歡迎來到 VaR 的世界！

你好！今天我們將深入探討金融界最著名（也是最重要）的概念之一：風險價值 (Value at Risk，簡稱 VaR)。如果你曾經好奇銀行或對沖基金是如何回答「在正常市場條件下，我們在特定時間跨度內可能面臨的最大損失是多少？」這個問題，那你來對地方了。VaR 提供了一個標準化框架，將下行風險量化為單一數值。讓我們用清晰的邏輯和實用的例子帶你一步步拆解。

1. 到底什麼是 VaR？

核心來說，風險價值 (VaR) 衡量的是在特定顯著性水準下，於特定時間跨度內預期承受的最低損失；或者等價地說，是在給定信心水準下不會被超過的最大損失。

要定義 VaR，你永遠需要兩個參數：

1. 時間跨度 (Time Horizon, \(T\))： 我們觀察的時間段（例如：1 天、10 天或 1 年）。
2. 信心水準 (Confidence Level, \(1 - \alpha\))： 我們希望達到的確定程度（例如：95% 或 99%，其中 \(\alpha\) 為顯著性水準）。

例子： 如果一個投資組合的 1 天 95% VaR 為 100 萬美元，這意味著在正常的市場條件下，該投資組合在一天之內損失超過 100 萬美元的機率僅為 5%。

解讀 VaR 的三種等價說法

• 我們有 95% 的信心 該投資組合在當天的損失不會超過 100 萬美元。
• 當天損失達到或超過 100 萬美元的 機率為 5%。
• 在 100 個交易日中，我們預計大約會有 5 天 的損失會超過 100 萬美元。

重點提示： VaR 指出了損失分配上的一個門檻分界點，但它並未指明突破該門檻時損失的具體規模。

2. 計算 VaR：參數法 (Delta-Normal 法)

參數法 (Parametric Method)（通常稱為 Delta-Normal 法）假設風險因子的報酬率遵循特定分配，通常是 常態分配 (Normal Distribution)。

公式

當在顯著性水準 \(\alpha\) 下衡量以金額計的損失時，已知臨界值為 \(z_{\alpha}\)、標準差為 \(\sigma_{p}\)、預期報酬率為 \(\mu_{p}\)，且投資組合價值為 \(V\)：

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

註：對於短期跨度（如 1 天），預期報酬率 \(\mu_{p}\) 通常假設為零，公式簡化為：

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

必須背下的標準常態臨界值 (\(z\) 分數)

• 95% 信心水準（單尾 5% 尾部）：\( z_{0.05} = 1.645 \)
• 99% 信心水準（單尾 1% 尾部）：\( z_{0.01} = 2.326 \)（或 2.33）

因為 99% 水準比 95% 水準更深入極端不利的尾部，所以對於給定的分配，99% VaR 必然嚴格大於 95% VaR。

3. 調整 VaR：時間平方根法則

當假設報酬率在時間上是獨立且相同分佈 (i.i.d.) 且波動度恆定時，標準差會隨著時間的平方根縮放：

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

假設在不同跨度間的平均報酬率均為零：

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

警告： 乘以 \(\sqrt{T}\) 進行縮放僅在 i.i.d. 假設下才成立。如果報酬率表現出自相關性（均值回歸或趨勢性）或波動度聚集現象，這項法則將會低估或高估風險。

4. 線性與非線性投資組合及衍生工具

應用 VaR 的方式高度取決於投資組合資產呈現的是線性還是非線性特徵。

線性衍生工具（遠期合約、期貨、掉期）

線性合約的收益與標的資產價格的變動呈正比。投資組合價值的變化約為：

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

由於兩者呈線性關係，若標的資產報酬率服從常態分配，則投資組合價值變動也服從常態分配，這使得 Delta-Normal 法精確且直接。

非線性衍生工具（期權）

期權具有非對稱的收益特徵，這是由其曲率驅動的，並由 Gamma (\(\Gamma\)) 衡量：

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

• Delta-Normal VaR： 忽略 \(\Gamma\) 項，將期權視為與其 Delta 等價頭寸 (\(\Delta \times S\)) 相同的線性頭寸。雖然計算速度快，但在大幅度價格變動時會帶來顯著誤差。它會低估期權空頭頭寸（負 Gamma）的風險，並高估期權多頭頭寸（正 Gamma）的風險。
• 完全重估法 (Full Revaluation)： 在每個模擬情境或歷史衝擊下，使用定價模型（如 Black-Scholes-Merton）對期權進行全面重新定價。這能準確捕捉 Gamma 以及更高階的敏感度。

5. 歷史模擬法與蒙地卡羅模擬法

歷史模擬法 (Historical Simulation)

這種非參數方法將回溯期內（例如過去 500 天）市場風險因子的實際歷史百分比變動應用於當前投資組合，從而構建出假設性損益的經驗分配。

• 優點： 不需要分配假設；能自然地納入厚尾、偏態以及期權的非線性收益特徵。
• 缺點： 完全屬於「向後看」；無法預測前所未見的衝擊；假設歷史觀測值具有同等權重且彼此獨立。

蒙地卡羅模擬法 (Monte Carlo Simulation)

蒙地卡羅法為風險因子構建參數分配，抽取數千條具有相關性的偽隨機路徑，並透過完全重估法計算每條路徑上的投資組合價值。

• 優點： 彈性最大；能夠模擬路徑依賴型和複雜的非線性衍生工具；能處理多種資產之間的相互作用。
• 缺點： 運算成本極高；面臨嚴重的模型風險與參數估計誤差。

6. 相關性失效與最壞情境分析

相關性失效 (Correlation Breakdown)

在標準 VaR 模型中，分散投資的效益仰賴於資產之間歷史相關性的估計。然而，在市場面臨嚴重危機時，經驗相關性往往會失效：

• 通常不相關或呈負相關的資產往往會出現急劇、同步的下跌，推動相關係數趨近於 +1。
• 這種現象稱為相關性失效，它在最需要避險保護的時刻消除了預期的分散投資效益，導致實際損失遠遠超出模型預測的 VaR。

最壞情境分析 vs. VaR

VaR 衡量的是在正常市場條件下、以特定統計信心可能發生的損失，而最壞情境分析 (Worst-Case Scenario Analysis, WCS) 則是檢視在嚴峻但合理的壓力情境下的最大潛在損失，而不考慮歷史機率分配。

• VaR： 依賴分配假設、基於百分位數，且無法說明超出分界門檻後的尾部損失嚴重程度。
• 最壞情境分析： 側重於極端尾部結果、壓力情境以及統計關係和相關性失效時的結構性機制轉變。

7. VaR 的限制總結

1. 尾部盲區 (Tail Blindness)： VaR 僅指出門檻損失，完全無法揭示超出該點後的損失幅度。在實務上通常搭配 預期損失 (Expected Shortfall, ES) 來衡量尾部的平均損失。
2. 非次加性 (Non-Subadditivity)： VaR 一般來說並非一致性風險度量 (coherent risk measure)，因為它可能違反次加性：合併後投資組合的 VaR 可能會大於各單項資產 VaR 的總和。
3. 模型風險 (Model Risk)： 針對常態性、穩定相關性或波動度動態特徵的不準確假設，會導致風險估計產生偏差。