歡迎來到風險度量質量評估：你的現實檢查點

你好！歡迎來到 FRM Part II 課程中最實用的章節之一。在之前的章節中，你已經學會了如何計算像是風險價值 (VaR) 和 預期缺口 (Expected Shortfall, ES) 等風險度量指標。但這裡有一個大問題：我們怎麼知道這些數字到底準不準？

把它想像成一個天氣預報 App。如果 App 說降雨機率只有 1%，但卻連續一週每天都傾盆大雨，你大概會直接刪掉這個 App！評估風險度量的質量，其實就是給我們的模型「打分數」，看看它們預測未來的準確度如何。這一點至關重要，因為如果我們的模型過於樂觀，我們可能無法持有足夠的資本來度過金融危機。

在本章中，我們將探討如何利用歷史數據來測試這些模型，這個過程被稱為回溯測試 (Backtesting)。

1. 風險價值 (VaR) 的回溯測試

回溯測試是一個將 VaR 模型預測的損失與實際發生的損失進行比較的過程。我們主要尋找的是「例外情況」（也稱為「違約 (Breaches)」或「異常值 (Outliers)」）。

什麼是例外情況？
如果你的 1 日 99% VaR 是 100 萬美元，而你今天實際虧損了 150 萬美元，這就是一個例外情況。因為損失超過了你的 VaR 預估值。

例外情況的頻率

如果我們使用 99% 的 VaR 模型，我們預期例外情況只會發生在 1% 的時間內。在 100 天裡，我們預期會有 1 次例外；在 250 天（大約一個交易年度）內，我們預期會有 2.5 次例外。

金髮女孩問題 (The Goldilocks Problem)：
1. 例外太多： 表示你的模型低估了風險。這是很危險的，因為你對大額虧損毫無準備。
2. 例外太少： 表示你的模型高估了風險。雖然這很「安全」，但卻缺乏效率，因為你佔用了太多本可以用在其他地方的資金。

核心重點：

一個好的 VaR 模型應該要產生「剛剛好」的例外次數，並與所選擇的置信水平保持一致。

2. VaR 的統計測試：Kupiec 測試

如果一開始看到數學公式覺得很可怕，不用擔心！這些測試的目標只是為了確定我們看到的例外次數究竟是有統計顯著性，還是僅僅因為隨機運氣。

失敗比例 (POF) 測試

由 Kupiec 開發，該測試僅關注例外情況的總次數。它使用概似比 (Likelihood Ratio, LR) 測試來檢驗觀察到的失敗率是否與模型設定的目標失敗率存在顯著差異。

虛無假設 (\( H_0 \)) 為模型是準確的（失敗率等於 \( p \)）。

Kupiec POF 測試的公式為：
\( LR_{POF} = -2 \ln \left[ \frac{(1-p)^{n-x} p^x}{(1-\hat{p})^{n-x} \hat{p}^x} \right] \)

其中：
- \( n \) = 觀察總次數
- \( x \) = 例外情況次數
- \( p \) = 理論失敗率（例如：99% VaR 對應 0.01）
- \( \hat{p} \) = 觀察失敗率 (\( x/n \))

快速回顧： 該測試服從自由度為 1 的卡方 (\( \chi^2 \)) 分佈。如果 \( LR \) 值高於臨界值（在 95% 置信水平下通常為 3.84），我們就拒絕該模型！

3. 獨立性測試：Christoffersen 測試

Kupiec 測試有一個缺陷：它只計算例外情況的總數，而不關心它們何時發生。試想如果一家銀行在單週內出現了 5 次例外，即使他們全年總共只有 5 次例外，集中出現也暗示模型沒有對不斷變化的市場狀況做出反應。這被稱為波動率聚類 (Volatility Clustering)。

Christoffersen 獨立性測試檢查例外情況是否彼此獨立。它問的是：「如果昨天發生了例外，今天發生例外的機率是否會更高？」

回溯測試質量的三個階段：
1. 無條件覆蓋 (Unconditional Coverage)： 我們得到的例外數量是否正確？（Kupiec 測試）
2. 獨立性 (Independence)： 例外情況是否隨機分佈？
3. 條件覆蓋 (Conditional Coverage)： 兩者的結合——我們是否得到了正確的數量，且它們是均勻分佈的？

