VaR计算方法概述：参数法、历史模拟法与蒙特卡洛模拟法
在金融风控实践中，选择正确的VaR计算方法直接决定了风险度量的准确性与实用性。三种主流方法——参数法（方差-协方差法）、历史模拟法、蒙特卡洛模拟法——在原理假设、计算效率与适用场景上存在显著差异。本节将系统梳理三者的核心逻辑与选择依据。
一、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，直接推导出给定置信水平下的VaR值。其核心公式为：
VaR = −(μ − z_α · σ) · P其中，μ为组合期望收益率，σ为组合标准差，z_α为对应置信水平的正态分布分位数，P为组合当前市值。
核心假设：收益率正态分布、线性相关性、市场波动率稳定。
| 维度 | 参数法特征 |
|---|---|
| 计算速度 | 极快，仅需协方差矩阵与矩阵乘法 |
| 数据需求 | 低，仅需历史收益率序列估计参数 |
| 尾部风险 | 严重低估，正态分布无法捕捉厚尾 |
| 非线性资产 | 不适用，期权等非线性工具误差极大 |
| 适用场景 | 大规模线性组合、高频日频监控、快速压力测试 |
实务提示：参数法在流动性好、持仓分散的股票组合中表现稳定，但在含有期权或信用衍生品的组合中需谨慎使用。
二、历史模拟法
历史模拟法不假设任何理论分布，直接使用资产组合在过去一段时间内的实际收益率序列，通过排序找到对应置信水平的分位数作为VaR估计值。例如，对于1000个历史日收益率，95%置信水平的VaR即为排序后第50个最差的收益率。
核心优势：完全非参数化，天然包含厚尾、偏度、自相关等真实市场特征。
| 维度 | 历史模拟法特征 |
|---|---|
| 计算速度 | 中等，需全量历史数据排序 |
| 数据需求 | 高，需要足够长的历史窗口（通常≥500个交易日） |
| 尾部风险 | 较好，由历史真实分布决定 |
| 非线性资产 | 适用，只要历史数据包含类似市场环境 |
| 适用场景 | 监管合规报告、含期权组合、市场结构稳定的回测 |
注意：历史模拟法假设“历史会重演”，若样本期内未出现极端事件（如2008年金融危机），则VaR会严重低估尾部风险。建议至少包含一个完整市场周期。
三、蒙特卡洛模拟法
蒙特卡洛模拟法通过随机数生成大量可能的市场情景，对每个情景计算组合损益，最后从模拟损益分布中提取VaR。该方法可以灵活设定任意分布假设（如t分布、GARCH过程）和定价模型（如Black-Scholes、Heston模型）。
核心能力：可处理任意复杂的非线性组合、路径依赖产品、以及时变波动率。
| 维度 | 蒙特卡洛模拟法特征 |
|---|---|
| 计算速度 | 慢，需大量模拟路径（通常≥10,000次） |
| 数据需求 | 中等，需估计随机过程参数 |
| 尾部风险 | 可控，可通过分布选择调整尾部厚度 |
| 非线性资产 | 最优，可精确处理期权、结构化产品 |
| 适用场景 | 复杂衍生品组合、压力情景生成、模型验证基准 |
实务建议：蒙特卡洛模拟的精度与模拟次数平方根成正比。10,000次模拟的标准误差约为1%，100,000次可降至0.3%。在归因稳定性巡检中，蒙特卡洛常作为“真实值”基准来评估其他方法的偏差。
四、三种方法对比与选择矩阵
| 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） | 可自定义 |
| 计算效率 | ★★★★★ | ★★★☆☆ | ★★☆☆☆ |
| 尾部精度 | ★☆☆☆☆ | ★★★★☆ | ★★★★★ |
| 非线性处理 | ★☆☆☆☆ | ★★★☆☆ | ★★★★★ |
| 数据需求 | 低 | 高 | 中 |
| 监管接受度 | 基础资本计量 | 巴塞尔协议推荐 | 内部模型法 |
| 归因稳定性巡检 | 适合快速初筛 | 适合常规监控 | 适合深度验证 |
关键提醒：在VaR归因稳定性巡检中，三种方法并非互斥。建议采用“参数法做日频快速扫描 → 历史模拟法做周频常规报告 → 蒙特卡洛模拟法做月频深度验证”的分层策略，既能保证效率，又能控制模型风险。