市場風險的測度VaR課件

1、第六章 市場風險的測度方法Value-at-Risk（VaR）主要內容：第一節(jié)、引言第二節(jié)、 VaR的基本概念第三節(jié)、獨立同分布正態(tài)收益率下的VaR第四節(jié)、放寬獨立同分布正態(tài)收益率假設下的VaR第一節(jié)、引言一、為什么要測度市場風險？（ Why a Measure of Market Risk?） 1、報道信息 我們一個數據來反映我們面臨的風險; 2、資源配置 風險資產是一種稀缺資源。企業(yè)如何分配這些資源，取決于企業(yè)各項投資時所面臨的不同風險； 3、投資行為的評估 如果不考慮投資所涉及的風險，就不能評估投資者投資效果的好壞 。在投資效果評估時，你必須區(qū)分確實是好的投資還是純粹靠運氣。 二、誰需要

2、市場風險的測度指標？ 1. Financial Institutions， 2. Regulators3. Non-financial Corporations，4. Asset Managers二、市場投資風險的基本概念1、投資風險的基本含義 與損失的不確定性聯系在一起的。經濟學、決策學、統(tǒng)計學、金融保險學中尚無統(tǒng)一的定義。第一種觀點(即古典決策理論的觀點)認為，風險是事件未來可能結果的不確定性（易變性）。它可以用可能結果概率分布的方差描述。第二種觀點認為風險是一種損失機會或損失可能性，可用損失的概率表示。第三種觀點（即現代決策理論的觀點），將風險定義為損失的不確定性。第四種觀點（即統(tǒng)計學家

3、的觀點），將風險定義為實際與預期結果的偏差。認為可預測的收入變化，不應當是風險，只有不可預測的收入變化才是真正的風險。1、投資風險的基本含義第五種觀點（即信息論的觀點），認為風險是信息的缺乏程度。風險主要來自未來的不確定性，而不確定性則產生于信息的缺乏，只要對未來有完全的信息，就可清除不確定性，進而清除風險。第六種觀點，認為風險是可能的損失，即認為風險是不利結果的程度，它僅從損失量的角度定義風險。從投資的角度講，風險是是一種客觀存在，無所謂好壞。對投資者來講，投資風險就是資產價格的波動。風險既可能造成損失，也可能帶來超額收益。風險是超額收益的來源。對待風險的態(tài)度應該是正確認識風險、客觀計量風險

4、和科學管理風險，甚至可以開發(fā)風險。例如，保險業(yè)就是對風險進行開發(fā)和經營的行業(yè)。 2、證券市場投資風險基本涵義 第一種觀點認為，證券投資風險是指由于證券價格的波動，造成投資收益率的不確定性或易變性，這種易變性可用收益率的方差或標準差度量。 第二種觀點認為，證券投資風險是由于證券價格波動給投資者造成損失的可能性或損失的不確定性。該觀點認為只有在價格波動給投資者造成損失時才有風險，不造成損失的任何波動都不應視為風險。 對風險的認識是一個逐步發(fā)展的過程，對風險定義的不同，將直接影響對風險的計量與控制。 3、風險的特征 (1) 風險的客觀性。 (2) 風險的時限性。 (3) 風險的多面性。 (4) 風險

5、的可測定性。 (5) 風險的潛在性。 (6) 風險的相對性。 (7) 損失和收益的對立統(tǒng)一性。二、證券市場投資風險的分類1、按證券投資風險的來源分類主觀風險和客觀風險、市場風險與經營風險、偶然事件風險、購買力風險、破產風險、流通風險、違約風險、利率和匯率風險。2、按證券投資風險的性質分類系統(tǒng)風險是指對所有證券資產的收益都會產生影響的因素造成的收益不穩(wěn)定性。它與市場的整體運動相關聯。如市場風險、購買力風險、利率匯率風險和政治風險都是系統(tǒng)風險。（該風險不可通過分散化消除）非系統(tǒng)風險是由個別資產本身的各種因素造成的收益不穩(wěn)定性。如破產風險、流通風險、違約風險、經營風險均屬此類。（投資組合可以分散非系