記憶小撇步： Kupiec 負責計算數量，Christoffersen 負責檢查分佈！

4. 巴塞爾「紅綠燈」系統

監管機構（巴塞爾委員會）使用一套簡單的顏色編碼系統，根據銀行在過去 250 天（以 99% 置信水平計算）的回溯測試結果來進行懲罰。

1. 綠燈區（0 到 4 次例外）：
模型被認為是「好的」。沒有監管懲罰。資本要求的「乘數因子」維持在基礎水平（通常為 3）。

2. 黃燈區（5 到 9 次例外）：
模型處於「有疑問」狀態。監管機構會通過增加一個「加號 (plus)」因子到你的乘數中來提高你的資本要求。這就像收到一張警告罰單。

3. 紅燈區（10 次及以上例外）：
模型「失效」了。該模型幾乎肯定有瑕疵。乘數會顯著增加（通常增加 1.0），監管機構甚至可能強制銀行完全停止使用該模型。

你知道嗎？「紅燈區」從 10 次開始是因為一個正確的 99% 模型在 250 天內產生 10 次以上例外的機率非常低（小於 0.01%）。

5. 預期缺口 (ES) 的回溯測試

對預期缺口 (ES) 進行回溯測試比對 VaR 進行回溯測試要困難得多。這是因為 VaR 只關注虧損超過某個金額的頻率，而 ES 關注的是當超過 VaR 時，實際虧損了多少。

「可引出性 (Elicitability)」的挑戰

用專業術語來說，VaR 是可引出的 (elicitable)，這意味著存在一種數學評分函數，可以用來輕鬆比較不同模型。直到最近，人們還認為 ES 不具備可引出性，這使得對其進行回溯測試變得更加困難。

ES 回溯測試的標準化方法

由於我們不能單純地計算「命中次數」，我們通常會使用條件分佈。我們觀察的是例外情況的「規模」。如果我們的 ES 是 200 萬美元，但在出現例外時的實際平均損失高達 1000 萬美元，那麼這個 ES 模型就沒有捕捉到「尾部風險」。

常見陷阱： 學生常認為 ES 更好，因為它能捕捉到尾部風險（這是事實），但他們忘了它比 VaR 更難驗證和進行回溯測試！

6. 模型風險與驗證

模型風險是指因使用錯誤或被誤用的模型而導致損失的風險。評估風險度量的質量不僅僅是數學問題，更是治理問題。

模型驗證的核心組成：

1. 概念健全性： 模型是否有意義？假設是否現實？
2. 持續監控： 回溯測試應該是持續進行的，而不是一年一次。
3. 結果分析： 將模型產出的結果與實際市場表現進行比較（這就是我們一直在討論的）。

回溯測試中的「兩類錯誤」：
- 第一類型錯誤 (Type I Error)： 拒絕了一個好的模型（模型本身沒錯，只是碰巧發生了一連串倒楣的市場波動）。
- 第二類型錯誤 (Type II Error)： 接受了一個壞的模型（模型有瑕疵，但我們還沒有觀察到足夠多的例外來證實它）。

快速回顧： 監管機構更擔心第二類型錯誤（錯失了一個糟糕的模型），因為這可能導致銀行倒閉！

總結清單

- VaR 回溯測試： 通過計算例外次數，將預測損失與實際損失進行比較。
- Kupiec POF： 測試例外情況的總頻率是否正確。
- Christoffersen： 測試例外情況是否獨立（不出現聚類）。
- 巴塞爾紅綠燈系統： 綠燈 (0-4)、黃燈 (5-9)、紅燈 (10+)。懲罰隨例外次數增加。
- ES 回溯測試： 難度較高，因為 ES 不易引出；需要觀察損失的嚴重程度，而不僅僅是次數。
- 模型風險： 永遠存在！驗證需要檢查假設，而不僅僅是進行回溯測試。

如果統計公式讓你感到沉重，請別擔心。對於 FRM 考試，重點在於理解邏輯：為什麼我們需要這些測試、「聚類」意味著什麼，以及巴塞爾紅綠燈系統如何影響銀行的資本要求。你一定沒問題的！