产 \( i \) 与 \( j \) 的相关系数。
| 参数 | 符号 | 说明 |
|---|---|---|
| 资产权重 | \( w_i \) | 第 \( i \) 个资产在组合中的市值占比 |
| 方差 | \( \sigma_i^2 \) | 第 \( i \) 个资产收益率的波动平方 |
| 协方差 | \( \sigma_{ij} \) | 资产 \( i \) 与 \( j \) 收益率的协同波动 |
| 相关系数 | \( \rho_{ij} \) | 标准化后的线性相关度量，\( -1 \leq \rho_{ij} \leq 1 \) |
3.3 参数法公式推导
根据正态分布性质，投资组合收益率 \( r_p \sim \mathcal{N}(\mu_p, \sigma_p^2) \)。在置信水平 \( \alpha \) 下，VaR定义为：
\[ \text{VaR}_\alpha = -\left( \mu_p + z_\alpha \cdot \sigma_p \right) \cdot V \]其中：
- \( \mu_p = \mathbf{w}^T \boldsymbol{\mu} \)：组合期望收益率
- \( z_\alpha \)：标准正态分布在置信水平 \( \alpha \) 下的左尾分位数（例如 \( \alpha=95\% \) 时 \( z_{0.95} = -1.645 \)）
- \( \sigma_p = \sqrt{\mathbf{w}^T \Sigma \mathbf{w}} \)：组合标准差
- \( V \)：组合当前市值
低延迟优化要点：在实际系统中，通常假设 \( \mu_p = 0 \)（短期均值归零），公式简化为 \( \text{VaR}_\alpha = -z_\alpha \cdot \sigma_p \cdot V \)。这避免了期望收益率的估计误差，同时减少一次矩阵乘法。
将方差公式代入，得到参数法VaR的完整展开式：
\[ \text{VaR}_\alpha = -z_\alpha \cdot V \cdot \sqrt{\sum_{i=1}^n \sum_{j=1}^n w_i w_j \rho_{ij} \sigma_i \sigma_j} \]3.4 边际VaR与成分VaR
参数法天然支持风险归因，通过偏导数计算每个资产对总VaR的贡献：
| 归因指标 | 公式 | 含义 |
|---|---|---|
| 边际VaR | \( \text{MVaR}_i = \frac{\partial \text{VaR}}{\partial w_i} = -z_\alpha \cdot \frac{\sum_j w_j \sigma_{ij}}{\sigma_p} \cdot V \) | 增加单位权重带来的VaR变化 |
| 成分VaR | \( \text{CVaR}_i = w_i \cdot \text{MVaR}_i \) | 该资产对总VaR的绝对贡献 |
| 百分比贡献 | \( \%\text{CVaR}_i = \frac{\text{CVaR}_i}{\text{VaR}} \times 100\% \) | 各资产风险占比，总和为100% |
低延迟归因实现：边际VaR的计算只需一次矩阵-向量乘法 \( \Sigma \mathbf{w} \)，可在组合方差计算过程中同步完成。在C++/Rust实现中，将协方差矩阵按列存储（column-major），利用SIMD指令并行计算，单次归因可在纳秒级完成。
3.5 参数法VaR的优缺点对比
| 维度 | 优势 | 劣势 |
|---|---|---|
| 计算速度 | 解析解，O(n²) 矩阵乘法即可完成 | n很大时（>1000）矩阵乘法仍可能成为瓶颈 |
| 模型复杂度 | 公式简洁，易于实现和调试 | 依赖正态假设，无法捕捉厚尾风险 |
| 归因能力 | 解析梯度，边际/成分VaR可直接计算 | 非线性衍生品需Delta近似 |
| 数据需求 | 仅需协方差矩阵和权重 | 协方差矩阵估计本身存在误差 |
| 低延迟适配 | 可预计算协方差矩阵，运行时仅做标量运算 | 协方差矩阵更新频率需权衡 |
低延迟最佳实践：在生产系统中，协方差矩阵通常以 EWMA（指数加权移动平均） 方式增量更新，避免每次全量重算。矩阵存储采用 压缩对称格式，仅存储上三角或下三角部分，减少内存带宽消耗。对于100只股票以内的组合，参数法VaR可在 1微秒 内完成计算与归因。