6、統(tǒng)風險） 。三、常用投資風險計量方法及存在的問題 1、方差計量理論 以證券投資收益率的方差作為風險計量指標， Markowitz年提出了現代證券組合投資的均值方差（MV）理論，它標志著現代證券投資理論的開端，在金融投資領域具有特別重要的意義。 Markowitz假定投資風險可視為投資收益的不確定性，這種不確定性可用投資收益率的方差或標準差度量。以此為基礎，理性投資者在進行投資時總是追求投資風險和收益之間的最佳平衡，即在一定風險下獲取最大收益或一定收益下承受最小風險，因此通過MV分析，并求解單目標下的二次規(guī)劃模型，可實現投資組合中金融資產的最佳配置。 以方差度量風險是有一些嚴格的假設，這些假設條

7、件主要有： 第一，每種證券的收益率都服從正態(tài)分布； 第二，各種證券收益率之間服從聯合正態(tài)分布； 第三，證券市場為有效市場。 第四，投資者是風險厭惡型的。證券市場有效性假設是相當苛刻的條件，即使在相當成熟的股票市場也無法完全滿足，即使承認證券市場是有效的，當以方差作為風險的計量指標時，資源配置的有效性也取決于方差方法的優(yōu)劣。1、方差計量理論自以收益率的方差作為風險計量指標以來，一直受到多方面批評，許多學者從不同方面對此問題進行了闡述： （1）方差是用來衡量收益率的不確定性或易變性的，用其反映風險是不恰當的。 （2）從效用函數的角度分析，以方差為風險的計量指標，只有在投資者的效用函數為二項式時才成

8、立，而二次效用函數并不是投資者偏好的恰當選擇，因此，方差不是風險的最好的測度方法。 （3）方差度量風險的另一條件是要求證券投資收益率及其聯合分布是正態(tài)的。而實際證券市場投資收益率，基本上不服從正態(tài)分布的假設，因此，用方差衡量證券投資的風險是不恰當的。 （4）從心理學角度，Kahneman Tversky的研究表明，損失和盈利對風險的貢獻是不同的。方差計量風險是假定正、負偏差之間對稱，但投資者對上下偏差具有明顯的不對稱看法；所以以風險的方差計量風險有違投資者對風險的真實心理感受。 有些風險測度如Sharpe的beta 系數、平均誤差平方和(MSE)、平均絕對誤差平方和（MSE）、平均絕對誤差等，

9、看上去似乎與方差無關，但在數學上等價于方差，因此上述問題對它們同樣存在。 2、信息熵風險計量理論 信息熵理論是Shannon(1948)在研究數學通訊理論時的重要發(fā)現，是研究信息系統(tǒng)不確定性測度的指標。由于證券投資風險是證券投資收益不確定性的體現，所以信息熵理論在證券投資風險的計量中也得到了應用。信息熵作為證券投資風險（不確定性）的計量指標具有以下優(yōu)點： (1)簡單明了、概念清晰，將系統(tǒng)不確定性用統(tǒng)一的數量指數反映，使不同系統(tǒng)不確定性之間的比較成為可能。 (2)信息熵一般與投資者對證券收益率的預測有關，它具有風險事前計量的特征。 信息熵計量風險也存在一些不足之處： (1)熵值法度量的是系統(tǒng)的不

10、確定性，系統(tǒng)的不確定性不等于系統(tǒng)的風險； (2)熵值法沒有突出損失與收益之間的差別，這與投資者的心理感受不符； (3)熵值法最明顯的不足是它沒有考慮損失的大小，而僅考慮各種狀態(tài)分布的概率； (4)熵值法沒有考慮證券投資收益率的變化頻率問題。3、風險下偏矩計量理論 風險的下偏矩計量理論有著方差理論不可比擬的優(yōu)越性。 首先，它僅將損失作為風險的計量因子，反映了投資者對風險的真實心理感受，符合行為科學的原理； 其次，從效用函數的角度看，它僅要求投資者是風險厭惡型，即效用函數是凹型的，而不象方差那樣要求二次型的效用函數； 第三，從資源配置效率看，風險的下偏矩計量方法優(yōu)于方差方法。總之，下偏矩方法被認為

