VaR的前世今生

在FRM考試中丰捷,將VaR定義為VaR is the maximum loss over a target horizon and for a given confidence level概耻,即在特定時(shí)間,給定的置信水平下的最大損失西采,用其來(lái)衡量風(fēng)險(xiǎn)凰萨,類似的衡量的風(fēng)險(xiǎn)的指標(biāo)很多,F(xiàn)RM中主要包括:ES, D, β,σ等等沟蔑。

VaR.png

既然指標(biāo)怎么多湿诊,那又是根據(jù)哪些原則來(lái)挑選風(fēng)險(xiǎn)衡量指標(biāo)的呢?
FRM中給出了四條原則:

(1)Monotonicity 單調(diào)性
R1>=R2, then ρ(R1) <= ρ(R2)
收益越高瘦材,風(fēng)險(xiǎn)越低厅须。單調(diào)性和之前所知的常理不符,其實(shí)也好理解食棕,換個(gè)角度朗和,即收益越高,資本越充足簿晓,越能抵抗風(fēng)險(xiǎn)眶拉。
(2)Subadditivity 次可加性
ρ(R1 + R2)<= ρ(R1) + ρ(R2)
同時(shí)投資兩種資產(chǎn)的風(fēng)險(xiǎn)要小于等于單獨(dú)投資兩種資產(chǎn)的風(fēng)險(xiǎn)之和。
(3)PositiveHomogeneity 正齊性
ρ(βR) = βρ(R)
投資一支股票的風(fēng)險(xiǎn)為ρ(R)憔儿,那么投資β支風(fēng)險(xiǎn)相同的股票的風(fēng)險(xiǎn)為βρ(R)忆植。
(4)TranslationInvariance 平移不變性
ρ(R + c) = ρ(R) - c
c是常數(shù),相當(dāng)于在投資組合中加入現(xiàn)金谒臼,現(xiàn)金是具有風(fēng)險(xiǎn)緩釋作用的朝刊,那么計(jì)算風(fēng)險(xiǎn)時(shí)就可以減掉這個(gè)c。
我們通常認(rèn)為蜈缤,符合上述四條原則的風(fēng)險(xiǎn)指標(biāo)即為一個(gè)好的風(fēng)險(xiǎn)衡量指標(biāo)拾氓。

VaR的優(yōu)缺點(diǎn):
VaR自被發(fā)明以來(lái)一直飽受爭(zhēng)議,但時(shí)至今日仍被投資界所使用底哥,必有其自身的優(yōu)越性咙鞍。
優(yōu)點(diǎn):
(1)Used for risk control and performance assessment.
(2)Easy to understand.
(3)Advanced method.
(4)Single instrument or portfolio
缺點(diǎn):
(1)Did not contain worst conditions,did not describe tail loss.
根據(jù)VaR的定義,其只能告訴我們?cè)谔囟〞r(shí)間趾徽,給定置信水平下的最大損失续滋,即其在設(shè)計(jì)之初,就忽略了極端情況的存在孵奶,一天內(nèi)吃粒,在95%的置信區(qū)間下,最大損失為100萬(wàn)美金拒课,其意義為在一天時(shí)間內(nèi),最大損失有95%的可能性不超過(guò)100萬(wàn)美金事示。VaR能描述95%早像,99%的情況下的最大損失,但忽略了5%肖爵,1%的情況卢鹦,即忽略掉了尾部風(fēng)險(xiǎn)(tail loss),忽略了肥尾的情形,如果發(fā)生黑天鵝冀自,VaR豈不是害人不淺揉稚!尾部風(fēng)險(xiǎn)是指在巨災(zāi)事件發(fā)生后,直到合約到期日或損失發(fā)展期的期末熬粗,巨災(zāi)損失金額或證券化產(chǎn)品的結(jié)算價(jià)格還沒有被精確確定的風(fēng)險(xiǎn)搀玖。

尾部風(fēng)險(xiǎn).png
肥尾和正常的情況對(duì)比.png

假設(shè)100days的時(shí)間里,收益分別為-200,-50,-10,-6.5,-5,-1,-0.5,0,1,2,5,...在95%的置信區(qū)間下驻呐,運(yùn)用非參數(shù)法灌诅,VaR為5萬(wàn),但其尾部的損失卻遠(yuǎn)遠(yuǎn)大于5萬(wàn)含末。100天里91天盈利猜拾,但還比不上一天的虧損。
『尾部風(fēng)險(xiǎn)』就是所謂的黑天鵝事件的風(fēng)險(xiǎn)佣盒,資產(chǎn)a和b在500天里收益最大的495天損失最大的是10萬(wàn)元挎袜,那它們的VaR99%都是10萬(wàn)元,但有可能在剩下5天里資產(chǎn)a平均損失20萬(wàn)肥惭,資產(chǎn)b平均損失50萬(wàn)盯仪。看上去風(fēng)險(xiǎn)一樣的資產(chǎn)务豺,尾部風(fēng)險(xiǎn)完全不一樣∧プ埽現(xiàn)實(shí)生活里的風(fēng)險(xiǎn)資產(chǎn)很多是像資產(chǎn)b這樣的不符合正態(tài)分布的,用基于正態(tài)分布假設(shè)的VaR來(lái)估算很容易低估風(fēng)險(xiǎn)笼沥。(此段文字摘自知乎蚪燕,作者:chifung cheung)
(2)Not sub-additive.
不滿足次可加性(一般非常離散的模型不滿足次可加性)同時(shí)投資兩種資產(chǎn)的風(fēng)險(xiǎn)要小于等于單獨(dú)投資兩種資產(chǎn)的風(fēng)險(xiǎn)之和,比如說(shuō)資產(chǎn)a風(fēng)險(xiǎn)是10萬(wàn)奔浅,資產(chǎn)b風(fēng)險(xiǎn)是20萬(wàn)馆纳,那資產(chǎn)a與b的投資組合的風(fēng)險(xiǎn)必須小于等于30萬(wàn)。但VaR不具備這個(gè)性質(zhì)汹桦,不但不好評(píng)價(jià)資產(chǎn)組合鲁驶,還很難進(jìn)行投資組合最優(yōu)化。

