Cornish-Fisher VaR：用偏度峰度修正正态分位数，给肥尾风险一个快速估计

问题：正态 VaR 为什么天天被击穿？#

风险管理里最常被问的一句话是：「明天最坏能亏多少？」VaR（Value at Risk，风险价值）给的就是这个数——在给定置信度下，某段时间内损失的下界。1% VaR 等于 100 万仓位，意思是「99% 的日子里，单日亏损不会超过 100 万」。

算 VaR 有三条常见路子：

1. 历史模拟法：直接拿过去 N 天的收益排序，取 1% 分位数。不做任何分布假设，但吃数据——你想估 1% 分位数，至少得有几百个观测才稳，而且它假设未来长得像过去。
2. 参数正态法：假设收益服从正态分布，VaR = μ + σ·Φ⁻¹(α)。一行公式，极快，只要均值和标准差。问题在于——收益根本不是正态的。
3. 蒙特卡洛法：拟合一个复杂分布或模型，模拟几万条路径。灵活但慢，而且模型选错了照样偏。

第二条路的诱惑最大：快、省数据、闭式解。但它有个几乎致命的缺陷——正态分布假设收益是对称的、尾巴是薄的，而真实股票收益既左偏（暴跌比暴涨来得更猛更频繁）又肥尾（极端事件的概率远高于正态预言）。

后果是什么？正态 VaR 会系统性低估左尾损失。你以为 99% 的日子安全，实际可能只有 96%、97%。风控模型在最需要它的时候——极端行情——恰恰最不可靠。

上图是 30 万个样本的模拟收益（左偏 + 肥尾，偏度约 −0.3、超额峰度约 0.3，贴近真实日收益）。三条竖线一目了然：

• 正态 VaR₁% = 2.33σ（蓝虚线）——就是标准正态的 −2.326 分位数，雷打不动。
• 经验 VaR₁% = 2.60σ（绿点线）——直接从数据里取的真值。
• CF VaR₁% = 2.56σ（红虚线）——本文的主角，几乎贴住了绿线。

正态法比真值低估了 0.27σ。听起来不多？在一个日波动率 1.5%、仓位 1 亿的组合上，这就是每次触发时少算约 40 万的损失缓冲——而且是在你最扛不住的那些日子。

Cornish-Fisher 展开：不换分布，只修分位数#

Cornish-Fisher（CF）展开的思路很聪明：它不去假设一个新分布，而是直接对『分位数』本身做修正。

标准正态分布的 α 分位数记作 z（比如 1% 对应 z = −2.326）。如果真实分布有偏度 S 和超额峰度 K，CF 展开给出一个修正后的分位数 z_CF：

z_CF = z
     + (z² − 1)·S/6
     + (z³ − 3z)·K/24
     − (2z³ − 5z)·S²/36

拆开看这几项在干什么：

• 第一项 z：正态基准，什么都没修。
• 第二项 (z²−1)·S/6：偏度修正。S<0（左偏）时，这一项把左尾的分位数往外推——承认暴跌更极端。
• 第三项 (z³−3z)·K/24：峰度修正。K>0（肥尾）时，进一步加深尾部——承认极端事件更频繁。
• 第四项 −(2z³−5z)·S²/36：偏度的二阶交叉修正项，量级通常最小。

拿到 z_CF 之后，VaR 的算法和参数正态法一模一样，只是把 Φ⁻¹(α) 换成 z_CF：

import numpy as np
from scipy import stats

def cornish_fisher_quantile(z, skew, exkurt):
    """对标准正态分位数 z 做 Cornish-Fisher 修正。
    skew: 偏度; exkurt: 超额峰度（正态为0）。"""
    return (z
            + (z**2 - 1) * skew / 6.0
            + (z**3 - 3*z) * exkurt / 24.0
            - (2*z**3 - 5*z) * skew**2 / 36.0)

def cf_var(returns, alpha=0.01):
    """Cornish-Fisher VaR（返回正值表示损失幅度）。"""
    mu = returns.mean()
    sigma = returns.std(ddof=1)
    s = stats.skew(returns)
    k = stats.kurtosis(returns)          # scipy 默认返回超额峰度
    z = stats.norm.ppf(alpha)
    z_cf = cornish_fisher_quantile(z, s, k)
    return -(mu + sigma * z_cf)           # 取负号让 VaR 为正

