4. 历史模拟法VaR计算：历史收益率排序、分位数选取、滚动窗口计算、Python实现示例

历史模拟法（Historical Simulation, HS）是VaR计算中最直观、最符合监管直觉的非参数方法。它不假设收益率服从任何特定分布，而是直接使用过去一段时间的实际收益率数据，通过排序和分位数提取来估计未来风险。本章将系统讲解其核心步骤、关键参数选择以及Python实现。

4.1 历史模拟法核心流程

历史模拟法的计算逻辑可以概括为三个步骤：收集历史收益率 → 排序 → 取分位数。下面通过一个SVG流程图展示其完整架构。

4.2 历史收益率排序与分位数选取

在历史模拟法中，排序和分位数选取是两个最关键的数学操作。它们的准确性直接决定VaR的可靠性。

4.2.1 收益率排序

假设我们有一个包含N个历史收益率的样本，首先将这些收益率按从小到大（从最差到最好）进行排序：

• 排序后序列：\( r_{(1)} \leq r_{(2)} \leq \cdots \leq r_{(N)} \)，其中 \( r_{(1)} \) 是最大亏损（最小收益率）。
• 位置索引：VaR对应的位置由分位数水平 \( \alpha \) 和样本量 \( N \) 共同决定。

4.2.2 分位数选取方法

对于给定的置信水平 \( c \)（如95%或99%），对应的损失分位数水平 \( \alpha = 1 - c \)。分位数的具体取值有两种常见处理方法：

4.3 滚动窗口计算机制

滚动窗口（Rolling Window）是历史模拟法在时间序列上的应用方式。它确保每次计算只使用最新的固定长度历史数据，随着时间推移不断更新样本。

4.3.1 滚动窗口参数

4.3.2 滚动计算过程

以下SVG图展示了滚动窗口在时间轴上的移动过程，帮助理解“窗口滑动、数据更新、VaR重算”的循环机制。

4.4 Python实现示例

下面给出一个完整的历史模拟法VaR计算Python实现。代码包含数据生成、滚动窗口计算、分位数选取和结果可视化。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# ==================== 1. 生成模拟收益率数据 ====================
np.random.seed(42)
n_days = 1000
returns = np.random.normal(loc=0.0005, scale=0.015, size=n_days)  # 日收益率，均值0.05%，标准差1.5%

# ==================== 2. 历史模拟法VaR计算函数 ====================
def historical_var(returns, window=250, confidence=0.95):
    """
    滚动窗口历史模拟法VaR计算
    
    参数:
        returns: 收益率序列（numpy数组）
        window: 滚动窗口长度
        confidence: 置信水平（如0.95表示95% VaR）
    
    返回:
        var_series: 每日VaR值序列（长度 = len(returns) - window + 1）
    """
    alpha = 1 - confidence
    n = len(returns)
    var_series = []
    
    for i in range(window, n + 1):
        # 提取当前窗口数据
        window_data = returns[i - window:i]
        # 升序排序
        sorted_returns = np.sort(window_data)
        # 计算分位数位置（线性插值法）
        k = alpha * window
        k_low = int(np.floor(k))
        k_high = int(np.ceil(k))
        # 边界保护
        if k_low < 0:
            k_low = 0
        if k_high >= window:
            k_high = window - 1
        # 线性插值
        if k_low == k_high:
            var_value = sorted_returns[k_low]
        else:
            frac = k - k_low
            var_value = sorted_returns[k_low] * (1 - frac) + sorted_returns[k_high] * frac
        var_series.append(var_value)
    
    return np.array(var_series)

# ==================== 3. 执行计算 ====================
var_95 = historical_var(returns, window=250, confidence=0.95)
var_99 = historical_var(returns, window=250, confidence=0.99)

# ==================== 4. 结果展示 ====================
print("=" * 60)
print("历史模拟法VaR计算结果（滚动窗口=250天）")
print("=" * 60)
print(f"95% VaR（均值）: {np.mean(var_95):.4f}  ({np.mean(var_95)*100:.2f}%)")
print(f"95% VaR（标准差）: {np.std(var_95):.4f}")
print(f"99% VaR（均值）: {np.mean(var_99):.4f}  ({np.mean(var_99)*100:.2f}%)")
print(f"99% VaR（标准差）: {np.std(var_99):.4f}")
print(f"VaR序列长度: {len(var_95)} 天")
print("=" * 60)

# ==================== 5. 可视化 ====================
plt.figure(figsize=(12, 6))
plt.plot(var_95, label='95% VaR', color='#e74c3c', linewidth=1.5)
plt.plot(var_99, label='99% VaR', color='#9b59b6', linewidth=1.5)
plt.axhline(y=np.mean(var_95), color='#e74c3c', linestyle='--', alpha=0.5)
plt.axhline(y=np.mean(var_99), color='#9b59b6', linestyle='--', alpha=0.5)
plt.title('历史模拟法VaR滚动计算结果', fontsize=14, fontweight='bold')
plt.xlabel('时间（天）', fontsize=12)
plt.ylabel('VaR（日收益率）', fontsize=12)
plt.legend(loc='best')
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

4.5 关键参数对比与选择建议

4.6 本章小结

• 历史模拟法的核心是“用过去N天的收益率分布代表未来1天的可能损益”。
• 排序+分位数是计算的关键步骤，线性插值法比分位索引法更精确。
• 滚动窗口机制确保VaR随市场变化动态更新，窗口长度通常设为250天。
• Python实现中，通过 np.sort() 排序和线性插值公式即可高效计算。
• 该方法简单透明、易于监管沟通，但对市场突变不敏感，需配合其他方法使用。