歡迎來到市場風險評估的世界！

你好！既然你已經進入了 FRM Part II 的學習階段，你一定很清楚「風險」就是「損失的可能性」。但在專業領域中，「可能性」這三個字遠遠不夠精確，我們需要將其量化。在本章「市場風險測度估計」中，我們將從理論定義轉向實際的「操作層面」。我們將探討估算風險價值（VaR）和預期虧損（ES）的不同方法，並研究驅動這些模型的數據。別擔心數學部分看起來很繁重——我們會將其拆解成簡單且合乎邏輯的步驟！

1. 基礎：如何選擇數據

在運行模型之前，我們需要數據。請將數據想像成風險「食譜」中的「食材」。如果食材不新鮮或用錯了，結果就會一團糟！

數據窗口（Window）與加權（Weighting）

我們應該觀察多少過往數據？這就是所謂的窗口。
- 長窗口： 提供更多數據點，使結果更穩定，但可能包含與當前市場無關的「遠古歷史」。
- 短窗口： 對近期市場衝擊反應非常靈敏，但結果可能會顯得「跳躍」或過於波動。

加權的藝術：
通常，我們會給窗口內的每一天賦予相同的權重（等權加權）。然而，我們可以使用指數加權移動平均法（EWMA）來賦予近期事件更高的權重。
類比： 如果你試圖預測明天的天氣，今天的天氣狀況顯然比三年前的今天更有參考價值！

快速回顧：
- 等權加權（Equal Weighting）： 方法簡單，但對新危機的反應較慢。
- 年齡加權（Age Weighting）： 近期數據佔比更高。這有助於模型在波動率飆升時更快地「覺醒」。

2. 無母數法：歷史模擬法（Historical Simulation, HS）

歷史模擬法是最受歡迎的「無母數」方法。「無母數」簡單來說就是我們不假設數據遵循特定的分佈形狀（例如常態分佈的鐘形曲線）。我們只是讓過往數據自己說話。

運作方式（逐步說明）：

1. 收集一系列過往報酬（例如過去 500 天）。
2. 將這些報酬從最差（最大損失）到最好（最大收益）進行排名。
3. 如果你想計算 95% 的 VaR，請觀察排名中最後 5% 的區域。該「臨界點」的數值即為你的 VaR。

歷史模擬法的優缺點：

- 優點： 容易向管理層解釋，不需要複雜的微積分。
- 優點： 因為使用真實發生的歷史事件，能自然地捕捉到「肥尾效應」（極端事件）。
- 缺點：鬼影效應（Ghosting Effect）。 如果 250 天前發生過一次重大崩盤，而你的窗口正是 250 天，那麼明天那次崩盤將會「滑出」窗口，導致你的風險測度突然下降，儘管市場本身並沒有發生變化。
- 缺點： 它假設未來會和過去完全一樣，無法處理尚未發生的事件。

3. 母數法：常態分佈

在母數法中，我們假設市場報酬遵循特定的數學分佈，通常是常態分佈（Normal Distribution），也就是鐘形曲線。

公式

對於一個平均報酬為 \( \mu \) 且標準差為 \( \sigma \) 的投資組合，在信心水準 \( \alpha \) 下的 VaR 為：
\[ VaR = - (\mu + \sigma \times Z_{\alpha}) \]
（注意：我們通常將 VaR 表達為代表損失的正數，這就是為什麼前面會有一個負號）。

常見需背誦的 Z 分數：
- 95% 信心水準： \( Z = 1.645 \)
- 99% 信心水準： \( Z = 2.326 \)

「肥尾」問題

現實世界的金融報酬幾乎總是具有肥尾效應（峰度過高，Leptokurtosis）。這意味著極端損失發生的頻率比常態分佈所預測的要高得多。
你知道嗎？ 如果市場報酬真的是「常態」的，那麼 2008 年金融危機在統計學上是不可能發生的。由於常態分佈低估了「極端情況」，它可能會給人一種虛假的安全感。

關鍵結論： 母數模型計算快速且簡單，但如果你選擇了錯誤的分佈（例如對肥尾數據使用常態分佈），你將會危險地低估你的風險。

4. 一致性風險測度與預期虧損（Expected Shortfall, ES）

並非所有的風險測度都是平等的。要成為一個「好」（或稱為一致性/Coherent）的風險測度，必須遵循四個數學規則：

1. 單調性（Monotonicity）： 如果投資組合 A 的表現總是比投資組合 B 差，那麼 A 的風險測度必須更高。（這是常識！）
2. 次可加性（Subadditivity）： (A + B) 的風險應該小於或等於 A 的風險加上 B 的風險。這反映了分散投資的益處。
3. 正齊次性（Positive Homogeneity）： 如果你將部位擴大一倍，你的風險也會增加一倍。
4. 平移不變性（Translation Invariance）： 如果你在投資組合中加入現金（無風險資產），你的風險應該會減少該確切數額。

VaR 的重大缺陷

VaR 並非總是一致的，因為它經常無法通過次可加性測試。在某些奇怪的情況下，結合兩個投資組合甚至會使總體 VaR 上升！這也是監管機構轉向使用預期虧損（ES）的主要原因。

預期虧損（Expected Shortfall, ES）

VaR 詢問的是：「在非常糟糕的一天，我最少可能會損失多少？」，而 ES 詢問的則是：「如果真的發生了糟糕的一天且損失超過了 VaR，我們平均會損失多少？」
- ES 具有一致性（總是滿足次可加性）。
- ES 觀察的是分佈的整個「尾部」，而不僅僅是一個單一的點。
- 以公式定義，ES 是在損失超過 VaR 的條件下，損失的期望值。

5. 估計分佈形狀：極值理論（Extreme Value Theory, EVT）

如果歷史模擬法過於著眼過去，而母數模型又顯得太過「完美」，是否有中間地帶？有的：極值理論（EVT）。

EVT 是一種「半母數」方法。它不試圖建立整個分佈的模型（包括獲利和小額損失），而只對「尾部」（極端損失）進行建模。
類比： 想像一位醫生不關心你的身高體重，他只關心你發燒到 104 度時的症狀。這就是 EVT——它只專注於「發燒」（危機）本身。

常見的 EVT 方法：
1. 區塊極大值法（Block Maxima）： 取不同時期內的最大損失（例如每個月最糟糕的一天）。這遵循廣義極值分佈（GEV）。
2. 閥值超過法（Peaks Over Threshold, POT）： 觀察每一個超過特定「驚人」水準的損失。這遵循廣義帕累托分佈（GPD）。

6. 總結與最後建議

別感到不知所措！以下是你需要記住的要點：
- 歷史模擬法簡單且使用真實數據，但會受到「鬼影效應」的困擾。
- 母數 VaR 簡潔優雅，但往往會漏掉「肥尾」。
- VaR 很受歡迎，但它不是一致的（無法滿足次可加性）。
- 預期虧損（ES）是一致的，並能告訴我們「尾部損失」的平均值。
- EVT 是專門用於模擬「最壞情況」的專業工具。

要避免的常見錯誤：
學員常以為 VaR 告訴你的是最大可能損失。其實不是！它只告訴你若發生最差 X% 的情況時，你預期會遇到的最少損失。在 VaR 之外，永遠還存在一個「尾部」風險！

持續練習這些概念——一旦你理解了模型背後的「為什麼」，「如何計算」（數學部分）就會變得容易管理得多！