2、VaR计算方法对比：参数法（方差-协方差）、历史模拟法、蒙特卡洛模拟法的原理与适用场景

在金融风险量化中，在险价值（Value at Risk, VaR）是最广泛使用的风险度量指标之一。不同的VaR计算方法在计算效率、分布假设和尾部捕捉能力上存在显著差异。本章从原理、数学表达、适用场景三个维度，对三种主流方法进行系统性对比。

2.1 参数法（方差-协方差法）

原理：假设资产收益率服从多元正态分布，利用投资组合的方差-协方差矩阵解析计算VaR。该方法仅需估计均值向量与协方差矩阵，计算速度最快。

数学表达：

VaR(α) = μ_p + σ_p · Φ⁻¹(α)

其中：
μ_p = wᵀμ          —— 组合期望收益率
σ_p = √(wᵀΣw)      —— 组合标准差
Φ⁻¹(α)             —— 标准正态分布在置信水平α下的分位数
w                  —— 权重向量
Σ                  —— 资产收益率的协方差矩阵

适用场景：

• 低延迟交易系统：毫秒级计算，适合实时风控。
• 流动性好的线性资产：股票、外汇、利率互换。
• 组合规模大但资产间相关性稳定：如大型银行的市场风险内部模型。

2.2 历史模拟法

原理：直接使用过去N个交易日的实际收益率数据，不假设任何理论分布。将历史收益率排序后，取第(1-α)×N个分位数作为VaR估计值。

计算步骤：

1. 收集过去N天（通常250~500天）的资产收益率序列。
2. 计算每日投资组合收益率：R_t = wᵀr_t。
3. 将R_t按升序排列。
4. 取第 floor((1-α)×N) 个观测值作为VaR。

适用场景：

• 监管合规报告：巴塞尔协议推荐方法，无需分布假设。
• 非正态、厚尾市场：能自然捕捉历史极端事件。
• 非线性资产组合：可包含期权、结构化产品（需全量重定价）。

2.3 蒙特卡洛模拟法

原理：通过随机数生成大量可能的未来价格路径，对每条路径计算组合损益，最后取损益分布的分位数。可灵活设定任意分布假设和定价模型。

数学框架：

1. 设定随机过程（如几何布朗运动）：
   dS/S = μdt + σdW

2. 生成M条路径（M通常≥10,000）：
   S_t+Δt = S_t · exp((μ - σ²/2)Δt + σ√Δt · ε)

3. 计算每条路径的组合损益：
   Π_i = V(S_T,i) - V(S_0)

4. 排序后取分位数：
   VaR(α) = Percentile({Π_i}, 1-α)

适用场景：

• 复杂衍生品定价：亚式期权、障碍期权、多资产奇异期权。
• 压力测试与情景分析：可嵌入跳跃扩散、随机波动率等非正态模型。
• 长期风险暴露评估：养老金、保险负债的长期VaR。

2.4 三种方法核心对比

2.5 方法选择决策流程

下图展示了在实际风控系统中，如何根据资产类型、延迟要求和监管环境选择VaR计算方法：

2.6 低延迟场景下的混合策略

在实际流式风控系统中，单一方法往往无法同时满足速度与精度要求。推荐采用分层混合架构：

• 第一层（快速筛选）：参数法计算全组合VaR，阈值触发后进入第二层。
• 第二层（精确重算）：对触发阈值的子组合使用历史模拟法或蒙特卡洛法。
• 第三层（归因分析）：对VaR变动最大的资产进行边际贡献分解。

下图展示了混合架构中三种方法的协同关系：

2.7 方法选择总结