欢迎来到 VaR 的世界！

你好！今天我们将深入探讨金融界最著名（也是最重要）的概念之一：风险价值 (Value at Risk，简称 VaR)。如果你曾经好奇银行或对冲基金是如何回答“在正常市场条件下，我们在特定时间跨度内可能面临的最大损失是多少？”这个问题，那你来对地方了。VaR 提供了一个标准化框架，将下行风险量化为单一数值。让我们用清晰的逻辑和实用的例子带你一步步拆解。

1. 到底什么是 VaR？

核心来说，风险价值 (VaR) 衡量的是在特定显著性水平下，于特定时间跨度内预期承受的最低损失；或者等价地说，是在给定置信水平下不会被超过的最大损失。

要定义 VaR，你永远需要两个参数：

1. 时间跨度 (Time Horizon, \(T\))： 我们观察的时间段（例如：1 天、10 天或 1 年）。
2. 置信水平 (Confidence Level, \(1 - \alpha\))： 我们希望达到的确定程度（例如：95% 或 99%，其中 \(\alpha\) 为显著性水平）。

例子： 如果一个投资组合的 1 天 95% VaR 为 100 万美元，这意味着在正常的市场条件下，该投资组合在一天之内损失超过 100 万美元的概率仅为 5%。

解读 VaR 的三种等价说法

• 我们有 95% 的置信度 该投资组合在当天的损失不会超过 100 万美元。
• 当天损失达到或超过 100 万美元的 概率为 5%。
• 在 100 个交易日中，我们预计大约会有 5 天 的损失会超过 100 万美元。

重点提示： VaR 指出了损失分布上的一个门槛分界点，但它并未指明突破该门槛时损失的具体规模。

2. 计算 VaR：参数法 (Delta-Normal 法)

参数法 (Parametric Method)（通常称为 Delta-Normal 法）假设风险因子的收益率遵循特定分布，通常是 正态分布 (Normal Distribution)。

公式

当在显著性水平 \(\alpha\) 下衡量以金额计的损失时，已知临界值为 \(z_{\alpha}\)、标准差为 \(\sigma_{p}\)、预期收益率为 \(\mu_{p}\)，且投资组合价值为 \(V\)：

\( VaR = (z_{\alpha} \times \sigma_{p} - \mu_{p}) \times V \)

注：对于短期跨度（如 1 天），预期收益率 \(\mu_{p}\) 通常假设为零，公式简化为：

\( VaR = z_{\alpha} \times \sigma_{p} \times V \)

必须背下的标准正态临界值 (\(z\) 分数)

• 95% 置信水平（单尾 5% 尾部）：\( z_{0.05} = 1.645 \)
• 99% 置信水平（单尾 1% 尾部）：\( z_{0.01} = 2.326 \)（或 2.33）

因为 99% 水平比 95% 水平更深入极端不利的尾部，所以对于给定的分布，99% VaR 必然严格大于 95% VaR。

3. 调整 VaR：时间平方根法则

当假设收益率在时间上是独立且同分布 (i.i.d.) 且波动率恒定时，标准差会随着时间的平方根缩放：

\( \sigma_{T} = \sigma_{1} \times \sqrt{T} \)

假设在不同跨度间的平均收益率均为零：

\( VaR_{T} = VaR_{1} \times \sqrt{T} \)

警告： 乘以 \(\sqrt{T}\) 进行缩放仅在 i.i.d. 假设下才成立。如果收益率表现出自相关性（均值回归或趋势性）或波动率聚集现象，这项法则将会低估或高估风险。

4. 线性与非线性投资组合及衍生工具

应用 VaR 的方式高度取决于投资组合资产呈现的是线性还是非线性特征。

线性衍生工具（远期合约、期货、互换）

线性合约的收益与标的资产价格的变动呈正比。投资组合价值的变化约为：

\( \Delta P \approx \Delta \times \Delta S \)

由于两者呈线性关系，若标的资产收益率服从正态分布，则投资组合价值变动也服从正态分布，这使得 Delta-Normal 法精确且直接。

非线性衍生工具（期权）

期权具有非对称的收益特征，这是由其曲率驱动的，并由 Gamma (\(\Gamma\)) 衡量：

\( \Delta P \approx \Delta \times \Delta S + \frac{1}{2} \Gamma (\Delta S)^2 \)

• Delta-Normal VaR： 忽略 \(\Gamma\) 项，将期权视为与其 Delta 等价头寸 (\(\Delta \times S\)) 相同的线性头寸。虽然计算速度快，但在大幅度价格变动时会带来显著误差。它会低估期权空头头寸（负 Gamma）的风险，并高估期权多头头寸（正 Gamma）的风险。
• 完全重估法 (Full Revaluation)： 在每个模拟情景或历史冲击下，使用定价模型（如 Black-Scholes-Merton）对期权进行全面重新定价。这能准确捕捉 Gamma 以及更高阶的敏感度。

5. 历史模拟法与蒙特卡洛模拟法

历史模拟法 (Historical Simulation)

这种非参数方法将回溯期内（例如过去 500 天）市场风险因子的实际历史百分比变动应用于当前投资组合，从而构建出假设性损益的经验分布。

• 优点： 不需要分布假设；能自然地纳入厚尾、偏态以及期权的非线性收益特征。
• 缺点： 完全属于“向后看”；无法预测前所未见的冲击；假设历史观测值具有同等权重且彼此独立。

蒙特卡洛模拟法 (Monte Carlo Simulation)

蒙特卡洛法为风险因子构建参数分布，抽取数千条具有相关性的伪随机路径，并通过完全重估法计算每条路径上的投资组合价值。

• 优点： 弹性最大；能够模拟路径依赖型和复杂的非线性衍生工具；能处理多种资产之间的相互作用。
• 缺点： 运算成本极高；面临严重的一致性模型风险与参数估计误差。

6. 相关性失效与最坏情景分析

相关性失效 (Correlation Breakdown)

在标准 VaR 模型中，分散投资的效益仰赖于资产之间历史相关性的估计。然而，在市场面临严重危机时，经验相关性往往会失效：

• 通常不相关或呈负相关的资产往往会出现急剧、同步的下跌，推动相关系数趋近于 +1。
• 这种现象称为相关性失效，它在最需要避险保护的时刻消除了预期的分散投资效益，导致实际损失远远超出模型预测的 VaR。

最坏情景分析 vs. VaR

VaR 衡量的是在正常市场条件下、以特定统计置信可能发生的损失，而最坏情景分析 (Worst-Case Scenario Analysis, WCS) 则是检视在严峻但合理的情景下的最大潜在损失，而不考虑历史概率分布。

• VaR： 依赖分布假设、基于百分位数，且无法说明超出分界门槛后的尾部损失严重程度。
• 最坏情景分析： 侧重于极端尾部结果、压力情景以及统计关系和相关性失效时的结构性机制转变。

7. VaR 的限制总结

1. 尾部盲区 (Tail Blindness)： VaR 仅指出门槛损失，完全无法揭示超出该点后的损失幅度。在实务上通常搭配 预期损失 (Expected Shortfall, ES) 来衡量尾部的平均损失。
2. 非次加性 (Non-Subadditivity)： VaR 一般来说并非一致性风险度量 (coherent risk measure)，因为它可能违反次加性：合并后投资组合的 VaR 可能会大于各单项资产 VaR 的总和。
3. 模型风险 (Model Risk)： 针对正态性、稳定相关性或波动率动态特征的不准确假设，会导致风险估计产生偏差。