欢迎来到市场风险：非参数方法 (Non-parametric Approaches)！
在 FRM Part I 的学习过程中，你大概花了不少时间探讨“常态分布”(那条著名的钟形曲线)。虽然钟形曲线很优雅，但真实的金融市场往往非常混乱——它们存在“肥尾”(fat tails) 和意想不到的剧烈波动。非参数方法正是解决这种混乱的良方。我们不再强行将数据套入特定的形状或公式中，而是让历史数据“自己说话”。你可以把它想象成“从历史中学习”，而不是“靠数学猜测”。
1. 历史模拟法 (Historical Simulation, HS)：基础篇
历史模拟法是最简单的非参数方法。它假设过去发生的事情，就是预测明天可能发生情况的最佳指标。
操作步骤：
1. 收集你现有投资组合的一系列过去日回报数据 (例如过去 1,000 天)。
2. 将这些历史回报率应用于你现在的投资组合价值，看看会产生什么样的盈亏 (P&L)。
3. 将这些盈亏结果由差至好 (从最大亏损到最大盈利) 进行排序。
4. 如果你想计算 95% 的风险价值 (VaR)，只需观察排序后第 5 个百分位数的亏损额即可。
类比：想象你是一个通勤族。为了预测明天开车需要多少时间，你查阅了过去 100 天的记录。你不需要计算复杂的“通勤分布”；你只需要看看过去 100 天里最糟的 5 次驾驶时间。这就是历史模拟法。
HS 的优点：
• 无需分布假设：你完全不用管数据是否常态、有无偏态或肥尾。
• 简便易懂：非常容易向高层管理人员解释。
• 一致性：相比某些参数模型，它能更自然地处理“预期亏损”(Expected Shortfall, ES)。
HS 的缺点：
• “幽灵效应”(Ghost Effect)：两年前发生的极端事件会一直留在你的 VaR 计算中，直到它突然从数据窗口中“掉出去”，这会导致即便市场目前风平浪静，你的 VaR 也会突然跳动。
• 样本量陷阱：如果你的窗口期太短 (例如 50 天)，可能会错过重大崩盘；如果太长，过时且不相关的旧数据可能会稀释当前的风险。
快速回顾：HS 直接使用过去数据，没有公式，纯粹是历史数据排序。
2. 年龄加权历史模拟法 (BRW 方法)
基础 HS 的一个主要缺陷是，它将两年前的数据点与昨天的数据点一视同仁。但实际上，昨天的市场状况通常更具参考价值。
Boudoukh, Richardson 和 Whitelaw (BRW) 方法透过为数据分配权重来解决这个问题。利用衰减因子 \(\lambda\) (通常在 0.97 到 0.99 之间)，较新的数据会获得较高的权重，较旧的数据权重则较低。
公式：
对于 \(i\) 天前的回报，其权重为：
\(w(i) = \frac{\lambda^{i-1}(1-\lambda)}{1-\lambda^n}\)
为什么这很有用？
• 它减少了幽灵效应，因为旧的极端值会逐渐淡出，而不是一次性消失。
• 它使模型能对近期的市场冲击做出更快的反应。
核心观点：年龄加权让“近期历史”比“遥远过去”更重要。
3. 波动率加权历史模拟法 (Hull-White)
如果市场在 6 个月前非常平静，但今天却非常疯狂 (高波动) 怎么办？基础 HS 会使用那些“平静”的回报，从而低估今天的风险。波动率加权 (由 Hull 和 White 提出) 会调整过去的回报，以反映当前的波动率水平。
逻辑：
如果某只股票在低波动率时期变动了 1%，那么在波动率高的时候，同样的变动幅度可能会大得多。我们需要将过去的回报进行“放大”或“缩小”。
缩放步骤：
若要调整过去第 \(t\) 天的回报，我们使用：
\(r_{t}^* = r_{t} \times \left( \frac{\sigma_{T}}{\sigma_{t}} \right)\)
其中：
• \(r_{t}^*\) 是调整后的回报。
• \(r_{t}\) 是过去实际的回报。
• \(\sigma_{T}\) 是当前 (今日) 的波动率。
• \(\sigma_{t}\) 是历史上该日的波动率。
你知道吗？如果当前波动率处于历史最高水平，这种方法甚至可能产生比历史记录中任何情况都要大的“模拟”损失！
4. 过滤历史模拟法 (Filtered Historical Simulation, FHS)
别被名字吓到了！过滤历史模拟法其实是一种“混合”方法。它结合了参数模型 (如 GARCH) 和非参数模型 (HS) 的优点。
过程：
1. 过滤 (Filter)：我们取过去的回报，并将每个回报除以当日的波动率，将其“标准化”。这会留下“残差”(去除了波动率影响的回报)。
2. 自助抽样 (Bootstrap)：我们从这些标准化残差中随机抽取。
3. 预测 (Forecast)：我们将抽取的残差乘以未来波动率的预测值 (使用像 GARCH 这样的模型)。
4. 结果：这会得到一个既考虑了当前波动率趋势，又保留了历史数据“非正态”形状的分布。
类比：想象你有一段歌手的录音。基础 HS 就像直接播放磁带；而过滤历史模拟就像提取歌手的声音 (回报)，去除背景噪音/音量 (旧波动率)，然后通过现代化、高功率的放大器 (当前波动率预测) 播放出来。
5. 限制与比较
虽然非参数方法很强大，但它们并不完美。这里有一个快速比较，供你放入“学习工具箱”：
常见错误：
• “过去是序幕”陷阱：请记住，HS 无法预测从未发生过的危机 (如“黑天鹅”事件)。
• 数据需求：非参数方法需要大量数据才能可靠。如果你只有 100 天的数据，你的 99% VaR 就只是那最糟的一天——这并不稳健！
快速总结表：
• 基础 HS：简单，但有幽灵效应且忽略当前趋势。
• 年龄加权：透过偏好近期数据来修复幽灵效应。
• 波动率加权：透过缩放回报来解决波动率问题。
• FHS：最复杂；能同时处理波动率聚集 (volatility clustering) 和肥尾现象。
6. 自助抽样法 (The Bootstrap Method)
自助抽样法 (Bootstrap) 是一种用来评估 VaR 准确性的统计技巧。与其只取一次 1,000 天的样本，我们进行“有放回的重新抽样”(resample with replacement)。
如何运作：
想象帽子里有 1,000 张纸条 (代表每日回报)。你随机抽一张，记录下来，然后把它放回帽子里。你重复这个动作 1,000 次。你可能会抽到同一个“倒霉日”三次，也可能一次都没抽到。透过重复这个过程数千次，你可以观察到 VaR 估算值会产生多大变化。这有助于我们理解风险估算的标准误差。
核心观点：自助抽样法旨在测试我们特定的历史样本有多“幸运”或“不幸”。
如果加权公式看起来很深奥，别担心！对于 FRM 考试，最重要的是理解我们为什么要使用它们 (为了修复基础 HS 的缺陷) 以及调整的方向 (当前波动率高时放大回报)。你一定没问题的！