2. VaR计算方法：参数法（方差-协方差法）、历史模拟法、蒙特卡洛模拟法
VaR（Value at Risk，风险价值）的计算方法主要分为三大类：参数法（方差-协方差法）、历史模拟法和蒙特卡洛模拟法。三种方法在假设前提、计算效率、对极端风险的刻画能力上存在显著差异。在构建VaR归因稳定性巡检指标时，必须理解每种方法的底层逻辑及其对归因结果稳定性的影响。
核心观点： 参数法适合快速计算与正态假设下的归因；历史模拟法能捕捉真实尾部行为但受样本窗口影响大；蒙特卡洛模拟法灵活但计算成本高。稳定性巡检需针对不同方法设计差异化的监控阈值。
2.1 参数法（方差-协方差法）
参数法假设资产收益率服从某种已知的概率分布（通常为正态分布），通过估计组合的均值与方差-协方差矩阵来计算VaR。其核心公式为：
VaR(α) = μ - σ × z_α × √(Δt)其中：μ 为组合预期收益率，σ 为组合标准差，z_α 为置信水平α对应的分位数（如95%对应1.645，99%对应2.326），Δt 为持有期。
| 维度 | 参数法特征 | 对归因稳定性的影响 |
|---|---|---|
| 假设前提 | 收益率服从正态分布；资产间线性相关 | 若实际分布厚尾，归因结果会低估尾部风险，导致稳定性指标虚高 |
| 计算效率 | 极高，仅需一次矩阵运算 | 适合高频巡检，但需警惕协方差矩阵估计误差 |
| 数据需求 | 历史收益率序列，估计均值向量与协方差矩阵 | 样本窗口长度直接影响参数稳定性，窗口越短归因波动越大 |
| 适用场景 | 流动性好、持仓分散、市场平稳期 | 极端行情下归因稳定性会急剧恶化 |
巡检注意： 参数法对协方差矩阵的估计非常敏感。当资产数量超过样本长度时，协方差矩阵可能奇异，此时归因结果不可靠。建议在巡检中加入协方差矩阵条件数监控。
2.2 历史模拟法
历史模拟法不假设任何分布，直接使用历史收益率数据的分位数来估计VaR。其核心思想是：过去发生的风险在未来仍可能重演。计算步骤为：
- 收集历史数据： 获取组合中各资产在回溯窗口（如250个交易日）内的历史收益率序列。
- 构建历史损益序列： 将当前持仓权重应用于历史收益率，生成组合的历史损益序列。
- 排序并取分位数： 将损益序列从小到大排序，取第α百分位数作为VaR估计值。
| 维度 | 历史模拟法特征 | 对归因稳定性的影响 |
|---|---|---|
| 假设前提 | 历史会重复；无分布假设 | 能捕捉厚尾与非线性风险，归因更真实但波动更大 |
| 计算效率 | 中等，需排序操作 | 适合日频巡检，但回溯窗口变化会导致归因跳跃 |
| 数据需求 | 仅需历史收益率序列 | 窗口长度选择是关键：窗口过短样本不足，过长则包含过时信息 |
| 适用场景 | 市场存在明显非线性或厚尾特征时 | 归因稳定性受极端历史事件影响大，需做事件剔除处理 |
稳定性巡检要点： 历史模拟法的归因结果对回溯窗口长度极为敏感。建议在巡检中同时计算多个窗口（如125天、250天、500天）的VaR，并监控窗口间归因差异的滚动标准差。当差异超过阈值时，提示归因不稳定。
2.3 蒙特卡洛模拟法
蒙特卡洛模拟法通过随机生成大量未来价格路径，模拟组合在持有期内的损益分布，进而计算VaR。其核心步骤包括：
- 建立随机模型： 选择资产价格过程的随机微分方程（如几何布朗运动），并估计模型参数（漂移率、波动率、相关系数）。
- 生成随机路径： 使用伪随机数或低差异序列（如Sobol序列）生成大量（通常10,000条以上）未来价格路径。
- 计算组合损益： 对每条路径计算持有期末的组合价值，得到损益分布。
- 提取VaR： 从损益分布中取第α百分位数。
| 维度 | 蒙特卡洛模拟法特征 | 对归因稳定性的影响 |
|---|---|---|
| 假设前提 | 随机模型设定正确；参数估计准确 | 模型风险高，归因稳定性受模型选择影响大 |
| 计算效率 | 低，需大量模拟路径 | 不适合高频巡检，但可并行加速 |
| 数据需求 | 模型参数（波动率、相关系数等） | 参数估计误差会放大归因的不稳定性 |
| 适用场景 | 含期权等非线性产品、复杂策略 | 归因稳定性需同时监控模拟收敛性与参数稳定性 |
巡检注意： 蒙特卡洛模拟的归因结果存在模拟误差（sampling error）。即使模型参数不变，不同随机种子也会导致VaR估计波动。建议在巡检中固定随机种子，并监控模拟标准误（standard error）。当标准误超过VaR估计值的5%时，应增加模拟路径数。
2.4 三种方法对比总结
| 对比维度 | 参数法 | 历史模拟法 | 蒙特卡洛模拟法 |
|---|---|---|---|
| 分布假设 | 正态分布 | 无（经验分布） | 由随机模型决定 |
| 非线性风险 | 无法捕捉 | 可捕捉 | 可捕捉 |
| 计算速度 | 极快 | 中等 | 慢 |
| 数据需求 | 均值、协方差 | 历史收益率 | 模型参数 |
| 归因稳定性风险 | 协方差估计误差 | 窗口选择、极端事件 | 模型设定、模拟误差 |
| 巡检核心指标 | 条件数、正态性检验 | 多窗口差异、滚动标准差 | 模拟标准误、参数稳定性 |
实践建议： 在构建VaR归因稳定性巡检指标时，建议采用“主方法+辅方法”的交叉验证策略。例如，以历史模拟法为主方法，同时用参数法做快速校验。当两种方法的归因结果出现显著背离时，触发稳定性告警，提示可能存在结构性变化或数据质量问题。