11、是風險測度的一種較好的方法。 不足之處： 下偏矩統(tǒng)計量的計算比方差復雜的多。4、VaR方法VaR(Value at Risk)是1993年J.P.Morgon,G30集團在考察衍生產品的基礎上提出的一種新的風險測度方法。VaR的基本含義是，風險資產在給定的置信區(qū)間和持有期間上，在正常市場條件下的最大期望損失。VaR方法的優(yōu)點：（1）簡潔的含義和直觀的價值判斷；它使得資產組合風險能夠具體化為一個可以與收益相配比的數字，從而有利于經營管理目標的實現。（2）從本質上看，VaR 也是一種下方風險測度方法，因此，它比方差、標準差的風險測度更接近于投資者對風險的真實心理感受；（3）VaR考慮了決策者所處的

12、環(huán)境及具體情況，使風險決策更具有可操作性。 VaR方法的不足：（1）對于資產組合的收益率分布為一般分布時，求解比較困難；（2）置信區(qū)間的選擇帶有任意性，選擇不同，風險VaR 的測度值也不同；（3）該方法在一般分布時計算量很大。第二節(jié) VaR的基本概念一、 VaR的基本含義 一個價值Vt (dollar) 的頭寸， 天的VaR 指在未來 天，Vt以 的概率損失的最大值. 例如，你購買10 million Euros. 如果1EU=.564USD (USD/EU的匯率為：Mt = .564）,美圓的頭寸為： Vt = 10 Mil x Mt = $5.64 million.那么，這個頭寸的99%，

13、24 hours的VaR 為$78,711.84，其含義為，投資在歐元上的5.64million美圓，在未來24小時，其最大損失為$78,711.84，概率為99% 。也就是說，在未來24小時，其最大損失超過$78,711.84的概率為1% 。一、VaR的含義假設歐元匯率的收益率服從正態(tài)分布，即：這樣，投資在歐元上的價值變化為：= $5.640 mil也服從正態(tài)分布。根據 的分布密度，我們可以畫出 的分布圖(Figure 1 with a daily volatility =.6% )99% VaR 是(負數)這樣一個數據，即只有 1%的概率使得我們資產的變化低于這個數值。二、注意的問題（1）

14、 VaR 的值取決于市場變量統(tǒng)計特征的假設。也就是說，取決于風險管理者對市場變量運動的假設，因此，風險管理者可能得出不同的VaR值。（2） VaR僅為統(tǒng)計意義上的風險指標，它與樣本均值、方差、協(xié)方差一樣，有統(tǒng)計誤差。產生這些誤差，有很多原因（如小樣本），不僅僅是模型的問題。（3）雖然如此，VaR在我們后文討論的情況中是非常有用 。第三節(jié) 獨立同分布正態(tài)收益率的VaR假設USD/EU匯率的收益率是獨立、正態(tài)分布，即： 這里，期望（ ）和標準差（ ）均為常數。 時間單位為1天，即 和 是匯率的日期望收益率和易變性（標準差），而不是年數據。令 是標準正態(tài)分布的 分位數，分位數的含義是：如果Z N (

15、0,1) ， 表示這樣的數字，即隨機抽樣中，Z 的概率正好為下表給出了一些常用的 值。 例如，如果 =99%, 則 = -2.326 , 說明從一個標準正態(tài)分布中，隨機抽取一個數值，其值大于-2.326 的概率為99%。也就是說，只有1%的概率，使得從一個標準正態(tài)分布中，隨機抽取一個數值，其值小于均值的2.326個標準差。 例子：考慮前面歐元的例子。組合價值的變化為： =$5.64 mil 服從于均值為 ，標準差為 的正態(tài)分布。根據上述 的定義，可以計算分布密度為 的分位數為：這個值即為一個分界點，即損失超過 發(fā)生的概率為 (1- ) 。這樣， ， 1 day Value at Risk 為：

