歡迎來到風險衡量（Risk Measures）的世界！

在你準備 Exam FAM 的過程中，你已經學過如何利用損失程度（Severity）和發生頻率（Frequency）來建立損失模型。但有了這些模型之後，我們該如何真正地「衡量」風險呢？保險公司又該如何精確決定需要準備多少現金儲備，以避免陷入破產危機？

在本章中，我們將學習風險價值（Value at Risk, VaR）、尾部風險價值（Tail Value at Risk, TVaR），以及讓一個風險衡量指標被視為「良好」（我們稱之為「一致性」或「連貫性」，coherence）的正式屬性。如果這些聽起來像是嚇人的金融術語，請別擔心——它們的核心不過是百分位數和平均數的進階應用罷了！

1. 風險價值（Value at Risk, VaR）

風險價值（VaR）其實就是損失分佈中的一個特定百分位數。如果你被要求找出 \(VaR_{0.95}\)，你就是在尋找一個金額，使得損失低於該金額的機率為 95%，而高於該金額的機率僅有 5%。

公式

對於損失隨機變數 \(X\)，在信賴水準 \(p\) 下的 VaR 為：
\(VaR_p(X) = \pi_p = F_X^{-1}(p)\)
其中 \(\pi_p\) 是分佈的第 \(100p\) 個百分位數。

生活中的類比

想像一下你的通勤過程。如果我們說你通勤時間的第 95 百分位數（VaR）是 45 分鐘，這意味著有 95% 的情況下，你能在 45 分鐘或更短的時間內到達公司。只有在 5% 的「最壞」情況下（如交通意外、暴風雪），才會花費超過 45 分鐘。

常見錯誤

混淆機率與金額： VaR 是一個金額（損失值），而不是一個百分比。如果 \(p = 0.99\)，VaR 是第 99 百分位數對應的金額，而不是 0.99 本身。

快速複習：VaR

• 它是什麼？ 一個百分位數（\(\pi_p\)）。
• 它告訴我們什麼？ 除了最壞的 \(1-p\) 種情況外，我們預期會看到的最大損失。
• 計算方法： 對於連續型分佈，只需解 \(F(x) = p\) 即可求出 \(x\)。

2. 尾部風險價值（Tail Value at Risk, TVaR）

VaR 雖然好用，但它有一個弱點：它不在乎損失一旦超過門檻後會「有多嚴重」。尾部風險價值（TVaR）解決了這個問題。它問的是：「如果我們處於最壞的 5% 情況中，我們預期會面臨的平均損失是多少？」

公式

TVaR 是在已知損失已超過 VaR 的條件下，損失的期望值：
\(TVaR_p(X) = E[X | X > VaR_p(X)]\)
對於連續型分佈，這也可以計算為：
\(TVaR_p(X) = \frac{1}{1-p} \int_{p}^{1} VaR_u(X) du\)

實用的計算捷徑

在考試中，你通常不想進行複雜的積分。請改用以下關係式：
1. 使用平均超額損失函數（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）\(E[X \wedge x]\)：
\(TVaR_p(X) = VaR_p(X) + \frac{E[X] - E[X \wedge VaR_p(X)]}{1-p}\)

你知道嗎？ TVaR 在其他金融教科書中有時也被稱為「預期短缺」（Expected Shortfall）或「條件風險價值」（Conditional Value at Risk, CVaR）！

快速複習：TVaR

• 它是什麼？ 分佈「尾部」的平均損失。
• 關鍵見解： \(TVaR_p(X)\) 永遠大於或等於 \(VaR_p(X)\)。
• 記憶小撇步： VaR 是壞情況的「邊界」；TVaR 是壞情況區域的「平均值」。

3. 風險衡量的屬性（一致性 Coherence）

在 1990 年代後期，數學家們確定，為了讓一個風險衡量指標（\(\rho\)）被視為「邏輯上合理」或「一致的」，它必須遵循四條特定規則。這些都是常見的考題！

1. 平移不變性（Translation Invariance）

\(\rho(X + c) = \rho(X) + c\)
簡單理解： 如果你在投資組合中增加一筆確定的 \(c\) 元損失，你的總風險衡量指標也會剛好增加 \(c\)。

2. 正齊次性（Positive Homogeneity）

\(\rho(cX) = c\rho(X)\)，其中 \(c > 0\)
簡單理解： 如果你將投資組合的規模擴大一倍（損失加倍），你的風險衡量指標也會加倍。這裡沒有所謂的「大量折扣」或「規模懲罰」。

3. 次可加性（Subadditivity）

\(\rho(X + Y) \leq \rho(X) + \rho(Y)\)
簡單理解： 分散風險是好事！ 兩件事合在一起的風險應小於或等於它們個別風險的總和。
關鍵點： VaR 並不總是具有次可加性，這也是為什麼許多專家偏好 TVaR 的原因。TVaR 則具備次可加性。

4. 單調性（Monotonicity）

若對於所有可能結果都有 \(X \leq Y\)，則 \(\rho(X) \leq \rho(Y)\)。
簡單理解： 如果損失 B 總是比損失 A 更嚴重，那麼 B 的風險衡量指標必定高於 A。

記憶輔助： 若要記住這四個屬性，請聯想 "MSPT"：Monotonicity（單調性）、Subadditivity（次可加性）、Positive Homogeneity（正齊次性）、以及 Translation Invariance（平移不變性）。

重點總結

如果一個風險衡量指標滿足以上所有四個屬性，我們稱其為一致（Coherent）。TVaR 是一致的，但 VaR 不是（因為它可能無法滿足次可加性）。

4. 常見分佈的應用

考試經常要求你計算特定分佈的 VaR 或 TVaR。以下是兩個最常見分佈的「小抄」：

常態分佈（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 \(\phi\) 是標準常態分佈的 PDF，而 \(\Phi^{-1}\) 是你表格中的 Z 分數）。

指數分佈（Exponential Distribution）

若 \(X \sim Exp(\theta)\)（其中 \(\theta\) 為平均值）：
• \(VaR_p(X) = -\theta \ln(1-p)\)
• \(TVaR_p(X) = VaR_p(X) + \theta\)
註：這是因為指數分佈具有「無記憶性」（memoryless），所以超過門檻後的平均超額量永遠等於平均值 \(\theta\)！

總結表：VaR vs. TVaR

VaR：
- 邏輯：「最壞的 5% 情況中，最小的損失是多少？」
- 計算：簡單百分位數。
- 一致性：否（無法滿足次可加性）。
- 資訊量：忽略了「極端」尾部的嚴重程度。

TVaR：
- 邏輯：「最壞的 5% 情況中，平均損失是多少？」
- 計算：條件期望值。
- 一致性：是。
- 資訊量：考慮了尾部的厚重程度。

繼續練習吧！一旦你克服了符號的障礙，風險衡量其實是 Exam FAM 中最「直觀」的部分之一。你做得到的！