image.png
損失分布圖.png

在置信水平為99%的情況下舞骆,投資于單個(gè)資產(chǎn)钥弯,其var值為0萬(wàn)(從左向右數(shù),概率累計(jì)大于1%時(shí)為止)督禽;投資于A,B,C三個(gè)資產(chǎn)時(shí)脆霎,其var值卻為10萬(wàn)(從左向右數(shù),概率累計(jì)大于1%時(shí)為止)狈惫,不滿足次可加性的原則睛蛛。
(3)illiquid Assets
流動(dòng)性較差的資產(chǎn)不能用VaR來(lái)衡量,VaR極度依賴交易數(shù)據(jù),如果某種資產(chǎn)10,20天才產(chǎn)生一次交易忆肾,我們是沒法用它的VaR來(lái)衡量風(fēng)險(xiǎn)的荸频,即使計(jì)算出來(lái)也是不準(zhǔn)確。

VaR的計(jì)算:
計(jì)算VaR的方法有很多客冈,F(xiàn)RM中將按照f(shuō)ull valuation和local valuation進(jìn)行了劃分旭从。


full valuation.png

local valuation主要指Delta-Normal Approximation,Delta-Gamma Approximation郊酒。

為了方便給理解遇绞,下面主要介紹非參數(shù)法和參數(shù)法。
(1) 非參數(shù)法
略燎窘。摹闽。。

(2)參數(shù)法

image.png

①相對(duì)VaR(relative VaR)
相對(duì)于均值褐健,比如95%的置信水平付鹿,那么VaR = 1.65σ
②絕對(duì)VaR(absolute VaR)
相對(duì)于0,VaR = |1.65σ - E(R)|
這里求出的為百分比(即percent var)蚜迅,如果是求數(shù)值(dollar var)舵匾,再乘以整個(gè)投資組合的價(jià)值即可。
舉個(gè)例子:
給定一個(gè)價(jià)值$100,000,000 portfolio谁不,一周的期望投資回報(bào)率為0.00188坐梯,標(biāo)準(zhǔn)差為0.0125,給定95%的置信水平刹帕,求VaR吵血?

解析.png
Square Root Rule(平方根法則).png

ρ為天與天之間的關(guān)系。
① With trends→positive correlation→VaR increase
市場(chǎng)的變化是有趨勢(shì)的偷溺,此時(shí)ρ>0, VaR會(huì)變大蹋辅。

ρ>0.png

②With mean reversion→negative correlation→VaR decrease
均值回歸,此時(shí)ρ<0,VaR會(huì)變小挫掏。

ρ<0.png

(總是圍繞-0.5這個(gè)軸波動(dòng)侦另,均值是回歸的)

VaR的應(yīng)用:
(1)Delta-Normal Approach:
僅考慮線性關(guān)系
①債券的VaR

image.png

②期權(quán)的VaR

image.png

(2)VaR of Nonlinear Derivatives–Delta-Gamma Approximation
///推導(dǎo)為兩邊同時(shí)取VaR///

①債券的VaR


image.png

②期權(quán)的VaR


image.png

VaR模型的補(bǔ)充
對(duì)于VaR模型,由于其未考慮尾部風(fēng)險(xiǎn)尉共,所以金融學(xué)界又發(fā)明了許多方法褒傅,對(duì)VaR模型進(jìn)行補(bǔ)充,比方說(shuō)conditional VaR(ES)袄友,worst case scenario(WCS樊卓,最差情景分析),StressTesting(壓力測(cè)試)等杠河。這些方法主要考慮極端情況的發(fā)生,在一定程度上彌補(bǔ)了VaR未考慮尾部風(fēng)險(xiǎn)的弊端。
最后附上一篇實(shí)戰(zhàn)文章券敌,加深對(duì)VaR的認(rèn)識(shí)唾戚。
在險(xiǎn)價(jià)值(Value at Risk)風(fēng)險(xiǎn)度量下的資產(chǎn)組合前沿 https://uqer.io/community/share/57aa83f8228e5b9b95a88894

