3. 参数法VaR详解：正态分布假设、均值与标准差计算、参数法公式推导、优缺点分析

参数法（Variance-Covariance Method）是VaR计算中最经典、最常用的方法之一。其核心思想是：假设资产收益率服从某种已知的概率分布（最常见的是正态分布），然后利用组合的均值与标准差，通过解析公式直接计算VaR。本章将深入剖析参数法的数学基础、计算流程与适用边界。

3.1 正态分布假设：参数法的基石

参数法之所以能够“解析”计算VaR，关键在于对收益率分布做出了明确的假设。在金融风险管理的标准框架中，最常用的假设是：资产收益率服从正态分布。

正态分布假设带来的数学便利性：

• 可加性： 多个正态分布随机变量的线性组合仍然服从正态分布，这使得多资产组合的VaR计算变得简单。
• 分位数已知： 标准正态分布的分位数（如5%分位数对应-1.645，1%分位数对应-2.326）是固定的，可以直接查表或通过函数计算。
• 解析解： VaR可以表示为均值和标准差的显式函数，无需进行蒙特卡洛模拟或历史排序。

3.2 均值与标准差计算：参数估计

在正态假设下，VaR的计算精度直接取决于 \(\mu\) 和 \(\sigma\) 的估计质量。以下是标准计算步骤：

3.2.1 收益率序列构建

通常使用对数收益率（连续复利收益率）而非简单收益率，因为对数收益率在时间上具有可加性，且更接近正态分布。

# 对数收益率计算
R_t = ln(P_t / P_{t-1})

# 其中：
# P_t = 第t日收盘价
# P_{t-1} = 第t-1日收盘价

3.2.2 样本均值与标准差

基于历史窗口（如250个交易日，约1年）的数据，计算样本均值和样本标准差：

# 样本均值
μ = (1/N) * Σ R_i

# 样本标准差（无偏估计）
σ = sqrt( (1/(N-1)) * Σ (R_i - μ)^2 )

# 其中：
# N = 历史窗口长度（观测值数量）
# R_i = 第i个收益率观测值

3.3 参数法公式推导：从分布到VaR

参数法VaR的推导过程清晰展示了正态假设如何将风险度量转化为简单的代数运算。

3.3.1 单资产VaR公式

假设资产收益率 \( R \sim N(\mu, \sigma^2) \)，置信水平为 \( c \)，则VaR定义为：

P(R ≤ -VaR) = 1 - c

# 标准化处理：
P( (R - μ)/σ ≤ (-VaR - μ)/σ ) = 1 - c

# 令 Z = (R - μ)/σ，Z服从标准正态分布 N(0,1)
P( Z ≤ (-VaR - μ)/σ ) = 1 - c

# 设 Z_c 为标准正态分布的(1-c)分位数（如c=95%时，Z_c = -1.645）
(-VaR - μ)/σ = Z_c

# 解得VaR：
VaR = -μ - Z_c * σ

由于金融实务中通常关注的是损失（正值），且 \(\mu\) 相对于 \(\sigma\) 较小，许多机构直接使用简化公式：

# 简化公式（忽略均值，适用于短期）
VaR ≈ -Z_c * σ

# 完整公式（考虑均值漂移）
VaR = -μ - Z_c * σ

3.3.2 多资产组合VaR公式

对于包含n个资产的组合，收益率 \( R_p = \sum w_i R_i \)，其中 \( w_i \) 为权重。在正态假设下，组合方差为：

# 组合方差
σ_p^2 = w^T Σ w

# 其中：
# w = [w_1, w_2, ..., w_n]^T 权重向量
# Σ = n×n 协方差矩阵

# 组合VaR
VaR_p = -μ_p - Z_c * σ_p

# 其中 μ_p = Σ w_i * μ_i

3.4 优缺点分析

参数法在业界应用广泛，但其适用性取决于市场环境和资产特性。下表系统对比了参数法的核心优势与主要缺陷：

3.5 参数法与其他VaR方法的对比

为了帮助学员建立全局视角，下表将参数法与历史模拟法、蒙特卡洛模拟法进行横向对比：