欢迎来到市场风险评估的世界！

你好！既然你已经进入了 FRM Part II 的学习阶段，你一定很清楚“风险”就是“损失的可能性”。但在专业领域中，“可能性”这三个字远远不够精确，我们需要将其量化。在本章“市场风险测度估计”中，我们将从理论定义转向实际的“操作层面”。我们将探讨估算风险价值（VaR）和预期亏损（ES）的不同方法，并研究驱动这些模型的数据。别担心数学部分看起来很繁重——我们会将其拆解成简单且合乎逻辑的步骤！

1. 基础：如何选择数据

在运行模型之前，我们需要数据。请将数据想像成风险“食谱”中的“食材”。如果食材不新鲜或用错了，结果就会一团糟！

数据窗口（Window）与加权（Weighting）

我们应该观察多少过往数据？这就是所谓的窗口。
- 长窗口： 提供更多数据点，使结果更稳定，但可能包含与当前市场无关的“远古历史”。
- 短窗口： 对近期市场冲击反应非常灵敏，但结果可能会显得“跳跃”或过于波动。

加权的艺术：
通常，我们会给窗口内的每一天赋予相同的权重（等权加权）。然而，我们可以使用指数加权移动平均法（EWMA）来赋予近期事件更高的权重。
类比： 如果你试图预测明天的天气，今天的天气状况显然比三年前的今天更有参考价值！

快速回顾：
- 等权加权（Equal Weighting）： 方法简单，但对新危机的反应较慢。
- 年龄加权（Age Weighting）： 近期数据占比更高。这有助于模型在波动率飙升时更快地“觉醒”。

2. 无参数法：历史模拟法（Historical Simulation, HS）

历史模拟法是最受欢迎的“无参数”方法。“无参数”简单来说就是我们不假设数据遵循特定的分布形状（例如正态分布的钟形曲线）。我们只是让过往数据自己说话。

运作方式（逐步说明）：

1. 收集一系列过往回报（例如过去 500 天）。
2. 将这些回报从最差（最大损失）到最好（最大收益）进行排名。
3. 如果你想计算 95% 的 VaR，请观察排名中最后 5% 的区域。该“临界点”的数值即为你的 VaR。

历史模拟法的优缺点：

- 优点： 容易向管理层解释，不需要复杂的微积分。
- 优点： 因为使用真实发生的历史事件，能自然地捕捉到“肥尾效应”（极端事件）。
- 缺点：鬼影效应（Ghosting Effect）。 如果 250 天前发生过一次重大崩盘，而你的窗口正是 250 天，那么明天那次崩盘将会“滑出”窗口，导致你的风险测度突然下降，尽管市场本身并没有发生变化。
- 缺点： 它假设未来会和过去完全一样，无法处理尚未发生的事件。

3. 参数法：正态分布

在参数法中，我们假设市场回报遵循特定的数学分布，通常是正态分布（Normal Distribution），也就是钟形曲线。

公式

对于一个平均回报为 \( \mu \) 且标准差为 \( \sigma \) 的投资组合，在置信水平 \( \alpha \) 下的 VaR 为：
\[ VaR = - (\mu + \sigma \times Z_{\alpha}) \]
（注意：我们通常将 VaR 表达为代表损失的正数，这就是为什么前面会有一个负号）。

常见需背诵的 Z 分数：
- 95% 置信水平： \( Z = 1.645 \)
- 99% 置信水平： \( Z = 2.326 \)

“肥尾”问题

现实世界的金融回报几乎总是具有肥尾效应（峰度过高，Leptokurtosis）。这意味着极端损失发生的频率比正态分布所预测的要高得多。
你知道吗？ 如果市场回报真的是“正态”的，那么 2008 年金融危机在统计学上是不可能发生的。由于正态分布低估了“极端情况”，它可能会给人一种虚假的安全感。

关键结论： 参数模型计算快速且简单，但如果你选择了错误的分布（例如对肥尾数据使用正态分布），你将会有危险地低估你的风险。

4. 一致性风险测度与预期亏损（Expected Shortfall, ES）

并非所有的风险测度都是平等的。要成为一个“好”（或称为一致性/Coherent）的风险测度，必须遵循四个数学规则：

1. 单调性（Monotonicity）： 如果投资组合 A 的表现总是比投资组合 B 差，那么 A 的风险测度必须更高。（这是常识！）
2. 次可加性（Subadditivity）： (A + B) 的风险应该小于或等于 A 的风险加上 B 的风险。这反映了分散投资的益处。
3. 正齐次性（Positive Homogeneity）： 如果你将部位扩大一倍，你的风险也会增加一倍。
4. 平移不变性（Translation Invariance）： 如果你在投资组合中加入现金（无风险资产），你的风险应该会减少该确切数额。

VaR 的重大缺陷

VaR 并非总是一致的，因为它经常无法通过次可加性测试。在某些奇怪的情况下，结合两个投资组合甚至会使总体 VaR 上升！这也是监管机构转向使用预期亏损（ES）的主要原因。

预期亏损（Expected Shortfall, ES）

VaR 询问的是：“在非常糟糕的一天，我最少可能会损失多少？”，而 ES 询问的则是：“如果真的发生了糟糕的一天且损失超过了 VaR，我们平均会损失多少？”
- ES 具有一致性（总是满足次可加性）。
- ES 观察的是分布的整个“尾部”，而不仅仅是一个单一的点。
- 以公式定义，ES 是在损失超过 VaR 的条件下，损失的期望值。

5. 估计分布形状：极值理论（Extreme Value Theory, EVT）

如果历史模拟法过于着眼过去，而参数模型又显得太“完美”，是否有中间地带？有的：极值理论（EVT）。

EVT 是一种“半参数”方法。它不试图建立整个分布的模型（包括获利和小额损失），而只对“尾部”（极端损失）进行建模。
类比： 想像一位医生不关心你的身高体重，他只关心你发烧到 104 度时的症状。这就是 EVT——它只专注于“发烧”（危机）本身。

常见的 EVT 方法：
1. 区块极大值法（Block Maxima）： 取不同时期内的最大损失（例如每个月最糟糕的一天）。这遵循广义极值分布（GEV）。
2. 阈值超过法（Peaks Over Threshold, POT）： 观察每一个超过特定“惊人”水平的损失。这遵循广义帕累托分布（GPD）。

6. 总结与最后建议

别感到不知所措！以下是你需要记住的要点：
- 历史模拟法简单且使用真实数据，但会受到“鬼影效应”的困扰。
- 参数 VaR 简洁优雅，但往往会漏掉“肥尾”。
- VaR 很受欢迎，但它不是一致的（无法满足次可加性）。
- 预期亏损（ES）是一致的，并能告诉我们“尾部损失”的平均值。
- EVT 是专门用于模拟“最坏情况”的专业工具。

要避免的常见错误：
学员常以为 VaR 告诉你的是最大可能损失。其实不是！它只告诉你若发生最差 X% 的情况时，你预期会遇到的最少损失。在 VaR 之外，永远还存在一个“尾部”风险！

持续练习这些概念——一旦你理解了模型背后的“为什么”，“如何计算”（数学部分）就会变得容易管理得多！