16、VaR =負號表示VaR測量的是損失而不是收益。 將 代入，得：VaR=-(-2.326 *5.64 mil *.006) =$78,711.84一、證券組合的VaR一、證券組合的VaR1、兩證券組合的情況投資組合的變化為：=這里J t =.007629 由上看出，投資組合價值的變化是服從聯合正態(tài)分布變量的加權之和，因此，它也服從正態(tài)分布。其中，這樣，99%，1天的VaR 為：VaR = $177,331.59也就是說，只有1% 的概率，在未來24 小時內，組合的損失大于$177,331.59。2、一般情況設有n 個不同的資產， 是t時刻投資在第i個資產上的資金量（美圓）， 是t + 1時刻投

17、資在第i個資產上的收益率。 假設 服從聯合正態(tài)分布，那么組合的變化值 也服從正態(tài)分布 記 為 的均值， 為證券 與證券 收益率的協(xié)方差， 為證券 收益率的方差 則： 這樣，我們可以用同樣方法求出，證券組合的VaR。2、一般情況考慮一般的情況，證券組合價值的變化為：這里， 為組合的總財富（$表示）， 為總財富在asset i 上分配的比例， 為組合的收益率。 是組合的收益率期望值和標準差，這樣， 1 day VaR可以由下式給出：當然，這里涉及大量的統(tǒng)計計算問題，但基本思想與上面討論的相同。二、因素模型的簡單回顧1、對于大的證券組合，上述計算的負擔是很大的。例如：對于100證券構成的組合，我們需

18、要計算5,150參數，(100 均值收益率+ 5050方差-協(xié)方差矩陣的參數)。隨著證券組合的變大，計算量的增加是驚人的。 這樣，引起的問題之一是：參數估計的質量隨著證券數量的增加而下降；解決問題的一種流行方法是應用因素模型來描述資產收益率2、因素模型 因素模型，一般可以寫成如下形式：其中， 是因素，而且相互獨立（為了清楚起見，你可以把這些因素看成諸如超常收益率、 GNP growth等）。 測度的是收益率 對第k個因素的敏感性。三、因素模型的簡單回顧（2）3、如果一個證券組合有 100 股票，每只股票都可寫成 (1)的形式,則 VaR 的計算可以大大簡化。一旦整個證券組合的收益取決于這些因素

19、，我們容易找到證券組合價值變化 的分布 如果這些因素服從聯合正態(tài)分布，我們就可以用前述同樣的方法計算Value at Risk. 三、增加VaR （ Incremental VaR ，邊際VaR）1、意義： 從以前的討論中可以看出，證券組合的總風險，并不是單個證券風險之和(一般小于)。這并不奇怪，它僅僅是分散化原理的再現。 但在很多場合下，估計證券組合總風險中單個證券的邊際貢獻是很重要的。 例如，考慮一個金融機構，它提供一組金融服務。這個金融機構有幾個服務窗口 (the swap desk, the FX desk etc.) ，它們相互獨立，而且每個服務窗口都經營若干金融資產。 為了估計金融

20、機構總的風險，我們將金融機構看成證券組合，計算證券組合一天的VaR。 但從內部管理的角度看，金融機構估計每一種業(yè)務對企業(yè)總風險的邊際貢獻是非常重要的，其原因主要有： 1) 有效管理風險的需要；2)（建立規(guī)則）對各種業(yè)務分配風險資產的需要（頭寸的限制）； 3)評估各項業(yè)務成績的需要。2、 增加 VaR的引出如果在證券I上 增加1美圓的投資，考慮證券組合VaR的邊際變化是多少。 首先，我們知道：因此，有：2、 增加 VaR的引出（2）再考慮證券組合價值變化的方差的表達式：最后一個等式來自于重新整理。等式兩邊同除以 ，得： 我們有：這樣：這里，記： 表示由于資產i 的微小增加導致總的VaR的變化，

