VaR模型中的参数选择和计算细节

系列：VaR Primer
查看该系列所有文章

1.选择合适的参数

在计算VaR之前，需要先明确所计算VaR的参数。最重要的两个参数为时间期限和置信度，前者对应所需衡量风险的时间段，后者对应风险的容忍度。

1.1.选取时间期限

在选取时间范围有两个考虑因素

所关注的风险期限：某些公司更关注于短期风险，使用较短的时间范围。另外一些公司并不太关心短期的波动，则使用较长的VaR时间范围。
交易活跃程度：一般来说，公司资产的变化程度越大，其选取的时间范围越小。对于一般商业银行，通常只看未来一天的VaR；投资公司则关注一周到一个月的期限，而一般公司则会使用一个季度甚至一年的时间范围。

某些公司对不同资产类型使用不同的VaR时间范围，比如不流通的资产的时间范围更长一点。但不推荐这么做，因为：

衡量流动性风险的理论有很大进步，使用较长时间的VaR是一个笨拙的方法，而且容易将流动性风险和市场风险混为一谈。
对不同的资产使用不同的VaR参数，在更高层面无法整合，也使得在不同资产之间无法进行比较。

1.2.选取置信度

置信度取决于对于损失的容忍度。商业银行和保险企业的损失容忍度较低，而投资公司的容忍度要高一些。一般来说，对于较短的时间期限（1天或一周）：商业银行使用99%，其它一般机构使用95%。

另一种定量的方法为，VaR选取置信水平，使得损失超过该值的可能性等于目标违约概率。比如，公司希望将评级维持在Aaa级，穆迪的Aaa级公司对应1年内违约的概率为0.01%，此时1年期VaR选取置信水平为99.99%。

美国的银行通常使用99.98%的置信水平（1年期VaR）对其经济资本进行衡量，等同于目标评级水平为Aa。

2.计算细节

在前面只提到了计算VaR的方法和框架，这里补充一些重要的细节。有了这些细节，再加上定价公式，至少能够写出一些简单的VaR计算程序。

2.1.收益率：算术收益率还是连续收益率

对于一个因子有两种收益率方法：

算术收益率：假设期末价格为 $P_1$ ，期初价格为 $P_0$ ，那么收益率为 $P_1/P_0-1$ 。
连续收益率：假设期末价格为 $P_1$ ，期初价格为 $P_0$ ，那么收益率为 $\log(P_1/P_0)$ 。

算术收益率即日常理解的收益率。为什么还需要连续收益率的概念呢，因为

它对于时间是简单叠加的：假设第一期的连续收益率为 $r_1$ ，第二期为 $r_2$ ，那么两期合并收益率为 $r_1+r_2$ 。
一般来说，连续收益率是正态分布。连续收益率可分解为各个期间的连续收益率之和，假设各个期间互相独立，根据大数定律，连续收益率收敛于正态分布。而算术收益率不是正态分布，最直接的理由是，算术收益率有下限-100%。

所以一般地，在模特卡洛模拟法中通常使用连续收益率，在计算损益额时再将连续收益率转化成算术收益率。

但算术收益率也有一个很好的优点：它对于横向是线性可加的，即组合的收益率等于各个因子的加权算术平均。所以参数法里使用算术收益率，并基于下面简单事实，可以认为算术收益率也符合正态分布：

当 $r\sim 0$ 时， $r \sim \log(1+r)$ 。

历史模拟法中无需假设收益率的分布，与这两种方法无关。

2.2.风险矩阵的计算方法

参数法和蒙特卡洛模拟法，在计算VaR之前，都需先估计风险矩阵，即各个风险因子之间的协方差矩阵。有几种方法计算该协方差矩阵，包括平均加权法、GARCH法、指数移动平均法和隐含法。

其中平均加权法是直接用过去历史一定期间内的样本计算方差；GARCH法是将方差（和协方差）视为一个GARCH过程，用最大似然法进行估算；隐含法则利用衍生产品内涵的波动率进行估算。在实际中最常用的是指数移动平均法。

指数移动平均法使用历史数据的加权平均和计算方差 $\sigma_t^2$ ，越近的历史数据所占用的权重越大：

$\begin{array}{rcl}\sigma^2_t &=& (1-\lambda)r_t^2 + \lambda \sigma^2_{t-1}\\ &=&(1-\lambda)(r_t^2+\lambda r_{t-1}^2+\lambda^2r_{t-2}^2+\cdots)\end{array}$

