第42讲：风险价值和条件风险价值 (VaR and CVaR)
💡查看全集：💎Quantopian量化分析56讲
一、核心概念解析VaR（风险价值）：在给定置信水平α下，未来一段时间内投资组合可能承受的最大损失。例如α=95%的VaR为-10万元，表示未来有95%的概率损失不超过10万元。
CVaR（条件风险价值）：当损失超过VaR时，这些极端损失的平均值。反映尾部风险，比VaR更能体现危机情境。
关键公式对比正态分布VaR计算公式：
VaR=(μ−σ⋅Zα)⋅V\text{VaR} = (\mu - \sigma \cdot Z_\alpha) \cdot VVaR=(μ−σ⋅Zα)⋅V其中：
μ\muμ 为期望收益率σ\sigmaσ 为波动率ZαZ_\alphaZα 为置信水平对应的标准正态分布分位数VVV 为投资组合价值
历史模拟法VaR计算公式：
VaR=Percentile(R,1−α)⋅V\text{VaR} = \text{Percentile}(R, 1-\alpha) \cdot VVaR=Percentile(R,1−α)⋅V其中：
RRR 为历史收益率序列α\alphaα 为置信水平
条件风险价值(CVaR)计算公式：
CVaR=1(1−α)∫−∞VaRr⋅f(r)dr⋅V\text{CVaR} = \frac{1}{(1-\alpha)} \int_{-\infty}^{\text{VaR}} r \cdot f(r)dr \cdot VCVaR=(1−α)1∫−∞VaRr⋅f(r)dr⋅V其中：
f(r)f(r)f(r) 为收益率概率密度函数rr r为收益率α\alpha α为置信水平二、模拟数据实战生成模拟收益率import numpy as np
import pandas as pd
import yfinance as yf
from scipy.stats import norm
# 生成10个正态分布的虚拟资产收益率
np.random.seed(42)
returns = np.random.normal(0.01, 0.1, (1000, 10))
returns = pd.DataFrame(returns, columns=[f'Asset_{i}' for i in range(10)])
权重设置与可视化# 生成等权重组合
weights = np.ones(10) / 10
plt.figure(figsize=(10,4))
plt.bar(range(10), weights)
plt.title('等权重投资组合分配')
plt.xlabel('资产编号')
plt.ylabel('权重比例');
计算历史VaRdef historical_var(returns, weights, alpha=0.95, value=1e6):
port_returns = returns.dot(weights)
var = np.percentile(port_returns, 100*(1-alpha)) * value
return var
print(f"95% VaR: {historical_var(returns, weights):,.2f} 元")
输出示例：95% VaR: -42,567.89 元
三、真实市场数据分析获取历史数据# 获取苹果、微软历史数据
tickers = ['AAPL', 'MSFT']
data = yf.download(tickers, start='2015-01-01', end='2020-01-01')['Close']
# 计算收益率
returns = data.pct_change().dropna()
returns.plot.hist(bins=50, alpha=0.6, figsize=(10,4))
plt.title('苹果与微软历史收益率分布');
动态权重VaR分析# 生成随机权重
np.random.seed(42)
weights = np.random.random(len(tickers))
weights /= weights.sum()
# 计算滚动VaR
window = 252 # 1年交易天数
var_series = returns.rolling(window).apply(
lambda x: np.percentile(x.dot(weights), 5)*1e6)
plt.figure(figsize=(10,4))
var_series.plot()
plt.title('滚动一年期95% VaR')
plt.ylabel('风险价值（万元）');
四、进阶对比分析正态假设 vs 历史法def normal_var(mu, sigma, alpha=0.95):
return norm.ppf(1-alpha, mu, sigma)
mu = returns.mean().dot(weights)
sigma = np.sqrt(weights.T @ returns.cov() @ weights)
print(f"正态法VaR: {normal_var(mu, sigma)*1e6:,.2f} 元")
print(f"历史法VaR: {historical_var(returns, weights)*1e6:,.2f} 元")
CVaR计算实现def conditional_var(returns, weights, alpha=0.95, value=1e6):
port_returns = returns.dot(weights)
var = np.percentile(port_returns, 100*(1-alpha))
cvar = port_returns[port_returns <= var].mean() * value
return cvar
print(f"CVaR: {conditional_var(returns, weights):,.2f} 元")
五、关键要点总结正态假设常低估尾部风险（见下图对比）历史法依赖数据质量，需定期更新CVaR比VaR更全面反映尾部风险回看周期需平衡时效性与稳定性# 分布对比可视化
plt.figure(figsize=(10,4))
plt.hist(returns.dot(weights), bins=50, density=True, alpha=0.6)
x = np.linspace(-0.1, 0.1, 100)
plt.plot(x, norm.pdf(x, mu, sigma), 'r-')
plt.legend(['正态分布', '实际收益'])
plt.title('收益分布对比');
六、练习题使用yfinance获取标普500指数（^GSPC）过去5年数据，计算其95% VaR比较等权重组合与70%股票+30%债券组合的CVaR差异当置信水平从95%提升到99%时，VaR和CVaR变化幅度有何不同？为什么？提示：债券数据可使用TLT（20年以上美国国债ETF）附：练习合集练习上一篇
第41讲：为什么要对贝塔和行业暴露进行对冲 II (Why Hedge Beta and Sector Exposures II)
下一篇
第43讲：积分、协整和平稳性 (Integration, Cointegration, and Stationarity)