KNOWECON WIKI

ARTICLE

在险价值

在险价值 (Value at Risk, VaR) 在险价值 (Value at Risk，简称 VaR) 是金融风险管理中最为广泛使用的量化工具之一，用于衡量在正常的市场条件和给定的置信水平下，某一金融资产、投资组合或机构在未来特定持有期内可能遭受的最大损失。VaR 由 JP Morgan 在 20 世纪 90 年代初首次系统化提出并推广，其开发的 Ris

浏览 4 更新 2025-10-26

在险价值 (Value at Risk, VaR)

在险价值 (Value at Risk，简称 VaR) 是金融风险管理中最为广泛使用的量化工具之一，用于衡量在正常的市场条件和给定的置信水平下，某一金融资产、投资组合或机构在未来特定持有期内可能遭受的最大损失。VaR 由 JP Morgan 在 20 世纪 90 年代初首次系统化提出并推广，其开发的 RiskMetrics 系统奠定了 VaR 的行业标准地位，随后迅速被全球各大银行、对冲基金和监管机构采纳，成为现代金融风险管理的基石概念。

VaR 的核心价值在于，它将多种来源的市场风险——利率风险、汇率风险、股票价格风险和商品价格风险——汇整为一个单一的、易于理解和沟通的货币数字。例如，一家银行可以报告："在 99\% 的置信水平下，本行交易组合的日 VaR 为 5000 万美元"，管理层和监管者便能直观地理解该机构面临的最大潜在损失规模。

VaR 的数学定义

从数学角度，VaR 本质上是资产收益率分布在特定置信水平下的分位数。令 LL 表示某一投资组合在未来持有期 Δt\Delta t 内的损失（损失取正值），则置信水平为 1−α1 - \alpha 的 VaR 定义为满足下式的最小值：

VaR1−α=inf⁡{l∈R:P(L>l)≤α}\text{VaR}_{1-\alpha} = \inf \{ l \in \mathbb{R} : P(L > l) \leq \alpha \}

这一公式的含义是：损失超过 VaR 的概率不超过 α\alpha。换言之，在 1−α1 - \alpha 的概率下，持有期内的损失不会超过 VaR。更直观的等价表述为：

P(L≤VaR1−α)=1−αP(L \leq \text{VaR}_{1-\alpha}) = 1 - \alpha

例如，若某投资组合的 1 天 99\% VaR 为 100 万元，意味着在接下来 24 小时内，该组合有 99\% 的概率损失不超过 100 万元，或者说有 1\% 的概率损失超过 100 万元。

VaR 的完整定义包含三个关键参数：

  • 置信水平 c=1−αc = 1 - \alpha：常用的置信水平为 95\% 和 99\%。置信水平越高，VaR 数值越大，意味着该度量更加保守。巴塞尔协议要求银行使用 99\% 的置信水平计算市场风险资本。
  • 持有期 Δt\Delta t：即假设的持有期限，通常为 1 天或 10 天。巴塞尔协议的市场风险框架要求 10 天持有期，而银行内部的日常风险管理常采用 1 天 VaR。
  • 损失分布：VaR 的计算依赖于对未来损益分布的假设或估计，这是 VaR 方法论的核心挑战所在。

三种主要计算方法

VaR 的计算方法可归纳为三大类，各有其假设、优势和局限。

历史模拟法 (Historical Simulation)

历史模拟法是非参数方法中最直观的一种。它收集投资组合中所有资产在过去一段时间（如 500 个交易日）的历史价格或收益率数据，利用这些历史数据直接模拟投资组合在当前持仓权重下的损益分布。具体步骤如下：首先，基于每种资产的历史日收益率序列和当前头寸，重构出过去每一天该组合在当前头寸下"本会"实现的盈亏；然后，将这些重构的盈亏值从小到大排序，形成一个经验分布；最后，直接取该经验分布的第 α\alpha 分位数（例如 1\% 分位数），即为相应置信水平下的 VaR。

历史模拟法的主要优势在于：不假设收益率服从某一特定分布（如正态分布），因此能自然捕捉肥尾特征和资产间的非线性相关结构。其劣势则包括：极端依赖历史数据的时间窗口选择，隐含"历史会在未来重演"的强假设，且对近期结构性变化反应迟钝。

