歡迎來到市場風險：非參數方法 (Non-parametric Approaches)！
在 FRM Part I 的學習過程中，你大概花了不少時間探討「常態分佈」(那條著名的鐘形曲線)。雖然鐘形曲線很優雅，但真實的金融市場往往非常混亂——它們存在「肥尾」(fat tails) 和意想不到的劇烈波動。非參數方法正是解決這種混亂的良方。我們不再強行將數據套入特定的形狀或公式中，而是讓歷史數據「自己說話」。你可以把它想像成「從歷史中學習」，而不是「靠數學猜測」。
1. 歷史模擬法 (Historical Simulation, HS)：基礎篇
歷史模擬法是最簡單的非參數方法。它假設過去發生的事情，就是預測明天可能發生情況的最佳指標。
操作步驟：
1. 收集你現有投資組合的一系列過去日回報數據 (例如過去 1,000 天)。
2. 將這些歷史回報率應用於你現在的投資組合價值，看看會產生什麼樣的盈虧 (P&L)。
3. 將這些盈虧結果由差至好 (從最大虧損到最大盈利) 進行排序。
4. 如果你想計算 95% 的風險價值 (VaR)，只需觀察排序後第 5 個百分位數的虧損額即可。
類比：想像你是一個通勤族。為了預測明天開車需要多少時間，你查閱了過去 100 天的記錄。你不需要計算複雜的「通勤分佈」；你只需要看看過去 100 天裡最糟的 5 次駕駛時間。這就是歷史模擬法。
HS 的優點：
• 無需分佈假設：你完全不用管數據是否常態、有無偏態或肥尾。
• 簡便易懂：非常容易向高層管理人員解釋。
• 一致性：相比某些參數模型，它能更自然地處理「預期虧損」(Expected Shortfall, ES)。
HS 的缺點：
• 「幽靈效應」(Ghost Effect)：兩年前發生的極端事件會一直留在你的 VaR 計算中，直到它突然從數據窗口中「掉出去」，這會導致即便市場目前風平浪靜，你的 VaR 也會突然跳動。
• 樣本量陷阱：如果你的窗口期太短 (例如 50 天)，可能會錯過重大崩盤；如果太長，過時且不相關的舊數據可能會稀釋當前的風險。
快速回顧：HS 直接使用過去數據，沒有公式，純粹是歷史數據排序。
2. 年齡加權歷史模擬法 (BRW 方法)
基礎 HS 的一個主要缺陷是，它將兩年前的數據點與昨天的數據點一視同仁。但實際上，昨天的市場狀況通常更具參考價值。
Boudoukh, Richardson 和 Whitelaw (BRW) 方法透過為數據分配權重來解決這個問題。利用衰減因子 \(\lambda\) (通常在 0.97 到 0.99 之間)，較新的數據會獲得較高的權重，較舊的數據權重則較低。
公式：
對於 \(i\) 天前的回報，其權重為：
\(w(i) = \frac{\lambda^{i-1}(1-\lambda)}{1-\lambda^n}\)
為什麼這很有用？
• 它減少了幽靈效應，因為舊的極端值會逐漸淡出，而不是一次性消失。
• 它使模型能對近期的市場衝擊做出更快的反應。
核心觀點：年齡加權讓「近期歷史」比「遙遠過去」更重要。
3. 波動率加權歷史模擬法 (Hull-White)
如果市場在 6 個月前非常平靜，但今天卻非常瘋狂 (高波動) 怎麼辦？基礎 HS 會使用那些「平靜」的回報，從而低估今天的風險。波動率加權 (由 Hull 和 White 提出) 會調整過去的回報，以反映當前的波動率水平。
邏輯：
如果某隻股票在低波動率時期變動了 1%，那麼在波動率高的時候，同樣的變動幅度可能會大得多。我們需要將過去的回報進行「放大」或「縮小」。
縮放步驟：
若要調整過去第 \(t\) 天的回報，我們使用：
\(r_{t}^* = r_{t} \times \left( \frac{\sigma_{T}}{\sigma_{t}} \right)\)
其中：
• \(r_{t}^*\) 是調整後的回報。
• \(r_{t}\) 是過去實際的回報。
• \(\sigma_{T}\) 是當前 (今日) 的波動率。
• \(\sigma_{t}\) 是歷史上該日的波動率。
你知道嗎？如果當前波動率處於歷史最高水平，這種方法甚至可能產生比歷史記錄中任何情況都要大的「模擬」損失！
4. 過濾歷史模擬法 (Filtered Historical Simulation, FHS)
別被名字嚇到了！過濾歷史模擬法其實是一種「混合」方法。它結合了參數模型 (如 GARCH) 和非參數模型 (HS) 的優點。
過程：
1. 過濾 (Filter)：我們取過去的回報，並將每個回報除以當日的波動率，將其「標準化」。這會留下「殘差」(去除了波動率影響的回報)。
2. 自助抽樣 (Bootstrap)：我們從這些標準化殘差中隨機抽取。
3. 預測 (Forecast)：我們將抽取的殘差乘以未來波動率的預測值 (使用像 GARCH 這樣的模型)。
4. 結果：這會得到一個既考慮了當前波動率趨勢，又保留了歷史數據「非正態」形狀的分佈。
類比：想像你有一段歌手的錄音。基礎 HS 就像直接播放磁帶；而過濾歷史模擬就像提取歌手的聲音 (回報)，去除背景噪音/音量 (舊波動率)，然後通過現代化、高功率的放大器 (當前波動率預測) 播放出來。
5. 限制與比較
雖然非參數方法很強大，但它們並不完美。這裡有一個快速比較，供你放入「學習工具箱」：
常見錯誤：
• 「過去是序幕」陷阱：請記住，HS 無法預測從未發生過的危機 (如「黑天鵝」事件)。
• 數據需求：非參數方法需要大量數據才能可靠。如果你只有 100 天的數據，你的 99% VaR 就只是那最糟的一天——這並不穩健！
快速總結表：
• 基礎 HS：簡單，但有幽靈效應且忽略當前趨勢。
• 年齡加權：透過偏好近期數據來修復幽靈效應。
• 波動率加權：透過縮放回報來解決波動率問題。
• FHS：最複雜；能同時處理波動率聚集 (volatility clustering) 和肥尾現象。
6. 自助抽樣法 (The Bootstrap Method)
自助抽樣法 (Bootstrap) 是一種用來評估 VaR 準確性的統計技巧。與其只取一次 1,000 天的樣本，我們進行「有放回的重新抽樣」(resample with replacement)。
如何運作：
想像帽子裡有 1,000 張紙條 (代表每日回報)。你隨機抽一張，記錄下來，然後把它放回帽子裡。你重複這個動作 1,000 次。你可能會抽到同一個「倒楣日」三次，也可能一次都沒抽到。透過重複這個過程數千次，你可以觀察到 VaR 估算值會產生多大變化。這有助於我們理解風險估算的標準誤差。
核心觀點：自助抽樣法旨在測試我們特定的歷史樣本有多「幸運」或「不幸」。
如果加權公式看起來很深奧，別擔心！對於 FRM 考試，最重要的是理解我們為什麼要使用它們 (為了修復基礎 HS 的缺陷) 以及調整的方向 (當前波動率高時放大回報)。你一定沒問題的！