3. 风险度量基础：标准差、VaR（在险价值）、CVaR（条件在险价值）

在额度收益风险平衡策略中，准确度量风险是决策的基石。不同的风险度量工具从不同维度刻画了资产或组合的潜在损失特征。本节将系统讲解三种最核心的风险度量指标：标准差、VaR（在险价值）和CVaR（条件在险价值），并阐明其定义、计算逻辑及在风控场景中的适用边界。

3.1 标准差：波动性的经典度量

标准差衡量的是资产收益率相对于其均值的离散程度，是金融领域最基础的波动性指标。它假设收益率服从正态分布，捕捉的是“正常市场”下的平均偏离幅度。

• 定义：收益率序列的标准差，反映收益率的波动幅度。
• 计算逻辑：先计算样本方差（各收益率与均值之差的平方和除以样本数或样本数减1），再取平方根。
• 适用场景：资产配置、组合优化（如马科维茨模型）、绩效评估（夏普比率分母）。
• 局限性：无法区分上行波动与下行风险；对极端尾部事件不敏感；依赖正态分布假设。

3.2 VaR（在险价值）：尾部风险的阈值视角

VaR回答了一个关键问题：“在给定的置信水平和持有期内，最大可能损失是多少？”它直接聚焦于损失分布的左尾，是监管资本计算（如巴塞尔协议）的核心指标。

• 定义：在置信水平 α（如95%或99%）下，持有期 T 内的最大预期损失。
• 计算逻辑：通过历史模拟法、参数法（方差-协方差法）或蒙特卡洛模拟法，找到损失分布的第 α 分位数。
• 适用场景：市场风险资本计量、风险限额设定、压力测试基准。
• 局限性：不满足次可加性（非一致性风险度量）；无法度量超过VaR阈值的极端损失（尾部损失信息丢失）。

3.3 CVaR（条件在险价值）：尾部损失的期望度量

CVaR（又称Expected Shortfall）弥补了VaR的核心缺陷：它度量的是损失超过VaR阈值时的平均损失。CVaR满足次可加性，属于一致性风险度量，在巴塞尔协议III中已逐步取代VaR成为更优的监管指标。

• 定义：在置信水平 α 下，损失超过VaR_α的条件期望值。
• 计算逻辑：CVaR_α = E[ L | L > VaR_α ]，即对损失分布左尾超出VaR的部分求均值。
• 适用场景：尾部风险敏感的组合优化、信用额度分配、极端风险预算。
• 优势：对尾部损失敏感；满足次可加性（鼓励分散化）；数学性质优良，便于优化求解。

3.4 三种风险度量的对比与选择

3.5 核心计算逻辑示例（Python伪代码）

以下代码展示了三种指标在历史模拟法下的核心计算逻辑，便于理解其数学本质。

import numpy as np

# 假设历史日收益率序列（已排序）
returns = np.array([-0.05, -0.03, -0.02, -0.01, 0.0, 0.01, 0.02, 0.03, 0.04, 0.05])
confidence_level = 0.95

# 1. 标准差
std_dev = np.std(returns, ddof=1)

# 2. VaR（历史模拟法）
index = int((1 - confidence_level) * len(returns))
VaR = -np.sort(returns)[index]  # 取损失为正数

# 3. CVaR（历史模拟法）
tail_losses = -np.sort(returns)[index:]  # 超过VaR的损失序列
CVaR = np.mean(tail_losses)

print(f"标准差: {std_dev:.4f}")
print(f"VaR (95%): {VaR:.4f}")
print(f"CVaR (95%): {CVaR:.4f}")

3.6 额度策略中的选择建议

1. 日常监控层：使用标准差监控组合波动率，设置预警阈值。
2. 监管合规层：使用VaR满足监管资本最低要求（如巴塞尔协议）。
3. 风险预算与优化层：使用CVaR作为核心风险度量，进行额度分配和组合优化。
4. 压力测试层：在CVaR基础上叠加极端情景分析，确保尾部风险在可接受范围内。