为什么传统VaR不够用？#
在量化交易的风险管理中，VaR（风险价值） 是最常用的风险指标，但它存在明显缺陷：只关注一定置信水平下的最大损失，完全忽略超过VaR的极端损失情况。比如99%置信度的日度VaR是2%，意味着有1%的概率当天损失超过2%，但VaR无法告诉你这1%的概率下平均损失是多少。
CVaR（条件风险价值） 弥补了这个缺陷：它衡量的是超过VaR阈值的平均损失，更能反映极端风险。对于量化策略尤其是高频、杠杆策略，CVaR比VaR更适合作为风险预算的核心指标。
CVaR的三种计算方法#
1. 历史模拟法#
直接用历史收益数据计算，不需要假设收益分布，适合非正态分布的市场环境：
import numpy as np
def calculate_cvar_historical(returns, confidence=0.95):
var = np.percentile(returns, (1 - confidence) * 100)
cvar = returns[returns <= var].mean()
return var, cvar
# 示例：计算日度收益的95% CVaR
daily_returns = np.random.normal(0.0005, 0.015, 1000) # 模拟日度收益
var_95, cvar_95 = calculate_cvar_historical(daily_returns, 0.95)
print(f"VaR 95%: {var_95:.4f}, CVaR 95%: {cvar_95:.4f}")2. 参数法#
假设收益服从特定分布（如正态分布、t分布），通过分布参数直接计算CVaR，计算速度快：
from scipy.stats import norm
def calculate_cvar_parametric(returns, confidence=0.95):
mu = returns.mean()
sigma = returns.std()
var = norm.ppf(1 - confidence, mu, sigma)
# 正态分布下CVaR的解析解
cvar = mu - sigma * norm.pdf(norm.ppf(1 - confidence)) / (1 - confidence)
return var, cvar3. 蒙特卡洛模拟法#
通过模拟大量市场情景计算CVaR，适合复杂的投资组合（如含期权、期货的策略）：
def calculate_cvar_monte_carlo(returns, confidence=0.95, num_simulations=10000):
mu = returns.mean()
sigma = returns.std()
simulated_returns = np.random.normal(mu, sigma, num_simulations)
var = np.percentile(simulated_returns, (1 - confidence) * 100)
cvar = simulated_returns[simulated_returns <= var].mean()
return var, cvar
压力测试：应对极端黑天鹅#
CVaR衡量的是统计意义上的极端风险，而压力测试则针对具体的极端情景，检验策略在极端市场下的生存能力。常见的压力测试方法有三种：
- 历史情景法：直接套用历史极端事件的市场数据（如2015年股灾、2020年疫情冲击）回测策略表现
- 假设情景法：自定义极端参数（如沪深300单日下跌15%、波动率飙升至50%）测试策略
- 蒙特卡洛情景生成：通过随机模拟生成大量极端市场路径，统计策略的损失分布
实盘压力测试流程#
- 确定核心风险因子：如权益 beta、波动率、流动性、相关性
- 设计极端情景：覆盖历史极端事件+自定义极端参数组合
- 计算情景下的策略最大回撤、CVaR、保证金占用
- 制定应对方案：如极端情景下自动降仓、切换对冲策略
实盘风险管理系统搭建#
将CVaR和压力测试嵌入实盘系统的核心步骤：
- 实时计算：每日收盘后更新策略收益序列，计算最新CVaR
- 风险预算约束：设定单策略CVaR上限（如总账户的2%），超过则自动降仓
- 定期压力测试：每月/每季度执行一次全情景压力测试，调整策略参数
- 预警机制：当CVaR连续3个交易日上升超过20%时触发预警，人工介入检查
总结#
CVaR比VaR更能反映极端风险，结合定期压力测试可以大幅提升量化策略的实盘生存能力。对于杠杆策略，建议将CVaR作为核心风控指标，搭配压力测试覆盖黑天鹅风险。