VaR与CVaR：量化风险管理的双刃剑

风险管理的核心问题#

在量化交易中，风险管理的重要性不亚于策略本身。一个策略即使有再高的预期收益，如果风险失控，也可能在一次黑天鹅事件中爆仓。

那么，如何量化风险？最常用的两个指标是：

1. VaR (Value at Risk)：在给定置信水平下，一定时间内可能的最大损失
2. CVaR (Conditional VaR)：当损失超过VaR时，平均损失是多少

这两个指标是风险管理体系的基石，也是巴塞尔协议（Basel Accord）要求银行必须披露的风险指标。

VaR：被广泛使用的风险指标#

VaR的定义与计算#

VaR的数学定义是：

其中：

• $\alpha$ 是置信水平（通常是95%或99%）
• $VaR_{\alpha}$ 是对应置信水平下的VaR值

举例：如果你的投资组合1天95% VaR是10万元，意味着有95%的把握，明天你的损失不会超过10万元。

VaR的三种计算方法#

1. 历史模拟法（Historical Simulation）#

直接用历史收益率数据，取分位数。

import numpy as np

def historical_var(returns, confidence=0.95):
    """历史模拟法计算VaR"""
    return np.percentile(returns, (1 - confidence) * 100)

优点：不假设分布，简单直观
缺点：假设历史会重演，对极端事件不敏感

2. 参数法（Parametric / Variance-Covariance）#

假设收益率服从正态分布，用均值和方差计算。

from scipy.stats import norm

def parametric_var(returns, confidence=0.95):
    """参数法计算VaR（假设正态分布）"""
    mu = np.mean(returns)
    sigma = np.std(returns)
    z_score = norm.ppf(1 - confidence)
    return mu + z_score * sigma

优点：计算快，解析解
缺点：现实收益率有”肥尾”（Fat Tail），正态分布低估极端风险

3. 蒙特卡洛模拟（Monte Carlo Simulation）#

用随机模拟生成大量收益率情景，再取分位数。

def monte_carlo_var(returns, confidence=0.95, n_sims=10000):
    """蒙特卡洛模拟计算VaR"""
    mu = np.mean(returns)
    sigma = np.std(returns)
    sim_returns = np.random.normal(mu, sigma, n_sims)
    return np.percentile(sim_returns, (1 - confidence) * 100)

优点：可以模拟非正态分布、考虑厚尾
缺点：计算量大，依赖模型假设

VaR的致命缺陷：不重视尾部风险#

VaR虽然直观，但有一个致命缺陷：它只告诉你”95%的情况下损失不会超过X”，却不说”如果超过这个阈值，会亏多少”。

这在2008年金融危机中暴露无遗：许多投行持有CDO（担保债务凭证）的VaR很低，但一旦违约率上升，损失远超VaR预测。

为了解决这个问题，学术界和业界引入了CVaR。

CVaR：捕捉尾部风险的利器#

CVaR的定义#

CVaR（Conditional Value at Risk），也叫期望损失（Expected Shortfall），定义为：

翻译：当损失超过VaR时，平均损失是多少。

举例：如果你的投资组合1天95% CVaR是15万元，意味着在明天最坏的5%情况下，平均损失是15万元。

为什么CVaR比VaR更好？#

1. 考虑尾部风险：CVaR量化了”黑天鹅”事件的期望损失
2. 满足一致性风险度量（Coherent Risk Measure）：满足单调性、次可加性、正齐次性、平移不变性
3. 更符合监管需求：巴塞尔协议III鼓励银行使用CVaR

CVaR的计算#

def historical_cvar(returns, confidence=0.95):
    """历史模拟法计算CVaR"""
    var = np.percentile(returns, (1 - confidence) * 100)
    # 取所有小于VaR的收益率，计算均值
    tail_returns = returns[returns <= var]
    return tail_returns.mean()

