3. VaR计算方法（中）：历史模拟法的原理、数据选取与滚动窗口

历史模拟法（Historical Simulation, HS）是计算VaR最直观的非参数方法。它不假设收益率服从任何特定分布（如正态分布），而是直接使用过去一段时间的实际收益率数据，通过排序找出分位点来估计风险。这种方法天然捕捉了资产收益率的“尖峰厚尾”特征，在金融风险管理实践中应用广泛。

3.1 核心原理：从历史中寻找分位点

历史模拟法的逻辑可以概括为：“过去发生过的损失，在未来同样置信水平下可能再次发生”。其计算步骤如下：

1. 收集历史收益率序列：选取过去N个交易日（如250天）的资产组合每日收益率。
2. 排序：将N个历史收益率从小到大（从最差到最好）排序。
3. 确定分位点索引：对于置信水平 \( \alpha \)（如95%或99%），计算索引位置 \( k = N \times (1 - \alpha) \)。
4. 读取VaR：排序后第k个最小的收益率即为VaR估计值（通常取绝对值表示损失）。

例如，使用过去500天的日收益率数据，在99%置信水平下，\( k = 500 \times 1\% = 5 \)。排序后第5小的收益率（即最差的第5个交易日）的绝对值就是VaR值。

3.2 数据选取：窗口长度与样本质量

历史模拟法的准确性高度依赖于历史数据的选择。数据选取不当会导致VaR估计严重偏差。

3.3 滚动窗口：动态更新VaR估计

在实际风险管理中，VaR需要每日更新。滚动窗口（Rolling Window）技术是实现动态VaR估计的标准方法：

• 固定窗口长度：始终保持最近N个交易日的数据。
• 每日前滚：每过一天，加入最新收益率，剔除最旧的收益率，窗口整体向前移动一天。
• 重新计算：基于更新后的窗口数据，重新排序并计算新的VaR值。

滚动窗口确保了VaR估计始终基于最新的市场信息，同时保持了样本量的稳定性。

3.4 历史模拟法的优缺点对比

3.5 Python实现示例：滚动窗口历史模拟

以下代码展示了如何使用Python实现滚动窗口的历史模拟VaR计算：

import numpy as np
import pandas as pd

def historical_var_rolling(returns, window=250, confidence=0.99):
    """
    滚动窗口历史模拟法计算VaR
    
    参数:
        returns: pd.Series, 日收益率序列
        window: int, 滚动窗口长度
        confidence: float, 置信水平 (0-1)
    
    返回:
        pd.Series, 每日VaR估计值
    """
    var_series = []
    for i in range(window, len(returns) + 1):
        # 获取滚动窗口数据
        window_data = returns.iloc[i - window:i]
        # 排序
        sorted_returns = np.sort(window_data.values)
        # 确定分位点索引
        index = int(np.floor(window * (1 - confidence)))
        # VaR = 排序后第index个收益率（取绝对值）
        var_value = -sorted_returns[index]
        var_series.append(var_value)
    
    # 返回与原始数据对齐的时间序列
    return pd.Series(var_series, index=returns.index[window-1:])

# 使用示例
# var_estimates = historical_var_rolling(portfolio_returns, window=500, confidence=0.99)
# print(var_estimates.tail())

3.6 历史模拟法的变体与改进

针对标准历史模拟法的不足，业界发展出多种改进方案：

• 加权历史模拟法：对历史收益率赋予不同权重（如指数衰减权重），近期数据权重更高，提高对市场变化的响应速度。
• 过滤历史模拟法：先使用GARCH等模型对收益率进行波动率调整，再对调整后的标准化残差进行历史模拟，最后反标准化得到VaR。这种方法结合了参数法和非参数法的优势。
• 自助法（Bootstrap）：从历史数据中有放回地重复抽样，生成大量模拟路径，计算VaR的置信区间，提高估计的稳健性。

3.7 实践要点总结