方差-协方差法 (Variance-Covariance / Parametric Method)

方差-协方差法（也称参数法或分析法）是计算上最高效的方法，也是 RiskMetrics 系统最初的基石。其核心假设是资产收益率服从多元正态分布，从而组合的损益分布完全由均值、方差和协方差矩阵决定。

在正态假设下，VaR 的解析公式极为简洁。对于单一资产或组合，相对 VaR（以均值为中心的损失）为：

VaR1−α=Zα⋅σ⋅Δt⋅V\text{VaR}_{1-\alpha} = Z_{\alpha} \cdot \sigma \cdot \sqrt{\Delta t} \cdot V

其中 ZαZ_{\alpha} 为标准正态分布的 α\alpha 分位数（例如 α=1%\alpha = 1\% 时 Z0.01≈2.326Z_{0.01} \approx 2.326），σ\sigma 为资产或组合收益率的日波动率，Δt\Delta t 为持有期天数，VV 为头寸的当前市场价值。Δt\sqrt{\Delta t} 因子源于独立同分布假设下的方差可加性——10 天的波动率等于日波动率乘以 10\sqrt{10}。

对于多资产投资组合，总波动率通过协方差矩阵计算：

σportfolio=wTΣw\sigma_{\text{portfolio}} = \sqrt{\mathbf{w}^T \Sigma \mathbf{w}}

其中 w\mathbf{w} 为各资产权重向量，Σ\Sigma 为资产收益率的协方差矩阵。

方差-协方差法的优势在于计算便捷、易于进行边际 VaR、增量 VaR和成分 VaR的分解分析。其关键局限在于正态假设与金融数据的"肥尾"特征严重不符——实际市场中极端事件发生的频率远高于正态分布的预测，导致该方法系统性地低估尾部风险。

蒙特卡洛模拟法 (Monte Carlo Simulation)

蒙特卡洛模拟法是最灵活、计算成本也最高的方法。它首先设定一个描述资产价格演变路径的随机过程模型（如几何布朗运动），并为各风险因子设定联合分布和参数；然后利用伪随机数或低差异序列生成成千上万条（通常 10,000 至 100,000 条）未来可能的价格路径；对每一条模拟路径，计算期末投资组合的价值和盈亏；最后从模拟出的损益分布中直接读取所需分位数。

蒙特卡洛法的核心优势在于：可以处理任何复杂程度的风险因素模型（包括非线性衍生品、路径依赖期权等），不受解析形式的约束，且可以通过设定不同的随机过程来捕捉跳跃、随机波动率等复杂现象。其劣势是计算量大、对模型设定（模型风险）敏感，且模拟结果受随机种子影响存在抽样误差。

VaR 的优势与局限性

VaR 自诞生以来获得广泛应用，其成功归功于若干突出优势。第一，概念直观：一个货币数字即可概括风险全貌，便于不同层级的管理者和监管者沟通。第二，横向可比：不同资产类别、不同业务条线、不同金融机构的风险可以用统一的 VaR 尺度进行加总和比较。第三，监管认可：巴塞尔协议 II 和 巴塞尔协议 III 的内部模型法 (Internal Models Approach, IMA) 以 VaR 为核心计算市场风险监管资本。

然而，VaR 也存在不容忽视的缺陷，其中最为致命的有两点。

首先，VaR 不具次可加性 (Non-Subadditivity)。次可加性是一致性风险度量 (Coherent Risk Measure) 的公理之一，它要求两个风险合并后的总风险不超过各自风险之和：ρ(X+Y)≤ρ(X)+ρ(Y)\rho(X+Y) \leq \rho(X) + \rho(Y)，这是分散化投资降低风险这一金融学基本原则的数学表达。但 VaR 在某些分布下（尤其是厚尾且非椭圆分布时）可能违反次可加性，这意味着 VaR 的计算结果可能暗示"分散化反而增加风险"，这显然与现代投资组合理论的基本逻辑相悖。

其次，VaR 对尾部信息完全无感。VaR 仅仅回答了"在 (1−α)(1-\alpha) 的概率下最多亏损多少"，但对超出该阈值的损失——即分布最左端 α\alpha 尾部区域——的大小和分布一无所知。两个投资组合可能有相同的 99\% VaR，但其中一个组合的 1\% 极端损失可能是 VaR 的 1.1 倍，而另一个可能是 10 倍，VaR 无法区分这两种截然不同的尾部风险状况。

