VaR归因到流式决策的实战技巧 - 第1节

1.1 VaR 定义：一个数字背后的风险全貌

在险价值（Value at Risk, VaR）是金融风险管理中最核心的量化指标。它回答一个简单但关键的问题：在给定的置信水平和持有期内，投资组合可能遭受的最大损失是多少？

VaR 不是一个“最坏情况”的损失，而是一个分位数损失。例如，某组合日 VaR(95%) = 100 万元，意味着：在正常市场条件下，有 95% 的把握认为单日损失不会超过 100 万元；或者说，每 100 个交易日中，预期只有 5 个交易日的损失会超过 100 万元。

1.2 置信水平与持有期：两个关键参数

VaR 的数值高度依赖于两个参数的选择，不同机构、不同场景下的参数标准差异显著。

1.3 三种主流计算方法简介

VaR 的计算方法可归为三大类：参数法、历史模拟法、蒙特卡洛模拟法。三者在假设强度、计算效率、尾部刻画能力上各有优劣。

1.3.1 参数法（方差-协方差法）

假设资产收益率服从正态分布（或 t 分布），仅需估计均值与协方差矩阵即可计算 VaR。计算速度最快，但正态假设在极端行情下严重低估尾部风险。

# 参数法 VaR 计算示例（单资产）
import numpy as np
from scipy.stats import norm

mu = 0.0005       # 日收益率均值
sigma = 0.02      # 日收益率标准差
confidence = 0.95
z_score = norm.ppf(1 - confidence)  # 95% 对应 -1.645

VaR_param = -(mu + z_score * sigma) * portfolio_value
print(f"参数法 VaR(95%, 1d): {VaR_param:.2f}")

1.3.2 历史模拟法

直接使用过去 N 个交易日的实际收益率分布，取第 (1-α) 分位数作为 VaR。无需分布假设，能捕捉厚尾和自相关，但依赖历史数据长度，对结构性突变不敏感。

# 历史模拟法 VaR 计算示例
import numpy as np

historical_returns = np.array([...])  # 过去 500 日收益率
confidence = 0.95
VaR_hist = -np.percentile(historical_returns, (1 - confidence) * 100)
print(f"历史模拟法 VaR(95%, 1d): {VaR_hist:.2f}")

1.3.3 蒙特卡洛模拟法

通过随机数生成大量未来价格路径，模拟组合损益分布，再取分位数。灵活性最高，可嵌入复杂衍生品、非线性风险、跳跃扩散过程，但计算成本最大，不适合超高频流式场景。

# 蒙特卡洛法 VaR 计算示例（几何布朗运动）
import numpy as np

S0 = 100.0; mu = 0.0005; sigma = 0.02; T = 1; N = 10000
dt = T
Z = np.random.standard_normal(N)
ST = S0 * np.exp((mu - 0.5 * sigma**2) * dt + sigma * np.sqrt(dt) * Z)
losses = -(ST - S0)  # 损失为正
VaR_mc = np.percentile(losses, 95)
print(f"蒙特卡洛法 VaR(95%, 1d): {VaR_mc:.2f}")

1.4 三种方法对比：一张表看清差异

1.5 VaR 计算流程总览

下图展示了从原始市场数据到最终 VaR 数值的完整链路，三种方法在“损益分布生成”步骤分叉。