欢迎来到风险衡量（Risk Measures）的世界！

在你准备 Exam FAM 的过程中，你已经学过如何利用损失程度（Severity）和发生频率（Frequency）来建立损失模型。但有了这些模型之后，我们该如何真正地“衡量”风险呢？保险公司又该如何精确决定需要准备多少现金储备，以避免陷入破产危机？

在本章中，我们将学习风险价值（Value at Risk, VaR）、尾部风险价值（Tail Value at Risk, TVaR），以及让一个风险衡量指标被视为“良好”（我们称之为“一致性”或“连贯性”，coherence）的正式属性。如果这些听起来像是吓人的金融术语，请别担心——它们的核心不过是百分位数和平均数的进阶应用罢了！

1. 风险价值（Value at Risk, VaR）

风险价值（VaR）其实就是损失分布中的一个特定百分位数。如果你被要求找出 \(VaR_{0.95}\)，你就是在寻找一个金额，使得损失低于该金额的概率为 95%，而高于该金额的概率仅有 5%。

公式

对于损失随机变量 \(X\)，在信赖水平 \(p\) 下的 VaR 为：
\(VaR_p(X) = \pi_p = F_X^{-1}(p)\)
其中 \(\pi_p\) 是分布的第 \(100p\) 个百分位数。

生活中的类比

想象一下你的通勤过程。如果我们说你通勤时间的第 95 百分位数（VaR）是 45 分钟，这意味着有 95% 的情况下，你能在 45 分钟或更短的时间内到达公司。只有在 5% 的“最坏”情况下（如交通意外、暴风雪），才会花费超过 45 分钟。

常见错误

混淆概率与金额： VaR 是一个金额（损失值），而不是一个百分比。如果 \(p = 0.99\)，VaR 是第 99 百分位数对应的金额，而不是 0.99 本身。

快速复习：VaR

• 它是什么？ 一个百分位数（\(\pi_p\)）。
• 它告诉我们什么？ 除了最坏的 \(1-p\) 种情况外，我们预期会看到的最大损失。
• 计算方法： 对于连续型分布，只需解 \(F(x) = p\) 即可求出 \(x\)。

2. 尾部风险价值（Tail Value at Risk, TVaR）

VaR 虽然好用，但它有一个弱点：它不在乎损失一旦超过门槛后会“有多严重”。尾部风险价值（TVaR）解决了这个问题。它问的是：“如果我们处于最坏的 5% 情况下，我们预期会面临的平均损失是多少？”

公式

TVaR 是在已知损失已超过 VaR 的条件下，损失的期望值：
\(TVaR_p(X) = E[X | X > VaR_p(X)]\)
对于连续型分布，这也可以计算为：
\(TVaR_p(X) = \frac{1}{1-p} \int_{p}^{1} VaR_u(X) du\)

实用的计算捷径

在考试中，你通常不想进行复杂的积分。请改用以下关系式：
1. 使用平均超额损失函数（Mean Excess Loss function）\(e(d)\)：
\(TVaR_p(X) = VaR_p(X) + e(VaR_p(X))\)
2. 使用限制期望值（Limited Expected Value）\(E[X \wedge x]\)：
\(TVaR_p(X) = VaR_p(X) + \frac{E[X] - E[X \wedge VaR_p(X)]}{1-p}\)

你知道吗？ TVaR 在其他金融教科书中有时也被称为“预期短缺”（Expected Shortfall）或“条件风险价值”（Conditional Value at Risk, CVaR）！

快速复习：TVaR

• 它是什么？ 分布“尾部”的平均损失。
• 关键见解： \(TVaR_p(X)\) 永远大于或等于 \(VaR_p(X)\)。
• 记忆小撇步： VaR 是坏情况的“边界”；TVaR 是坏情况区域的“平均值”。

3. 风险衡量的属性（一致性 Coherence）

在 1990 年代后期，数学家们确定，为了让一个风险衡量指标（\(\rho\)）被视为“逻辑上合理”或“一致的”，它必须遵循四条特定规则。这些都是常见的考题！

1. 平移不变性（Translation Invariance）

\(\rho(X + c) = \rho(X) + c\)
简单理解： 如果你在投资组合中增加一笔确定的 \(c\) 元损失，你的总风险衡量指标也会刚好增加 \(c\)。

2. 正齐次性（Positive Homogeneity）

\(\rho(cX) = c\rho(X)\)，其中 \(c > 0\)
简单理解： 如果你将投资组合的规模扩大一倍（损失加倍），你的风险衡量指标也会加倍。这里没有所谓的“大量折扣”或“规模惩罚”。

3. 次可加性（Subadditivity）

\(\rho(X + Y) \leq \rho(X) + \rho(Y)\)
简单理解： 分散风险是好事！ 两件事合在一起的风险应小于或等于它们个别风险的总和。
关键点： VaR 并不总是具有次可加性，这也是为什么许多专家偏好 TVaR 的原因。TVaR 则具备次可加性。

4. 单调性（Monotonicity）

若对于所有可能结果都有 \(X \leq Y\)，则 \(\rho(X) \leq \rho(Y)\)。
简单理解： 如果损失 B 总是比损失 A 更严重，那么 B 的风险衡量指标必定高于 A。

记忆辅助： 若要记住这四个属性，请联想 "MSPT"：Monotonicity（单调性）、Subadditivity（次可加性）、Positive Homogeneity（正齐次性）、以及 Translation Invariance（平移不变性）。

重点总结

如果一个风险衡量指标满足以上所有四个属性，我们称其为一致（Coherent）。TVaR 是一致的，但 VaR 不是（因为它可能无法满足次可加性）。

4. 常见分布的应用

考试经常要求你计算特定分布的 VaR 或 TVaR。以下是两个最常见分布的“小抄”：

常态分布（Normal Distribution）

若 \(X \sim N(\mu, \sigma^2)\)：
• \(VaR_p(X) = \mu + \sigma \cdot \Phi^{-1}(p)\)
• \(TVaR_p(X) = \mu + \sigma \cdot \frac{\phi(\Phi^{-1}(p))}{1-p}\)
（其中 \(\phi\) 是标准常态分布的 PDF，而 \(\Phi^{-1}\) 是你表格中的 Z 分数）。

指数分布（Exponential Distribution）

若 \(X \sim Exp(\theta)\)（其中 \(\theta\) 为平均值）：
• \(VaR_p(X) = -\theta \ln(1-p)\)
• \(TVaR_p(X) = VaR_p(X) + \theta\)
注：这是因为指数分布具有“无记忆性”（memoryless），所以超过门槛后的平均超额量永远等于平均值 \(\theta\)！

总结表：VaR vs. TVaR

VaR：
- 逻辑：“最坏的 5% 情况中，最小的损失是多少？”
- 计算：简单百分位数。
- 一致性：否（无法满足次可加性）。
- 信息量：忽略了“极端”尾部的严重程度。

TVaR：
- 逻辑：“最坏的 5% 情况中，平均损失是多少？”
- 计算：条件期望值。
- 一致性：是。
- 信息量：考虑了尾部的厚重程度。

继续练习吧！一旦你克服了符号的障碍，风险衡量其实是 Exam FAM 中最“直观”的部分之一。你做得到的！