预期亏损 (Expected Shortfall / CVaR)

为弥补 VaR 忽略尾部信息的结构性缺陷，学术界和业界推动采用预期亏损 (Expected Shortfall, ES)，也称条件在险价值 (Conditional Value at Risk, CVaR)。ES 定义为：在损失超过 VaR 的条件下，损失的条件期望值：

ES1−α=E[L∣L>VaR1−α]\text{ES}_{1-\alpha} = E[L \mid L > \text{VaR}_{1-\alpha}]

与 VaR 相比，ES 被证明满足一致性风险度量的所有公理（包括次可加性），且能有效度量尾部损失的严重程度。正是基于这一理论优势，巴塞尔协议 III 的市场风险框架（"交易账户根本性评估"，Fundamental Review of the Trading Book, FRTB）已将标准从 VaR 转向 97.5\% 置信水平下的 ES 作为市场风险资本计算的核心指标。

回测与模型验证

VaR 模型的有效性需要经过严格的实证检验，这一过程称为回测 (Backtesting)。回测的核心思想是：比较 VaR 预测值与随后实际发生的损益，统计实际损失超过 VaR 的频率（称为"突破"或"异常"）。如果模型设定正确，在置信水平 1−α1-\alpha 下，突破的比例应大致等于 α\alpha。

最常用的回测框架是库皮克检验 (Kupiec's Test)，也称 POF 检验（Proportion of Failures）。它将回测问题转化为一个二项分布假设检验：零假设为模型的例外率等于理论预期值 α\alpha。库皮克构造了似然比统计量，其渐近服从卡方分布。如果统计检验拒绝零假设，则表明 VaR 模型可能系统性低估或高估风险，需要进行重新校准。巴塞尔协议采用"交通灯法"——根据过去 250 个交易日的回测突破次数，将银行 VaR 模型分为绿、黄、红三个区域，突破次数越多，监管资本乘数越高，惩罚力度越大。

实际应用与监管框架

VaR 在现代金融体系中有三大核心应用领域。

在风险管理层面，几乎所有大型金融机构都设有每日 VaR 报告机制。前台交易员通过 VaR 限额控制风险敞口，中台风险管理部门独立监控和汇总全公司风险，并实施压力测试 (Stress Testing) 作为 VaR 在正常市场条件下的补充——因为 VaR 无力描述黑天鹅事件级别的极端市场动荡。

在监管资本计算层面，根据巴塞尔协议框架，银行可使用标准法或内部模型法计算市场风险监管资本。内部模型法的市场风险资本要求 (Market Risk Capital, MRC) 公式为：

MRCt=max⁡(VaRt−1,  mc⋅VaRavg)+max⁡(sVaRt−1,  ms⋅sVaRavg)\text{MRC}_t = \max\left( \text{VaR}_{t-1}, \; m_c \cdot \text{VaR}_{\text{avg}} \right) + \max\left( \text{sVaR}_{t-1}, \; m_s \cdot \text{sVaR}_{\text{avg}} \right)

其中 VaRt−1\text{VaR}_{t-1} 为前一天的 VaR，VaRavg\text{VaR}_{\text{avg}} 为过去 60 个交易日的平均 VaR，mcm_c 为根据回测结果确定的惩罚乘数（最小为 3），sVaR 为在压力市场条件下的 VaR。

在绩效评估层面，VaR 催生了风险调整后收益 (Risk-Adjusted Return) 指标。风险调整资本收益率 (RAROC, Risk-Adjusted Return on Capital) 将预期收益除以经济资本（通常以 VaR 计量），使得不同风险水平的业务单元可以在统一的风险效率尺度下比较业绩，从而实现资本的最优配置。

尽管 VaR 并非完美——任何单一数字都无法穷尽风险的复杂面貌——但它所开创的"用概率语言量化风险"的范式，已深刻重塑了全球金融体系的运行逻辑。从单一的 VaR 到 ES 的演进，从静态模型到动态回测框架的完善，VaR 及其后续发展始终处于金融计量学、数理金融和监管实践的交汇前沿。