3、投资组合VaR：组合VaR公式、协方差矩阵计算、分散化效应图解

投资组合VaR并非单个资产VaR的简单加总。由于资产之间存在相关性，组合的风险通常小于各资产风险之和，这一现象被称为分散化效应。本节将系统讲解组合VaR的数学公式、协方差矩阵的计算方法，并通过图解直观展示分散化如何降低风险。

3.1 投资组合VaR公式

假设一个投资组合由 \(n\) 个资产构成，各资产的权重向量为 \(\mathbf{w} = (w_1, w_2, \dots, w_n)^T\)，且 \(\sum_{i=1}^n w_i = 1\)。组合的收益率方差为：

\[\sigma_p^2 = \mathbf{w}^T \mathbf{\Sigma} \mathbf{w}\]

其中 \(\mathbf{\Sigma}\) 是 \(n \times n\) 的协方差矩阵。在正态分布假设下，给定置信水平 \(\alpha\)（如95%或99%），组合VaR为：

\[\text{VaR}_p = -\Phi^{-1}(1-\alpha) \cdot \sigma_p \cdot V_p\]

其中 \(\Phi^{-1}\) 是标准正态分布的逆累积分布函数，\(V_p\) 是组合的当前市值。若使用参数法，组合VaR可直接由协方差矩阵和权重向量计算得出。

3.2 协方差矩阵计算

协方差矩阵是组合VaR计算的核心输入。对于 \(n\) 个资产，协方差矩阵 \(\mathbf{\Sigma}\) 的元素定义如下：

矩阵元素	符号	含义	计算公式
对角线	\(\sigma_i^2\)	资产 \(i\) 的方差	\(\frac{1}{T-1} \sum_{t=1}^T (r_{i,t} - \bar{r}_i)^2\)
非对角线	\(\sigma_{ij}\)	资产 \(i\) 与资产 \(j\) 的协方差	\(\frac{1}{T-1} \sum_{t=1}^T (r_{i,t} - \bar{r}_i)(r_{j,t} - \bar{r}_j)\)

在实际计算中，通常使用历史收益率数据（如过去250个交易日）来估计协方差矩阵。以下是一个使用Python进行协方差矩阵计算的示例：

import numpy as np

# 假设有3个资产，100个交易日的历史收益率数据
np.random.seed(42)
returns = np.random.randn(100, 3) * 0.02  # 模拟日收益率，标准差约2%

# 计算协方差矩阵（样本协方差）
cov_matrix = np.cov(returns, rowvar=False)

print("协方差矩阵：")
print(cov_matrix)

# 假设权重向量
weights = np.array([0.4, 0.3, 0.3])

# 计算组合方差
portfolio_variance = weights.T @ cov_matrix @ weights
portfolio_std = np.sqrt(portfolio_variance)

print(f"组合标准差：{portfolio_std:.6f}")

# 计算95%置信水平下的组合VaR（假设组合市值1000万）
confidence_level = 0.95
z_score = 1.645
portfolio_value = 10_000_000
VaR = z_score * portfolio_std * portfolio_value
print(f"组合VaR（95%）：{VaR:.2f} 元")

3.3 分散化效应图解

分散化效应是指通过增加资产数量或调整资产权重，使组合风险低于各资产风险的加权平均。以下SVG图展示了两种资产在不同相关系数下的组合风险变化：

上图清晰展示了三个关键结论：

• 完全正相关（ρ=+1）：组合风险是各资产风险的线性加权，无分散化效应。
• 不相关（ρ=0）：组合风险曲线向下弯曲，在最小方差组合（MVP）处风险最低。
• 完全负相关（ρ=-1）：存在一个权重使组合风险降为零，分散化效应最强。

3.4 分散化效应的量化指标

为了衡量分散化带来的风险降低程度，常用以下指标：

指标名称	公式	含义
分散化比率 (DR)	\(\frac{\sum w_i \sigma_i}{\sigma_p}\)	加权平均风险与组合风险之比，DR越大，分散化效果越好
风险贡献 (RC)	\(RC_i = w_i \cdot \frac{\partial \sigma_p}{\partial w_i}\)	单个资产对组合总风险的边际贡献
有效资产数量 (ENE)	\(\frac{1}{\sum w_i^2}\)	衡量组合的分散化程度，值越大表示越分散

3.5 组合VaR的边际贡献与成分VaR

在实际风险管理中，我们需要知道每个资产对组合VaR的贡献程度。这可以通过成分VaR（Component VaR）来实现：

\[\text{Component VaR}_i = \text{VaR}_p \cdot \frac{w_i \cdot (\mathbf{\Sigma} \mathbf{w})_i}{\mathbf{w}^T \mathbf{\Sigma} \mathbf{w}}\]

成分VaR具有可加性：\(\sum_{i=1}^n \text{Component VaR}_i = \text{VaR}_p\)。以下SVG图展示了一个三资产组合的成分VaR分解：

3.6 协方差矩阵的流式更新

在流式交易场景中，协方差矩阵需要随着新数据的到来实时更新。常用的流式协方差更新公式为：

\[\mathbf{\Sigma}_{t} = \lambda \mathbf{\Sigma}_{t-1} + (1-\lambda) \mathbf{r}_t \mathbf{r}_t^T\]

其中 \(\lambda\) 是衰减因子（通常取0.94-0.97），\(\mathbf{r}_t\) 是t时刻的收益率向量。这种方法称为指数加权移动平均（EWMA），能够快速响应市场变化，同时保留历史信息。