# 对比三种方法
rng = np.random.default_rng(42)
main = rng.normal(0, 1, 300_000)
jump = rng.normal(-2.6, 1.0, 300_000)
r = np.where(rng.random(300_000) < 0.08, jump, main)
r = (r - r.mean()) / r.std()

alpha = 0.01
z = stats.norm.ppf(alpha)
print("正态 VaR :", -(r.mean() + r.std()*z))                 # ~2.33
print("CF   VaR :", cf_var(r, alpha))                        # ~2.56
print("经验 VaR :", -np.quantile(r, alpha))                  # ~2.60

核心就是这么几行。整个方法的性价比在于：只多算两个数（偏度、峰度），就把参数法从”系统性低估”拉回到”接近真值”，而且依然是闭式解、依然快、依然省数据。

偏度和峰度，分别怎么拉动分位数#

要用好 CF，得先理解那两个修正项各自的脾气。

左图固定几档峰度，扫偏度：偏度越负，CF VaR 越大（尾部损失越深）。这符合直觉——负偏意味着左尾更长，暴跌更极端。峰度越高，同样偏度下曲线整体上移。

右图固定几档偏度，扫峰度：峰度越高，CF VaR 越大。肥尾意味着「远离均值的事件」概率更高，尾部自然更深。

两个修正方向一致、可叠加，这就是为什么 CF 对「又左偏又肥尾」的股票收益特别对症——它恰好把这两种偏离同时补上。

一个实务提醒：偏度和峰度本身也是估计量，也有抽样误差。 短样本估出来的高阶矩噪声很大——尤其是峰度，它对少数几个极端观测极其敏感（本质上是四次方加权）。所以 CF VaR 的稳定性天然弱于均值方差 VaR。样本太短时，估出来的偏度峰度可能纯粹是噪声，反而把 VaR 修歪。经验上至少要几百个观测，CF 的高阶矩才勉强可信。

有效域：CF 什么时候会失效#

这是 CF 最容易被忽略、也最危险的一点：CF 展开不是在任何偏度峰度下都成立的。

CF 修正本质是一个关于 z 的三次多项式。当偏度或峰度太大时，这个多项式会失去单调性——也就是说，你输入一个更极端的分位数（比如 0.5% 比 1% 更靠尾部），CF 却可能吐出一个”更不极端”的值。分位数函数本该单调，一旦交叉，输出就彻底没有意义了。

上图在偏度-峰度平面上，逐点检验 CF 变换在常用尾部分位数区间是否保持单调。绿色是有效域（可放心用），红色是失效区（必须拒绝）。本文样本（黑点，S≈−0.27、K≈0.26）稳稳落在绿区中央——这也是为什么它的 CF VaR 那么准。

实务规则很简单：

def cf_is_valid(skew, exkurt, z_range=np.linspace(-3, 0, 40)):
    """检验 CF 变换在给定分位数区间是否保持单调（有效域检查）。"""
    q = cornish_fisher_quantile(z_range, skew, exkurt)
    return np.all(np.diff(q) > 0)     # 单调递增才有效

# 用之前先查
if cf_is_valid(s, k):
    var = cf_var(r, 0.01)
else:
    # 失效：退回历史模拟或换用 EVT / t 分布
    var = -np.quantile(r, 0.01)

每次算 CF VaR 之前都应该跑一遍这个检查。 危机时期偏度峰度会瞬间飙升——恰恰是你最想用 CF 的时候，它最可能滑出有效域。这时候老老实实回去用历史模拟或极值理论（EVT），比硬套一个失效的公式安全得多。

滚动回测：CF 到底修得有多准#

理论讲完，看实战。VaR 模型的唯一验收标准是违约回测（backtesting）：在 1% VaR 下，理论上应该有约 1% 的日子实际损失超过 VaR 阈值——次数太多说明低估风险，太少说明过度保守浪费资本。