21、這樣，定義資產i 的邊際VaR 為：3、實例 考慮上節(jié)的例子：這樣，4、重要提示將VaR 分解為邊際VaR ，并不意味著我們取消資產 i, 余下資產的VaR等于最初總的VaR減去IVaRi。例如，在上例中，取消日圓業(yè)務并不等于將VaR從$177,331.59 降低為 (VaR-IvaRJ)= $66,279.14。事實上，從上述例子中我們已經知道，僅投資于歐元（EU）的 VaR $78,711.84 ! 四、 連續(xù)復利正態(tài)分布收益率的 VaR 1、連續(xù)復利正態(tài)分布的含義連續(xù)正態(tài)分布收益率的假設在很多情況下，可以使問題的分析得以簡化 。 回憶以前的例子， 在連續(xù)正態(tài)分布收益率的假設下，記 M t

22、 為美圓對歐元在t時刻的匯率 ，則： 這里是日連續(xù)復利收益率（以天為單位?。Ｕ缥覀兩厦娣治龅?，這個假設保證匯率M t +1 是對數正態(tài)分布。2、為什么需要復利正態(tài)分布收益率 （1）當分析 時間序列事件時，應用連續(xù)復利收益率是很方便的。 例如，假設我們有收益率的日均值和日方差，如果改變時間長度，計算一個月收益率的均值和方差（一個月為20個交易日）。在獨立同分布的日復利收益率下， 20天的收益率為： 由于收益率是獨立同分布的， 20天的連續(xù)復利收益率為：這樣，月均收益率和標準差分別為：一般地，如果時間水平為 ，則收益率和標準差分別為： 如果日收益率為正態(tài)分布（不是連續(xù)復利），有： 是從 t+i

23、-1 到t+I的收益率。注意， 20-day 的收益率是正態(tài)分布隨機變量的乘積而不是隨機變量的和，因此，如果不使用連續(xù)復利收益率，則20-day 收益率的分析將變的十分復雜。2、為什么需要復利正態(tài)分布收益率（2）(2) 當投資的總收益率是兩個價格組合而成時，使用連續(xù)復利收益率是很方便的。例如，如果你購買了一個Frankfurt市場上的指數基金，那么，在將來你投資的總價值是由歐元的股票價格乘歐元的美圓價格得出 (看下面的例子)。(3) 對于小的收益率值(例如,以天計算的收益率)，單利收益率可以用復利收益率很好地近似,因為，對于一個很小的 X ，我們有： 在這種情況下，單利收益率可以假定為服從正態(tài)

24、分布的。3、實例 假設我們在Frankfurt Stock Market投資10 mil 歐元的指數基金，設歐元的日收益率為YM ， Frankfurt Stock Market 的收益率為YS, 即： St 是Frankfurt index在 t 時刻的價格，這里時間單位為 “one day”。 假設YM and YS 服從正態(tài)分布和聯合正態(tài)分布，其均值和方差分別為： ， 它們的相關系數為： 你的財產明天的價值（以美圓計）為：根據St+1 和 Mt+1的定義， 因為聯合正態(tài)分布之和仍為正態(tài)分布，我們有： 這里 因此，投資歐元的總收益率（股票市場的收益率+外匯匯率的收益率）仍然服從正態(tài)分布，所

25、以我們可以利用前面所學的技術計算VaR. 記 為Yt+1小于 發(fā)生的概率為 的數值，我們可以計算頭寸為Vt=10 Mil x Mt時的VaR。 應用歷史數據， 假設 這樣，這意味著有99%的可能性，投資收益率大于 ：因此，投資在Frankfurt Stock Market Index上的5.64 Million dollar， a 99% 1-day VaR 為：六、含有非線性衍生品組合的 VaR 我們以前的分析，都是假定資產的收益率服從正態(tài)分布，但存在一種重要的情況是，當組合中包含衍生證券時，組合的收益率不服從正態(tài)分布，因為衍生證券的價值相對于標的資產而言是非線性的。 例如，如果一個證券組合

