2、VaR计算方法概览：参数法、历史模拟法、蒙特卡洛模拟法原理对比
在流式决策链路中，选择正确的VaR计算方法直接影响风险归因的时效性与准确性。主流的三种方法——参数法（方差-协方差法）、历史模拟法与蒙特卡洛模拟法——在假设前提、计算效率与尾部刻画能力上存在本质差异。本节从原理出发，建立清晰的对比框架，为后续归因拆解奠定基础。
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），仅需估计均值与方差-协方差矩阵即可解析计算VaR。其核心公式为：
VaR(α) = μ - σ · z_α · √Δt其中，μ为期望收益率，σ为组合标准差，z_α为置信水平α对应的分位数（如95%对应1.645），Δt为持有期。
适用场景：线性资产组合、流动性好、历史数据充足且市场波动平稳的环境。计算速度极快，适合流式决策中的实时粗筛。
核心局限：无法刻画厚尾与非线性风险（如期权Gamma风险）；正态假设在极端行情下严重低估尾部损失。
2.2 历史模拟法
历史模拟法不假设任何分布，直接使用资产收益率的历史样本分布来近似未来损益分布。将历史损益序列按升序排列后，取第(1-α)×N个分位数作为VaR估计值。
步骤：
1. 收集过去N个交易日的组合损益序列 {R₁, R₂, ..., R_N}
2. 对损益序列从小到大排序
3. 取第 floor((1-α)×N) 个观测值作为 VaR
优势：无需分布假设，天然包含厚尾、自相关与非线性特征；实现简单，易于向业务方解释。
核心局限：完全依赖历史样本，若历史区间未包含极端事件（如2020年3月流动性危机），则VaR严重低估；样本长度选择敏感，过长则包含过时市场结构，过短则估计噪声大。
2.3 蒙特卡洛模拟法
蒙特卡洛模拟法通过随机数生成大量未来价格路径，计算每个路径下的组合损益，再取分位数得到VaR。其核心在于对随机过程的建模（如几何布朗运动、带跳跃的扩散过程）。
步骤：
1. 设定随机过程模型（如 dS/S = μdt + σdW）
2. 生成 M 条独立的价格路径（M ≥ 10,000）
3. 对每条路径计算组合损益
4. 对 M 个损益排序，取第 (1-α)×M 个分位数
优势：可灵活嵌入任意复杂模型（波动率微笑、跳跃扩散、随机波动率）；能处理非线性与路径依赖型产品（如亚式期权、可转债）。
核心局限：计算成本高，M条路径×N步模拟在流式场景下可能超时；模型风险显著——错误的过程假设会导致系统性偏差。
2.4 三方法核心对比
| 对比维度 | 参数法 | 历史模拟法 | 蒙特卡洛模拟法 |
|---|---|---|---|
| 分布假设 | 正态（或t分布） | 无（经验分布） | 用户自定义（GBM、跳跃扩散等） |
| 计算速度 | 极快（O(n²)） | 快（O(N log N)） | 慢（O(M×N)） |
| 尾部刻画 | 弱（低估厚尾） | 中等（依赖历史） | 强（可指定尾部行为） |
| 非线性处理 | 差（需Delta近似） | 好（全定价重估） | 好（全路径模拟） |
| 流式决策适用性 | 高（实时计算） | 中（需维护滚动窗口） | 低（计算延迟高） |
| 模型风险 | 高（分布误设） | 低（无参数假设） | 高（过程误设） |
2.5 方法选择与流式决策的适配逻辑
在流式决策链路中，三种方法并非互斥，而是形成分层递进的校验体系：
- 第一层（参数法）：用于高频实时监控，秒级输出VaR预警信号，触发阈值后进入第二层。
- 第二层（历史模拟法）：在分钟级窗口内，用最近500个交易日数据验证参数法结果是否被分布假设扭曲。
- 第三层（蒙特卡洛模拟法）：在日终或压力场景下，用10万条路径对复杂衍生品组合进行全量重估，生成归因报告。
归因视角提示：参数法适合做因子归因（Delta、Rho等线性敏感度）；历史模拟法适合做成分归因（哪个资产贡献了最大尾部损失）；蒙特卡洛模拟法适合做路径归因（哪类情景导致了极端亏损）。
2.6 流式场景下的方法选择矩阵
| 决策场景 | 推荐方法 | 归因粒度 | 最大容忍延迟 |
|---|---|---|---|
| 逐笔交易级风控 | 参数法（Delta-Normal） | 因子敏感度 | < 100ms |
| 分钟级组合监控 | 历史模拟法（滚动窗口） | 成分贡献 | < 10s |
| 日终压力测试 | 蒙特卡洛模拟法 | 情景路径 | < 30min |
| 期权组合重估 | 蒙特卡洛 + 对偶变量 | Greeks + 尾部 | < 5min |
归因链路设计要点：在流式决策中，不应将三种方法视为孤立选项，而应构建“参数法粗筛 → 历史法校验 → 蒙特卡洛精算”的递进式归因管道。每个层级输出不同的归因维度，最终在日终合并为完整的VaR归因报告。