量化实战：如何应用VaR和CVaR？#

1. 仓位管理#

VaR可以直接用于计算最优仓位。凯利公式（Kelly Criterion）的变种：

其中 $\mu$ 是预期收益，$r$ 是无风险利率，$\sigma$ 是波动率。但更实用的是：

举例：如果你的风险预算是5万元，某策略的95% VaR是2.5万元，那么最大仓位应该是：

2. 投资组合优化#

在马科维茨均值-方差优化中，可以将目标函数从最小化方差改为最小化CVaR：

# 使用CVaR作为风险度量进行投资组合优化
def optimize_portfolio_cvar(returns, confidence=0.95):
    """
    用CVaR作为风险度量优化投资组合
    目标：最大化收益 - λ * CVaR
    """
    # 这里简化为等权重，实际应使用凸优化求解
    n_assets = returns.shape[1]
    weights = np.ones(n_assets) / n_assets
    portfolio_returns = returns @ weights
    cvar = historical_cvar(portfolio_returns, confidence)
    return weights, cvar

3. 风险预算分配#

多策略组合中，可以按风险贡献度（Risk Contribution）分配资金：

使得每个策略对总CVaR的贡献相等（风险平价思想）。

回测：VaR和CVaR的预测能力#

我们回测了2020-2025年沪深300指数，计算1天95% VaR和CVaR，并统计突破次数（即实际损失超过VaR/CVaR的天数）。

结论：

• 历史模拟法最稳健，突破次数接近预期
• 参数法（正态分布）低估风险，突破次数偏高
• 蒙特卡洛模拟精度高但计算慢

常见陷阱与注意事项#

陷阱1：VaR不是”最大可能损失”#

VaR只说”95%的情况下损失不超过X”，但剩下5%可能亏得很惨。2008年雷曼兄弟的VaR模型没有捕捉到次贷危机的极端风险。

陷阱2：历史数据不代表未来#

无论用哪种方法，VaR和CVaR都依赖历史数据。如果遇到”前所未有”的市场事件（如2020年疫情熔断），模型会失效。

陷阱3：不同资产的相关性会突变#

在危机时刻，资产相关性会趋近于1（所有资产一起跌）。用正常市况的相关性矩阵计算投资组合VaR，会严重低估风险。

陷阱4：CVaR计算不稳定#

当样本容量小时，CVaR的估计误差较大。建议使用滚动窗口（如过去21天、63天）计算，并取多个置信水平的平均。

Python实战：完整的风险管理系统#

import numpy as np
import pandas as pd
from scipy.stats import norm

class RiskManager:
    def __init__(self, returns, confidence=0.95):
        self.returns = returns
        self.confidence = confidence
    
    def calculate_var(self, method='historical'):
        if method == 'historical':
            return np.percentile(self.returns, (1 - self.confidence) * 100)
        elif method == 'parametric':
            mu = np.mean(self.returns)
            sigma = np.std(self.returns)
            z_score = norm.ppf(1 - self.confidence)
            return mu + z_score * sigma
        else:
            raise ValueError("Method must be 'historical' or 'parametric'")
    
    def calculate_cvar(self):
        var = self.calculate_var('historical')
        tail_returns = self.returns[self.returns <= var]
        return tail_returns.mean()
    
    def backtest_var(self, window=21):
        """滚动回测VaR"""
        var_series = []
        for i in range(window, len(self.returns)):
            window_returns = self.returns[i-window:i]
            var = np.percentile(window_returns, (1 - self.confidence) * 100)
            var_series.append(var)
        return np.array(var_series)

# 使用示例
returns = pd.read_csv('portfolio_returns.csv')['return'].values
rm = RiskManager(returns, confidence=0.95)
print(f"VaR (95%): {rm.calculate_var('historical'):.2%}")
print(f"CVaR (95%): {rm.calculate_cvar():.2%}")

总结#

VaR和CVaR是量化风险管理的核心工具。VaR直观易懂，但忽略尾部风险；CVaR弥补了这个缺陷，更符合审慎风险管理的要求。

实战建议：

1. 同时使用VaR和CVaR，不要只看一个指标
2. 用历史模拟法计算VaR/CVaR，避免正态分布假设
3. 对计算结果进行回测，检查突破次数是否符合预期
4. 在组合优化中，用CVaR替代方差作为风险目标
5. 定期压力测试（Stress Testing），模拟极端市场情景

“风险不能被消除，只能被理解和管理。” —— 彼得·伯恩斯坦（《与天为敌》作者）

作者：halo | 发布日期：2026-06-04 | 标签：量化交易、风险管理、VaR、CVaR、投资组合