3. 组合VaR原理：组合分散化效应、投资组合VaR公式、相关系数矩阵的作用、边际VaR与增量VaR
3.1 组合分散化效应：为什么“1+1 < 2”
投资组合的核心优势在于分散化。当资产不完全正相关时，组合的风险（VaR）通常小于各资产VaR的简单加总。这种“风险节约”就是分散化效应。
分散化效应的数学根源在于方差-协方差结构。假设组合由两项资产构成，权重分别为 \(w_1\) 和 \(w_2\)，标准差为 \(\sigma_1\) 和 \(\sigma_2\)，相关系数为 \(\rho\)，则组合方差为：
σ²_p = w₁²σ₁² + w₂²σ₂² + 2w₁w₂ρσ₁σ₂当 \(\rho < 1\) 时，交叉项小于 \(2w_1w_2\sigma_1\sigma_2\)，组合标准差低于加权平均标准差，从而降低VaR。
3.2 投资组合VaR公式：从方差到分位数
在正态分布假设下，组合VaR可以表示为组合标准差与置信水平分位数的乘积。对于包含 \(n\) 项资产的投资组合，其VaR公式为：
VaR_p = Z_α × σ_p × V_p其中：
- \(Z_\alpha\)：置信水平 \(\alpha\) 对应的标准正态分位数（如95%对应1.645，99%对应2.326）
- \(\sigma_p\)：组合标准差，由权重向量 \(\mathbf{w}\) 和协方差矩阵 \(\Sigma\) 计算：\(\sigma_p = \sqrt{\mathbf{w}^T \Sigma \mathbf{w}}\)
- \(V_p\)：组合总市值
展开为矩阵形式：
VaR_p = Z_α × √(w₁²σ₁² + w₂²σ₂² + … + 2w₁w₂ρ₁₂σ₁σ₂ + …) × V_p| 参数 | 含义 | 典型值 |
|---|---|---|
| \(Z_{0.95}\) | 95%置信水平分位数 | 1.645 |
| \(Z_{0.99}\) | 99%置信水平分位数 | 2.326 |
| \(\sigma_p\) | 组合日收益率标准差 | 0.5% ~ 2.5% |
| \(V_p\) | 组合市值 | 1亿 ~ 100亿 |
3.3 相关系数矩阵的作用：风险传导的“交通网”
相关系数矩阵 \(\mathbf{R}\) 是组合VaR计算的核心输入。它决定了资产之间的风险联动程度，直接影响组合标准差的计算结果。
相关系数矩阵的结构：
[ 1 ρ₁₂ ρ₁₃ … ρ₁ₙ ]
[ ρ₂₁ 1 ρ₂₃ … ρ₂ₙ ]
R = [ ρ₃₁ ρ₃₂ 1 … ρ₃ₙ ]
[ ⋮ ⋮ ⋮ ⋱ ⋮ ]
[ ρₙ₁ ρₙ₂ ρₙ₃ … 1 ]相关系数矩阵在VaR计算中的三个关键作用：
- 风险聚合： 将单个资产的风险通过相关性“加权”汇总为组合风险
- 分散化度量： 矩阵中非对角元素越小，分散化效应越强
- 压力测试输入： 在极端市场条件下，相关系数趋向于1，组合VaR急剧上升
3.4 边际VaR与增量VaR：谁在贡献风险？
边际VaR和增量VaR是风险归因的核心工具，用于回答“哪个资产/头寸对组合风险贡献最大”。
3.4.1 边际VaR (Marginal VaR)
边际VaR衡量增加一个单位头寸对组合VaR的边际影响。数学上定义为组合VaR对资产权重的偏导数：
M-VaR_i = ∂VaR_p / ∂w_i = (Z_α × V_p / σ_p) × (w_iσ_i² + Σⱼ≠ᵢ w_jρᵢⱼσᵢσⱼ)边际VaR的解读：
- 正值： 增加该资产权重会提高组合VaR
- 负值： 增加该资产权重反而降低组合VaR（对冲效应）
- 绝对值越大： 该资产对组合风险的边际影响越强
3.4.2 增量VaR (Incremental VaR)
增量VaR衡量完全剔除或新增一个头寸对组合VaR的影响。计算方式为：
I-VaR_i = VaR_p - VaR_{p\i}其中 \(VaR_{p\backslash i}\) 是剔除资产 \(i\) 后的组合VaR。增量VaR与边际VaR的关系：
| 指标 | 定义 | 计算复杂度 | 用途 |
|---|---|---|---|
| 边际VaR | 微小变动的影响 | 低（解析解） | 风险归因、权重优化 |
| 增量VaR | 完全剔除的影响 | 高（需重新计算） | 头寸决策、止损评估 |
3.5 组合VaR归因实战：一个三资产案例
假设一个三资产组合，权重分别为40%、30%、30%，日标准差为1.2%、1.8%、2.5%，相关系数矩阵如下：
[ 1.00 0.40 0.25 ]
R = [ 0.40 1.00 0.60 ]
[ 0.25 0.60 1.00 ]计算步骤：
- 构建协方差矩阵： \(\Sigma_{ij} = \rho_{ij} \sigma_i \sigma_j\)
- 计算组合方差： \(\sigma_p^2 = \mathbf{w}^T \Sigma \mathbf{w} = 0.000216\) → \(\sigma_p = 1.47\%\)
- 计算组合VaR（95%置信，市值1亿）： VaR = 1.645 × 1.47% × 1亿 = 241.8万
- 计算边际VaR： 资产1 = 0.82，资产2 = 1.23，资产3 = 1.95（单位：万/1%权重变动）
- 计算成分VaR： 资产1 = 40%×0.82 = 32.8万，资产2 = 30%×1.23 = 36.9万，资产3 = 30%×1.95 = 58.5万
成分VaR之和 = 32.8 + 36.9 + 58.5 = 128.2万 ≠ 241.8万？
通过上述归因，可以清晰看到：资产3虽然权重只有30%，但贡献了组合VaR的45%，是主要风险来源。在优化时，应优先考虑降低资产3的权重或增加对冲头寸。