26、包括指數看跌期權 (如組合保險), 既是假定指數收益率服從正態(tài)分布，指數看跌期權的價值則不服從正態(tài)分布。這部分我們將應用 “Delta Method” method 和 “Delta-Gamma Method” method處理這類問題. 令 為資產St以價值形式表示的收益 (是絕對值而不是百分比). 如果（一）Delta-Method假設一個衍生證券在t時刻的價格為 其中， 為標的資產的價格該衍生證券的delta值為 ：該衍生證券在t+1 時刻的價格為：那么，該衍生證券在t+1 時刻的收益為：這樣，衍生證券的收益也服從正態(tài)分布，其均值和均方差分別為： Example: 考慮一個投資在S&P5

27、00 market index上 $1 bil的養(yǎng)老基金和由3個月看跌期權保險策略構成的組合 假設S&P500 = 936，三個月看跌期權（執(zhí)行價K = 930 ）的價格為 ft = $36。再假定無風險收益率為r = 5% ，標的物的紅利收益率為0，年隱含的收益率波動性為： 則根據Black-Shose公式，有：在給定S&P500 index的價值，投資在養(yǎng)老基金上的份額為：NS = 1 bil/936 = 1,068,376 index share (spot market). 令Nf = 1,068,376. Example 這樣整個頭寸的變化量為： 可見， 服從正態(tài)分布，其均值和標準差

28、分別為：將 代入到VaR的計算公式中， a 99% one day VaR 為：評論（1）你可能會立刻注意到在計算非線性證券VaR時， Delta -Normal method的不足 ：（1）根據定義，VaR給出的是小概率下極端的損失值 (損失大于$22.147 mil in the next 24 hours的概率，僅有1%)。Delta方法僅僅在股票價格小的變化時才適用。 因此，在近似方法(假設價格有小的變化)與VaR (價格有大的變化)定義之間存在不一致性。（2）為了進一步考察近似的程度，我們計算看跌期權的價值，這里收益率為均值- 2.326 standard deviations （假

29、設均值為0）這樣，日收益率為：是低于均值2.326 standard deviations的股票收益率 (這也是用于計算沒有期權時99% VaR的分界值）。這時，新的指數值為 S = 900（對應于VaR的分界值）。 看跌期權的價格為：評論（2）總頭寸的價值下跌（也就是VaR ）為：可見，與$22.147不同，其差異的原因是相對于標的資產，看跌期權的價值是非線性的(價值上升的快，進而高估了VaR)。 換言之，隨著股票價格的下跌，看跌期權的Delta變的更負，即它的Gamma（Delta 對標的股票價格變化的敏感性） 是正值（此例中) ，看跌期權的價值比 增加更快。在這種情況下，估計值超過實際的

30、a 99% one day VaR，但是，同樣的非線性也可能會低估a 99% one day VaR。（二）The Delta-Gamma Method比delta method 更好的近似方法是應用Taylor expansion 中的高階項。應用上述例子 (Taylor expansion),我們有： 這樣，有： 或： 從上述公式，我們立刻可以看出使用高階項估計衍生證券風險的問題。既是 服從正態(tài)分布， 也不服從正態(tài)分布（實際上， 服從自由度為1的Chi-square分布）。（二）The Delta-Gamma Method 因此，使用正態(tài)分布假設的優(yōu)點在這里消失。一旦出現這種情況，建議使用

31、更符合實際的收益分布。 一種方法是計算整個頭寸（股票+期權）的標準差，并應用2.33分位數計算VaR.這是一個相對簡單的方法，因為，如果 服從正態(tài)分布，則所有矩的分析表達式均可以寫出：例如（數理統(tǒng)計數中），這里，這樣，我們得到:因此，這里，我們假設這個結果比用delta method更接近與實際值。注意：如果假定 99%的分位數為 2.326 ，那么，我們是假定收益率為正態(tài)分布，但實際上往往不是正態(tài)分布。非線性VaR(Non-Linear Value-at-Risk)將（2）式重新整理為：這里，如果，非線性VaR如果 是 分布的 分位數，這樣，更好的估計是：在這種情況下，我們得到：VaR =

