KNOWECON WIKI

ARTICLE

条件风险价值 (CVaR)

条件风险价值 (CVaR) 条件风险价值 (Conditional Value at Risk，CVaR)，也称为预期亏损 (Expected Shortfall，ES) 或尾部条件期望 (Tail Conditional Expectation，TCE)，是风险管理和金融工程中衡量尾部风险的核心量化指标。与风险价值 (VaR)仅给出某个置信水平下的最大可能

浏览 0 更新 2025-10-29

条件风险价值 (CVaR)

条件风险价值 (Conditional Value at Risk，CVaR)，也称为预期亏损 (Expected Shortfall，ES) 或尾部条件期望 (Tail Conditional Expectation，TCE)，是风险管理和金融工程中衡量尾部风险的核心量化指标。与风险价值 (VaR)仅给出某个置信水平下的最大可能亏损阈值不同，CVaR 回答了更进一步的问题：当亏损已经超过 VaR 阈值时，预期亏损的严重程度究竟有多深。CVaR 因此被视为比 VaR 更保守、信息更丰富的风险度量，并在巴塞尔协议 III中被采纳为市场风险的标准计量。

数学定义

设随机变量 XX 表示某一资产组合的亏损（取正值为亏损、负值为盈利），其累积分布函数为 FX(x)=P(X≤x)F_X(x) = P(X \le x)。给定置信水平 α∈(0,1)\alpha \in (0, 1)（通常取 95\% 或 99\%），风险价值 定义为亏损分布的 α\alpha-分位数：

VaR⁡α(X)=inf⁡{x∣FX(x)≥α}\operatorname{VaR}_{\alpha}(X) = \inf\{x \mid F_X(x) \ge \alpha\}

在此基础上，条件风险价值 定义为亏损超过 VaR 阈值时的条件期望。在连续分布假设下：

CVaR⁡α(X)=E[X∣X≥VaR⁡α(X)]\operatorname{CVaR}_{\alpha}(X) = \mathbb{E}[X \mid X \ge \operatorname{VaR}_{\alpha}(X)]

更一般的公式（适用于含离散点的任意分布）由 Acerbi 与 Tasche (2002) 给出：

CVaR⁡α(X)=11−α∫α1VaR⁡β(X) dβ\operatorname{CVaR}_{\alpha}(X) = \frac{1}{1 - \alpha} \int_{\alpha}^{1} \operatorname{VaR}_{\beta}(X) \, d\beta

此形式将 CVaR 表达为尾部区域内所有 VaR 值的平均值，具有优良的数学性质。对于正态分布 X∼N(μ,σ2)X \sim \mathcal{N}(\mu, \sigma^2)，CVaR 具有解析形式：

CVaR⁡α(X)=μ+σ⋅ϕ(Φ−1(α))1−α\operatorname{CVaR}_{\alpha}(X) = \mu + \sigma \cdot \frac{\phi(\Phi^{-1}(\alpha))}{1 - \alpha}

其中 ϕ\phi 与 Φ\Phi 分别为标准正态分布的密度函数与分布函数，Φ−1(α)\Phi^{-1}(\alpha) 为标准正态 α\alpha-分位数。

作为一致风险度量的优良性质

CVaR 在理论上的核心优势在于它满足 一致风险度量 (Coherent Risk Measure) 的四条公理，由 Artzner 等人 (1999) 提出。VaR 因不满足次可加性而不属于一致风险度量，这是 CVaR 逐步取代 VaR 的重要理论依据。

  1. 平移不变性：CVaR⁡α(X+c)=CVaR⁡α(X)+c\operatorname{CVaR}_{\alpha}(X + c) = \operatorname{CVaR}_{\alpha}(X) + c，其中 cc 为常数现金量。向组合中加入确定性的资本缓冲会以同一量级降低风险。
  2. 正齐次性：CVaR⁡α(λX)=λ⋅CVaR⁡α(X)\operatorname{CVaR}_{\alpha}(\lambda X) = \lambda \cdot \operatorname{CVaR}_{\alpha}(X)，对所有 λ>0\lambda > 0。持仓规模的等比例缩放导致风险的等比例缩放。
  3. 单调性：若 X≤YX \le Y 几乎处处成立，则 CVaR⁡α(X)≤CVaR⁡α(Y)\operatorname{CVaR}_{\alpha}(X) \le \operatorname{CVaR}_{\alpha}(Y)。亏损更大的组合需要分配更多资本。
  4. 次可加性：CVaR⁡α(X+Y)≤CVaR⁡α(X)+CVaR⁡α(Y)\operatorname{CVaR}_{\alpha}(X + Y) \le \operatorname{CVaR}_{\alpha}(X) + \operatorname{CVaR}_{\alpha}(Y)。合并两个组合不会增加总风险，体现了分散化对风险控制的正面效果。这是 VaR 所不具备的关键性质。

次可加性意味着 CVaR 能够正确反映分散化投资的降低风险效应，而 VaR 在部分场景下可能出现「两个子组合合并后 VaR 反而上升」的反直觉现象，从而在监管资本计算中产生误导。

计算方法

计算 CVaR 的常见方法包括三类。

参数法假定收益率服从特定分布（如正态分布），利用解析公式直接计算。方法简单但依赖分布假设的准确性，在肥尾分布的金融数据中偏差较大。

历史模拟法基于历史收益率数据的经验分布，将样本按亏损从大到小排序，取尾部最大亏损的样本计算简单算术平均。对历史数据量的需求较高，且假设历史能在未来重现。

蒙特卡洛模拟法通过大量随机抽样生成可能的损益情景，按 VaR 阈值截断尾部并计算尾部均值。灵活性最高，可处理复杂衍生产品和非线性敞口，但计算成本也最高。

优化视角与投资组合应用

Rockafellar 与 Uryasev (2000) 给出了 CVaR 的一个关键优化表示，极大推动了其实际应用。对于凸损失函数，CVaR 可通过最小化以下辅助函数求得：

Fα(x,ζ)=ζ+11−αE[max⁡(X−ζ,0)]F_{\alpha}(x, \zeta) = \zeta + \frac{1}{1 - \alpha} \mathbb{E}[\max(X - \zeta, 0)]

其中 ζ\zeta 的优化等价于 VaR。该函数关于决策变量是凸的，因此 CVaR 优化可嵌入标准的凸优化框架，通过线性规划或随机规划高效求解。这一特性使 CVaR 成为投资组合管理中构建稳健资产配置方案的首选风险约束之一——在给定 CVaR 上限的条件下最大化预期收益，或在满足收益目标的条件下最小化 CVaR，所得前沿比传统均值-方差前沿对极端损失的保护更为充分。

监管应用与巴塞尔协议

巴塞尔委员会在 2016 年发布的最低资本要求修订中，正式以 CVaR（预期亏损）取代 VaR 作为市场风险内部模型法的核心风险计量指标。监管采纳 CVaR 的主要理由在于：CVaR 的次可加性保证了分散化效应对监管资本的合理降低；以 CVaR 乘以资本乘数得出的资本要求更充分地覆盖了尾部极端损失；VaR 仅考察分位点而完全忽略超出分位点损失的分布特征，这一根本缺陷在 2008 年全球金融危机中暴露无遗。

条件风险价值作为现代风险管理的核心工具，统一了理论一致性、计算可行性与监管接受性，在金融机构的市场风险管理、信用风险建模、操作性风险评估和保险精算定价中都发挥着基础性的量化分析作用。