歡迎來到金融風險度量！

你好！今天我們將深入探討 FRM 課程中估值與風險模型 (Valuation and Risk Models) 最重要的章節之一。你可以把風險度量想像成銀行或投資公司的「儀表板」。正如機師需要儀表來判斷飛行高度和速度，風險經理也需要特定的工具，才能知道公司可能面臨多少損失。讀完這些筆記後，你將掌握兩大核心風險指標——風險價值 (Value at Risk, VaR) 與 預期缺口 (Expected Shortfall, ES)——並學會如何判斷一個風險度量指標是否稱職。

1. 風險價值 (VaR)：行業標準

風險價值 (VaR) 是金融界最著名的指標。它旨在回答一個問題：「在給定的置信水平下，資產組合在特定時間內預期損失的最大金額是多少？」

VaR 由兩個關鍵參數定義：
1. 時間跨度 (Time Horizon, T)： 我們衡量風險的期間（例如：1 天、10 天）。
2. 置信水平 (Confidence Level, \(1 - \alpha\))： 通常為 95% 或 99%。

例子： 如果一個資產組合的 1 天 95% VaR 為 100 萬美元，這意味著該組合在單日內損失「超過」100 萬美元的機率僅有 5%。換句話說，我們有 95% 的把握認為損失會控制在 100 萬美元以內。

使用常態分佈計算 VaR

如果我們假設回報率遵循常態分佈（即「鐘形曲線」），公式如下：
\( VaR = \mu - (z \times \sigma) \)
其中：
- \( \mu \) 是預期回報（在短期內通常假設為 0）。
- \( \sigma \) 是標準差（波動率）。
- \( z \) 是常態分佈表中的臨界值（例如：95% 置信水平對應 1.65，99% 對應 2.33）。

小貼士： 在 FRM 考試中，如果題目問及「95% VaR」，你通常需要看 5% 的尾部機率。如果一開始覺得混淆也不必擔心——只需記住，置信水平越高（99% 高於 95%），VaR 的數值就會越大，因為你正在觀察分佈中更「恐怖」的尾部區域。

常見誤區： VaR 並「不」代表絕對的最差情況，它僅僅是一個分界線。如果你的 VaR 是 100 萬美元，實際損失可能是 110 萬、1,000 萬，甚至血本無歸！VaR 對於「極端尾部」會發生什麼情況隻字不提。

2. 預期缺口 (ES)：超越分界線

如果 VaR 是一條「分界線」，那麼預期缺口 (Expected Shortfall, ES)——又稱條件 VaR (CVaR)——就是那條線之外所有損失的平均值。它回答的是：「如果情況變得很糟，且損失超過了 VaR，我們平均預期會損失多少？」

比喻： 想像你在跳過一個坑。VaR 告訴你坑有多寬，而 ES 告訴你一旦掉進去，坑有多深。

為什麼要用 ES？
  • 相比 VaR，它能更好地捕捉尾部風險 (Tail Risk)。
  • 它對置信水平之外的損失分佈形狀更敏感。
  • 它滿足一個名為次可加性 (Subadditivity) 的數學特性（VaR 有時無法滿足這一點，稍後會詳細說明！）。

重點總結： 對於相同的置信水平，ES 永遠大於或等於 VaR，因為它代表了「最差情況」損失的平均值。

3. 一致性風險度量：黃金法則

1999 年，研究人員 (Artzner et al.) 提出，一個「良好」或「一致 (Coherent)」的風險度量必須遵守四條數學規則。你可以透過記憶口訣 "M-S-H-T" 來記住它們：

1. 單調性 (Monotonicity)： 若在任何情況下，資產組合 A 的回報總是不如資產組合 B，則 A 的風險必須高於 B 的風險。
2. 次可加性 (Subadditivity)： 兩個資產組合合併後的風險，應小於或等於兩者風險之和。（分散投資應能降低風險！）
3. 正齊次性 (Positive Homogeneity)： 如果你將資產組合的規模加倍，風險也會加倍。\( Risk(\lambda \times X) = \lambda \times Risk(X) \)。
4. 平移不變性 (Translation Invariance)： 如果你在資產組合中加入現金 (\(k\))，其風險會減少剛好該筆現金的金額。\( Risk(X + k) = Risk(X) - k \)。

你知道嗎？ VaR 並「不」總是一致的。特別是在處理非常態分佈（如期權或信用債券）時，它可能無法通過次可加性測試。這也是為什麼監管機構正逐漸轉向使用 ES 的一大原因，因為 ES 確實具備一致性。

4. 估算 VaR 和 ES：三種主要方法

在現實中，我們如何得到這些數字？主要有三種方法：

方法 A：歷史模擬法 (Historical Simulation)

提取過去 500 到 1,000 天的實際市場數據，並將這些變動應用於目前的資產組合。
- 優點： 無需假設「鐘形曲線」（常態分佈），能捕捉「厚尾」現象。
- 缺點： 假設未來會與過去完全相同。

方法 B：參數法 / 變異數-共變異數法 (Parametric / Variance-Covariance)

假設分佈（通常為常態分佈）並使用平均值和標準差進行計算。
- 優點： 計算非常快速簡便。
- 缺點： 在市場崩盤時表現極差，因為它低估了極端事件（厚尾）發生的機率。

方法 C：蒙地卡羅模擬法 (Monte Carlo Simulation)

電腦根據你設定的規則，生成數千種隨機的「假設情境」。
- 優點： 可以對期權和奇異衍生工具等複雜項目進行建模。
- 缺點： 計算成本高且緩慢；存在「垃圾進，垃圾出」的問題（如果你的規則設錯了，結果也會是錯的）。

5. 譜風險度量 (Spectral Risk Measures)

這是一個較進階的概念，你可以將其視為一種加權平均。譜風險度量根據投資者的風險厭惡程度，為不同的結果分配權重。
- ES 實際上是譜風險度量的一個特例，其中 VaR 閾值之外的所有損失都被賦予相等的權重，而其他部分權重為零。
- 若要具備一致性，譜風險度量的權重必須為非負且遞增（意味著你對更大的損失給予更多關注）。

6. 回測 (Backtesting)：檢查你的模型

如何知道你的 VaR 模型是否有效？你需要進行回測 (Backtest)！將你過去的 VaR 預測值與實際發生的損失進行比較。

如果你使用 95% 的每日 VaR 模型，你預期損失會在大約 5% 的時間內超過該數值（例如 100 天中有 5 天）。
- 如果 100 天中超過了 20 次，你的模型低估了風險。
- 如果你從未超過該數值，你的模型可能過於保守（高估了風險），這意味著你佔用了過多的資本。

重點快速複習

- VaR： 在 \(X\%\) 置信水平下不會超過的損失水準。
- ES： 在已知損失超過 VaR 的情況下，平均的損失水準。
- 一致性 (Coherence)： 需同時滿足單調性、次可加性、正齊次性和平移不變性。
- VaR 的缺陷： VaR 並非總是滿足次可加性；而 ES 可以滿足。
- 歷史模擬法： 使用真實歷史數據；無需對分佈做任何假設。
- 常態 VaR 公式： \( \mu - z \sigma \)。

別感到壓力太大！ 本章的核心僅在於理解我們如何量化「下行風險」。只要記住 VaR 是「沙灘上的分界線」，而 ES 是「分界線後混亂情況的平均值」，你就已經掌握了一半的內容！