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市待诅,隨后出現(xiàn)的幾起案子叹坦,更是在濱河造成了極大的恐慌,老刑警劉巖卑雁,帶你破解...
    沈念sama閱讀 212,718評(píng)論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件募书,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡测蹲,警方通過(guò)查閱死者的電腦和手機(jī)莹捡,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,683評(píng)論 3 385
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)扣甲,“玉大人篮赢,你說(shuō)我怎么就攤上這事×鹜冢” “怎么了启泣?”我有些...
    開封第一講書人閱讀 158,207評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長(zhǎng)示辈。 經(jīng)常有香客問(wèn)我寥茫,道長(zhǎng),這世上最難降的妖魔是什么矾麻? 我笑而不...
    開封第一講書人閱讀 56,755評(píng)論 1 284
  • 正文 為了忘掉前任纱耻,我火速辦了婚禮,結(jié)果婚禮上射富,老公的妹妹穿的比我還像新娘膝迎。我一直安慰自己,他們只是感情好胰耗,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,862評(píng)論 6 386
  • 文/花漫 我一把揭開白布限次。 她就那樣靜靜地躺著,像睡著了一般柴灯。 火紅的嫁衣襯著肌膚如雪卖漫。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 50,050評(píng)論 1 291
  • 那天赠群,我揣著相機(jī)與錄音羊始,去河邊找鬼。 笑死查描,一個(gè)胖子當(dāng)著我的面吹牛突委,可吹牛的內(nèi)容都是我干的柏卤。 我是一名探鬼主播,決...
    沈念sama閱讀 39,136評(píng)論 3 410
  • 文/蒼蘭香墨 我猛地睜開眼匀油,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼缘缚!你這毒婦竟也來(lái)了?” 一聲冷哼從身側(cè)響起敌蚜,我...
    開封第一講書人閱讀 37,882評(píng)論 0 268
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤桥滨,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后弛车,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體齐媒,經(jīng)...
    沈念sama閱讀 44,330評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,651評(píng)論 2 327
  • 正文 我和宋清朗相戀三年纷跛,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了喻括。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 38,789評(píng)論 1 341
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡忽舟,死狀恐怖双妨,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情叮阅,我是刑警寧澤刁品,帶...
    沈念sama閱讀 34,477評(píng)論 4 333
  • 正文 年R本政府宣布,位于F島的核電站浩姥,受9級(jí)特大地震影響挑随,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜勒叠,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 40,135評(píng)論 3 317
  • 文/蒙蒙 一刑巧、第九天 我趴在偏房一處隱蔽的房頂上張望捺檬。 院中可真熱鬧,春花似錦、人聲如沸涯保。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,864評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)擅威。三九已至,卻和暖如春飘诗,著一層夾襖步出監(jiān)牢的瞬間与倡,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 32,099評(píng)論 1 267
  • 我被黑心中介騙來(lái)泰國(guó)打工昆稿, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留纺座,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 46,598評(píng)論 2 362
  • 正文 我出身青樓溉潭,卻偏偏與公主長(zhǎng)得像净响,于是被迫代替她去往敵國(guó)和親少欺。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,697評(píng)論 2 351

推薦閱讀更多精彩內(nèi)容

  • 作者: 菲利普·喬瑞 出版社: 中國(guó)人民大學(xué)出版社 原作名: Financial Risk Manager Han...
    ecapc閱讀 2,039評(píng)論 0 2
  • 前幾天看完了《主動(dòng)投資組合管理》馋贤,今天來(lái)總結(jié)這本書的讀書筆記狈茉,同時(shí)也寫下自己的些許感想。本書由量化投資領(lǐng)域的先驅(qū)G...
    地平線上的背影閱讀 5,137評(píng)論 0 6
  • 認(rèn)識(shí)風(fēng)險(xiǎn):謹(jǐn)慎投資衡量風(fēng)險(xiǎn):風(fēng)險(xiǎn)指標(biāo)數(shù)據(jù)化降低風(fēng)險(xiǎn):風(fēng)險(xiǎn)意識(shí)是關(guān)鍵基金調(diào)整:適應(yīng)當(dāng)前行情應(yīng)對(duì)調(diào)整期:做到心中有數(shù)控...
    你在學(xué)校閱讀 3,003評(píng)論 0 13
  • 通過(guò)網(wǎng)絡(luò)原創(chuàng)工具V5檢測(cè):該文章原創(chuàng)度為91%蹭秋,屬于原創(chuàng)文章扰付。 歷史上的中國(guó),十分喜歡建樓閣仁讨,據(jù)說(shuō)是為了彰顯功德羽莺。...
    十點(diǎn)洞見閱讀 244評(píng)論 1 0
  • 這節(jié)課通過(guò)組裝紅綠燈小裝置,初步學(xué)習(xí)電路連接洞豁,認(rèn)識(shí)電子元件盐固。 1、認(rèn)識(shí)電子元件丈挟、電路圖刁卜,具備電路基礎(chǔ)知識(shí) 這...
    整整為閱讀 3,281評(píng)論 0 0