4、历史模拟法VaR：历史数据重采样、排序与分位数计算、优缺点分析
历史模拟法（Historical Simulation, HS）是计算VaR最直观的非参数方法。它不假设收益率服从任何特定分布，而是直接使用过去N个交易日的实际收益率数据，通过重采样、排序和分位数提取来估计未来风险。在低延迟环境中，历史模拟法的核心挑战在于：如何高效维护滚动窗口、快速执行部分排序，以及如何在数据更新时避免全量重算。
4.1 核心计算流程
历史模拟法VaR的计算分为三个步骤：历史数据重采样、收益率排序、分位数计算。以下流程图展示了完整的处理链路。
4.2 历史数据重采样与滚动窗口
历史模拟法使用固定长度的滚动窗口。假设当前交易日为T，窗口长度为N（通常为250、500或1000个交易日），则使用从T-N到T-1的收益率数据。
| 窗口长度N | 对应历史跨度 | 适用场景 | 低延迟影响 |
|---|---|---|---|
| 250 | 约1年 | 短期交易台、高频回测 | 排序快，但尾部稳定性差 |
| 500 | 约2年 | 中等持仓期、资管组合 | 内存占用适中，排序可接受 |
| 1000 | 约4年 | 监管资本、长期风险 | 全量排序延迟高，需增量优化 |
重采样实现要点：
- 使用循环缓冲区（circular buffer）存储收益率序列，避免每次滑动时移动大量内存。
- 新数据到达时，覆盖最旧数据的位置，更新尾指针。
- 在低延迟系统中，预分配固定数组，避免动态内存分配。
4.3 排序与分位数计算
排序是历史模拟法中最耗时的步骤。在低延迟环境下，必须避免每次窗口滑动都执行O(N log N)的全量排序。
4.3.1 分位数索引公式
对于置信水平α（如95%、99%），VaR对应的分位数索引为：
k = ceil(α × N) // 从最小端开始计数
VaR = -R(k) // R(k)为排序后第k小的收益率例如，N=500，α=0.99时，k=ceil(0.99×500)=495，VaR取排序后第495小的收益率的相反数。
4.3.2 增量排序策略
当窗口滑动时，只有两个元素发生变化：移除最旧的收益率Rold，加入最新的收益率Rnew。利用这一特性，可以采用增量排序：
// 伪代码：增量更新有序数组
1. 在有序数组中找到R_old的位置，将其删除（O(log N)）
2. 找到R_new的插入位置，将其插入（O(log N)）
3. 直接通过索引k获取VaR值（O(1)）
// 使用平衡二叉搜索树（如std::multiset）
// 或跳表（Skip List）实现O(log N)的插入/删除性能对比：全量排序每次O(N log N)，增量排序每次O(log N)。当N=1000时，增量排序比全量排序快约1000倍，是低延迟VaR计算的核心优化手段。
4.3.3 部分排序优化
如果只关心尾部VaR（如99% VaR），不需要对整个数组排序，只需找到第k小的元素：
// 使用std::nth_element（快速选择算法）
// 平均时间复杂度O(N)，最坏O(N²)
// 适用于窗口滑动后重新计算，但不如增量排序高效
std::nth_element(returns.begin(), returns.begin() + k - 1, returns.end());
double var = -returns[k - 1];4.4 优缺点分析
历史模拟法在实际应用中既有显著优势，也有固有缺陷。以下表格从多个维度进行对比：
| 维度 | 优点 | 缺点 |
|---|---|---|
| 模型假设 | 无分布假设，完全基于历史数据 | 隐含假设“历史会重复”，无法捕捉结构性变化 |
| 实现复杂度 | 逻辑简单，易于理解和验证 | 低延迟下需增量排序优化，增加实现难度 |
| 尾部风险 | 能捕捉历史中的极端事件（如肥尾） | 尾部估计受窗口长度影响大，样本外极端事件无法体现 |
| 计算效率 | 增量排序后可达O(log N)更新 | 全量排序O(N log N)，不适合超大规模组合 |
| 可归因性 | 可直接回溯到具体历史日期，便于解释 | 无法提供敏感性（如Delta、Gamma）归因 |
| 适应性 | 适用于非线性产品、期权组合 | 对市场制度变化（如波动率突变）反应滞后 |
低延迟环境下的避坑指南：
- 不要在每次窗口滑动时调用全量排序——这是最常见的性能陷阱。
- 不要使用链表实现有序序列——缓存不友好，随机访问慢。
- 建议使用数组+跳表或B树变体，兼顾缓存局部性和有序性。
- 建议对VaR置信水平做预计算，避免每次查询都计算ceil(α×N)。
4.5 历史模拟法的变体与改进
为了克服传统历史模拟法的缺点，业界提出了多种改进方案：
- 加权历史模拟法（Weighted HS）：对近期数据赋予更高权重，使用指数衰减权重重新采样，提高对市场变化的响应速度。
- 过滤历史模拟法（Filtered HS）：先使用GARCH等模型对收益率进行波动率调整，再对标准化残差进行历史模拟，最后反推VaR。
- 混合历史模拟法（Hybrid HS）：结合参数法（如EWMA）估计波动率，用历史模拟估计尾部形状，兼顾效率和准确性。
在低延迟系统中，加权历史模拟法因其计算结构简单（只需在排序时考虑权重），成为最常用的改进方案。