欢迎来到金融风险度量！

你好！今天我们将深入探讨 FRM 课程中估值与风险模型 (Valuation and Risk Models) 最重要的章节之一。你可以把风险度量想象成银行或投资公司的“仪表板”。正如机师需要仪表来判断飞行高度和速度，风险经理也需要特定的工具，才能知道公司可能面临多少损失。读完这些笔记后，你将掌握两大核心风险指标——风险价值 (Value at Risk, VaR) 与 预期缺口 (Expected Shortfall, ES)——并学会如何判断一个风险度量指标是否称职。

1. 风险价值 (VaR)：行业标准

风险价值 (VaR) 是金融界最著名的指标。它旨在回答一个问题：“在给定的置信水平下，资产组合在特定时间内预期损失的最大金额是多少？”

VaR 由两个关键参数定义：
1. 时间跨度 (Time Horizon, T)： 我们衡量风险的期间（例如：1 天、10 天）。
2. 置信水平 (Confidence Level, \(1 - \alpha\))： 通常为 95% 或 99%。

例子： 如果一个资产组合的 1 天 95% VaR 为 100 万美元，这意味着该组合在单日内损失“超过”100 万美元的概率仅有 5%。换句话说，我们有 95% 的把握认为损失会控制在 100 万美元以内。

使用正态分布计算 VaR

如果我们假设回报率遵循正态分布（即“钟形曲线”），公式如下：
\( VaR = \mu - (z \times \sigma) \)
其中：
- \( \mu \) 是预期回报（在短期内通常假设为 0）。
- \( \sigma \) 是标准差（波动率）。
- \( z \) 是正态分布表中的临界值（例如：95% 置信水平对应 1.65，99% 对应 2.33）。

小贴士： 在 FRM 考试中，如果题目问及“95% VaR”，你通常需要看 5% 的尾部概率。如果一开始觉得混淆也不必担心——只需记住，置信水平越高（99% 高于 95%），VaR 的数值就会越大，因为你正在观察分布中更“恐怖”的尾部区域。

常见误区： VaR 并“不”代表绝对的最差情况，它仅仅是一个分界线。如果你的 VaR 是 100 万美元，实际损失可能是 110 万、1,000 万，甚至血本无归！VaR 对于“极端尾部”会发生什么情况只字不提。

2. 预期缺口 (ES)：超越分界线

如果 VaR 是一条“分界线”，那么预期缺口 (Expected Shortfall, ES)——又称条件 VaR (CVaR)——就是那条线之外所有损失的平均值。它回答的是：“如果情况变得很糟，且损失超过了 VaR，我们平均预期会损失多少？”

比喻： 想象你在跳过一个坑。VaR 告诉你坑有多宽，而 ES 告诉你一旦掉进去，坑有多深。

为什么要用 ES？
  • 相比 VaR，它能更好地捕捉尾部风险 (Tail Risk)。
  • 它对置信水平之外的损失分布形状更敏感。
  • 它满足一个名为次可加性 (Subadditivity) 的数学特性（VaR 有时无法满足这一点，稍后会详细说明！）。

重点总结： 对于相同的置信水平，ES 永远大于或等于 VaR，因为它代表了“最差情况”损失的平均值。

3. 一致性风险度量：黄金法则

1999 年，研究人员 (Artzner et al.) 提出，一个“良好”或“一致 (Coherent)”的风险度量必须遵守四条数学规则。你可以通过记忆口诀 "M-S-H-T" 来记住它们：

1. 单调性 (Monotonicity)： 若在任何情况下，资产组合 A 的回报总是不如资产组合 B，则 A 的风险必须高于 B 的风险。
2. 次可加性 (Subadditivity)： 两个资产组合合并后的风险，应小于或等于两者风险之和。（分散投资应能降低风险！）
3. 正齐次性 (Positive Homogeneity)： 如果你将资产组合的规模加倍，风险也会加倍。\( Risk(\lambda \times X) = \lambda \times Risk(X) \)。
4. 平移不变性 (Translation Invariance)： 如果你在资产组合中加入现金 (\(k\))，其风险会减少刚好该笔现金的金额。\( Risk(X + k) = Risk(X) - k \)。

你知道吗？ VaR 并“不”总是一致的。特别是在处理非正态分布（如期权或信用债券）时，它可能无法通过次可加性测试。这也是为什么监管机构正逐渐转向使用 ES 的一大原因，因为 ES 确实具备一致性。

4. 估算 VaR 和 ES：三种主要方法

在现实中，我们如何得到这些数字？主要有三种方法：

方法 A：历史模拟法 (Historical Simulation)

提取过去 500 到 1,000 天的实际市场数据，并将这些变动应用于目前的资产组合。
- 优点： 无需假设“钟形曲线”（正态分布），能捕捉“厚尾”现象。
- 缺点： 假设未来会与过去完全相同。

方法 B：参数法 / 方差-协方差法 (Parametric / Variance-Covariance)

假设分布（通常为正态分布）并使用平均值和标准差进行计算。
- 优点： 计算非常快速简便。
- 缺点： 在市场崩盘时表现极差，因为它低估了极端事件（厚尾）发生的概率。

方法 C：蒙特卡洛模拟法 (Monte Carlo Simulation)

电脑根据你设定的规则，生成数千种随机的“假设情境”。
- 优点： 可以对期权和奇异衍生工具等复杂项目进行建模。
- 缺点： 计算成本高且缓慢；存在“垃圾进，垃圾出”的问题（如果你的规则设错了，结果也会是错的）。

5. 谱风险度量 (Spectral Risk Measures)

这是一个较进阶的概念，你可以将其视为一种加权平均。谱风险度量根据投资者的风险厌恶程度，为不同的结果分配权重。
- ES 实际上是谱风险度量的一个特例，其中 VaR 阈值之外的所有损失都被赋予相等的权重，而其他部分权重为零。
- 若要具备一致性，谱风险度量的权重必须为非负且递增（意味着你对更大的损失给予更多关注）。

6. 回测 (Backtesting)：检查你的模型

如何知道你的 VaR 模型是否有效？你需要进行回测 (Backtest)！将你过去的 VaR 预测值与实际发生的损失进行比较。

如果你使用 95% 的每日 VaR 模型，你预期损失会在大约 5% 的时间内超过该数值（例如 100 天中有 5 天）。
- 如果 100 天中超过了 20 次，你的模型低估了风险。
- 如果你从未超过该数值，你的模型可能过于保守（高估了风险），这意味着你占用了过多的资本。

重点快速复习

- VaR： 在 \(X\%\) 置信水平下不会超过的损失水平。
- ES： 在已知损失超过 VaR 的情况下，平均的损失水平。
- 一致性 (Coherence)： 需同时满足单调性、次可加性、正齐次性和平移不变性。
- VaR 的缺陷： VaR 并非总是满足次可加性；而 ES 可以满足。
- 历史模拟法： 使用真实历史数据；无需对分布做任何假设。
- 正态 VaR 公式： \( \mu - z \sigma \)。

别感到压力太大！ 本章的核心仅在于理解我们如何量化“下行风险”。只要记住 VaR 是“沙滩上的分界线”，而 ES 是“分界线后混乱情况的平均值”，你就已经掌握了一半的内容！