模拟 1500 天时变波动 + 左偏肥尾的收益，用 250 天滚动窗口分别算正态 VaR 和 CF VaR，统计违约：

正态 VaR 的违约次数是期望的近 3 倍——在一个真实风控体系里，这意味着监管资本严重不足、爆仓概率被系统性掩盖。CF 把违约次数几乎砍半，虽然没完全收敛到 12.5（因为峰度估计的抽样误差 + 时变波动本身难追），但已经是量级上的改进，而代价只是多算两个矩。

图里蓝色圆点标出了所有正态 VaR 的违约日——可以看到它们集中在高波动段（正弦波峰附近），这正是正态假设崩得最狠的地方：波动放大时收益分布更肥尾，而正态法对此完全无感。

A. 实现细节#

• 信号字段：仅用收益序列的四个矩——均值、标准差、偏度、超额峰度。scipy 的 stats.kurtosis 默认返回超额峰度（正态基准为 0），与 CF 公式一致，无需再减 3。
• VaR 口径：本文用标准化收益演示，报的是”多少个 σ”。实盘直接用 mu + sigma * z_cf 得到收益率口径的 VaR，再乘仓位得金额。
• 符号约定：VaR 取正值表示损失幅度，故公式里加了负号 -(mu + sigma*z_cf)。
• 有效域检查：每次估计前用 cf_is_valid 检验单调性，失效即退回历史模拟——这是硬门槛，不是可选项。
• 滚动窗口：250 交易日（约一年），每日重估四个矩。窗口越短高阶矩噪声越大。

B. 已知偏差#

• 高阶矩抽样误差：偏度尤其是峰度对极端观测极其敏感，短样本估计噪声巨大。CF VaR 的稳定性天然弱于均值方差 VaR——它把”估计误差”从两个矩扩大到了四个矩。
• 有效域约束：偏度峰度过大时 CF 修正失去单调性、完全失效。危机时期高阶矩飙升，恰恰是 CF 最可能滑出有效域的时候，反而在最关键时刻不可用。
• 仍是参数近似：CF 是对分位数的泰勒式展开，不是真实分布。它修正到四阶矩为止，对更高阶的尾部结构（比如幂律尾）依然无能为力，深尾（0.1% 分位）处的误差会比 1% 处更大。
• 模拟数据的局限：本文用混合正态制造左偏肥尾，是可控的”温和肥尾”。真实市场的尾部可能更极端（如 2008、2020），届时 CF 的改进幅度会打折，甚至滑出有效域。

C. 结果解读#

1. CF 的核心价值是”性价比”：它不追求历史模拟的精度，而是用两个额外的矩，把参数法从”系统性低估”拉到”接近真值”，同时保留闭式解的速度和省数据优势。在需要对成千上万个组合快速批量估 VaR 的场景（如实时风控面板），这个性价比无可替代。

2. 违约回测是量级改进：正态 VaR 违约 36 次 vs CF 的 23 次（期望 12.5）。CF 没做到完美收敛，但把”错得离谱”变成”略偏保守可接受”，这在风控上是本质区别——前者会让你在极端行情裸奔，后者不会。

3. 失效点比准确点更重要：本文样本落在有效域中央所以 CF 很准，但这不是运气而是设计——真正的风险在于偏度峰度大到滑出有效域时，如果不做单调性检查，CF 会悄无声息地吐出无意义的数字。用 CF 的纪律，是每次都检查有效域，而不是无脑套公式。

4. 它是工具箱里的一层，不是终点：CF 适合日常快速估计和批量筛查。真要给尾部风险定价（比如 0.1% 极端 VaR、压力测试），该上极值理论（EVT）或历史模拟。CF 的定位是”比正态好得多、比 EVT 省得多”的中间层——知道它的边界，才用得好。

一句话总结：Cornish-Fisher VaR 用偏度和峰度两个修正项，几乎零成本地把正态 VaR 的肥尾低估补回来——但它有一个必须每次检查的有效域，越过边界就该果断换工具。