其中 $r_t$ 为因子收益， $\lambda$ 为衰减因子，对应半衰期，表示经过多长时间，权重降低一半。半衰期越长（ $\lambda$ 越大），所得到的风险矩阵和VaR越稳定。RiskMetrics推荐日VaR使用 $\lambda=0.94$ ，周VaR使用 $\lambda=0.97$ ，分别对应半衰期10和21（半个月和一个月）。

使用移动指数平均法的另一个好处是：样本的长度对结果的影响较小。衰减因子为0.94时，99%的信息来源于最近的74 $=\log(1-p)/\log \lambda)$ 个样本；衰减因子为0.97时，99%的信息来源于最近的151个样本。

$\lambda$ 的选取和VaR的目的相关。在日常风险管理中，需要动态检测风险，VaR要能衡量当时市场状态，通常使用较短的半衰期。

但在监管中，由于VaR和风险资本相关，银行等机构需要根据VaR确定其风险资本，所以并不希望VaR变动过快，此时它们会选择使用较长的半衰期，或者直接使用历史法计算VaR。

2.3.历史法中考虑权重问题

如果使用固定区间比如一年的样本长度计算VaR，并且样本权重一样时，恰好位于样本区间前边的那个历史数据，将不包含在今天的VaR计算范围。如果那个边界数据为一个极端数据时，将对今天的VaR结果造成很大的影响。这让人难以琢磨而且非常荒谬。直观意义上看，某个单独的历史样本，特别是很久之前的样本，在计算过程中是否包含该样本，对结果应该影响较小。参数法和蒙特卡洛模拟法中引入了指数加权法处理这个问题，衰减因子使得每隔半衰期以外的历史样本权重降低一半，这样是否包含历史上某个极端样本，对结果的影响相对较小。

在历史法中，也可以对于不同时期的样本数据赋予不同的权重解决上述的问题。最简单的方法还是上面的衰减因子法，每隔半衰期的样本权重降低一半。但是，这种方法在历史法中不如用在风险矩阵方法里好。因为，历史法计算VaR值，本来就非常依赖于尾部的几个极端数据，其它样本数据都不会影响结果。衰减因子法会加剧该问题。

另一个处理历史场景的方法是：用波动率去调整历史场景。比如历史场景某因子收益率为1%，波动率为2%。目前波动率为3%，那么调整该场景下因子收益率为1.5%。该方法主要是基于波动率的稳定性，即假设短期内波动率保持同样的水平（同参数法一样）。

2.4.对风险矩阵的非正定性的处理

一个矩阵 $\Sigma$ 是正定的，是指对于任何向量 $w\neq 0$ ，都有 $w^T\Sigma w> 0$ ；一个矩阵 $\Sigma$ 是半正定的，是指对于任何向量 $w$ ，都有 $w^T\Sigma w \geq 0$ 。有几种情况会导致非正定的风险矩阵，

如果计算风险矩阵的样本个数低于风险因子的数量，得到的协方差矩阵是半正定的。
因子的样本长度不一样时（比如因为样本数不够，因子1和因子2的协方差使用了100个样本数据，但因子1和因子3的协方差只使用了50个样本数据），得到的协方差矩阵可能是非正定的。
当分块计算风险矩阵（比如为了简化计算过程，不直接计算不同类型的因子之间的相关性，而直接定义为一个常数），并且不同块的计算方法不一样时，得到的协方差矩阵可能是非正定的。
对因子协方差进行压力测试时，需主动修改风险矩阵某些位置的值，使得风险矩阵不再是正定的。

上面第一种情况得到风险矩阵可以不做处理。后几种种情况导致的非正定风险矩阵会需要对负数开根号，这是不可能的。所以必须对非半正定的风险矩阵进行处理。

Correlation Stress Testing for Value-at-Risk: An Unconstrained Convex Optimization Approach这篇文章里描述了在上述第三种请款下，如何处理非正定的风险矩阵，在其概述部分也描述了前人的若干种方法。这些方法基本上都用到了最优化，而且是二次的。在条件允许的情况下，应该使用这些学术上的结果。但某些情况下，也可以采取近似的方法。比如，由于风险矩阵是实对称矩阵，它可以对角化：

$\Sigma = \Gamma^T \Omega\Gamma$