32、20.1303 這告訴我們什么？（當頭寸不服從正態(tài)分布時，VaR計算的一般方法）第四節(jié)非獨立同分布正態(tài)收益率假設的情況：厚尾分布一、非正態(tài)分布的情況 在計算大型證券組合 VaR 時涉及大量的計算，應用收益率的簡化假設，如獨立同分布正態(tài)收益率假設，可以使風險管理者很快速計算所需要的風險值。使用這些簡化假設時，風險管理者要在VaR的準確性與快速估計方法之間尋求一種平衡。這一部分，我們將分析幾種不同的VaR 計算方法，這些方法不依賴于獨立同分布正態(tài)收益率的假設。1、實例 下圖是USD/Euro匯率日收益率的歷史分布密度圖與在參數估計中假設的正態(tài)分布密度圖 。從圖中可以看出，歷史分布密度圖表現為胖尾細

33、腰的特征，這就是說， USD/Euro匯率日收益率出現大值或小值的概率比具有相同期望收益率和方差的正態(tài)分布假設下出現大值或小值的概率大，亦即這些值比正態(tài)分布假設下作出的預測更容易發(fā)生。2、說明 這對于基于正態(tài)分布收益率計算的VaR 來說，不是一個好消息，因為，厚尾意味著, 對應于99%概率的實際分界點要低于使用基于正態(tài)分布收益率計算的分界點。實際上（上圖）, 1% 處分界點的值對應于正態(tài)分布中-1.4% 的值(非標準正態(tài)), 在實驗（歷史）分布中對應于-1.54% 。二、應用歷史收益率密度計算 VaR 解決上述問題的一種方法是應用收益率本身的歷史分布密度。如6.2 中的例子，我們可以找到1.5

34、4% 的分位點，記為則：此值大于獨立同分布正態(tài)收益率假設下的VaR(等于 $78,711.84).這種方法對估計大型證券組合的VaR也是十分有效的 。6.2節(jié)中的例子一個公司在歐元上的投資額為5.6 million dollars ，在日圓上的投資額為7.629 million dollars 。為計算99% 1 day VaR, 我們只需要計算證券組合價值變動 的歷史分布中，左邊1%對應的分位數即可。 也就是說，對于樣本中每一個 t值，計算： 利用歷史收益，我們可以計算對應于左邊1% 概率的證券組合變化值為200,570,這樣，VaR = $200,570。同樣，此值比使用正態(tài)分布假設下，通

35、過計算均值和標準差，進而計算的VaR 數值大（為$177,331.59 ）。在此例中，我們得到的VaR 數值比正態(tài)分布假設下大13% 。處理非線性衍生證券的全值法歷史分布密度方法也可以用來消除我們6.2節(jié)中討論的非線性問題。 再考慮前面討論的組合保險的例子。為了計算VaR, 對樣本區(qū)間0,t中的每一個 ，令 為股票S t 的日收益率，我們可以計算明天股票模擬價格的變化為： 給定明天股票模擬價格的分布，可以根據 Black and Scholes formula計算明天看跌期權的價格，最后，我們可以計算證券組合價值變化的分布。實例使用S&P500 ，1997年日收益率數據，我們計算 99% on

36、e day VaR 為： VaR = $13,155,515.61這個數據比我們以前得到的VaR小的多。但對這個數據的解釋要小心 。事實上，（1）我們僅僅有 252個日收益觀測數值 。這意味著 1% 最低百分位數是第3個最負的收益率數值，因此，由于我們僅有2 低于該數值的觀測值, 那么計算的 VaR數值并不可靠 ，應用統(tǒng)計的術語，它不顯著，因為存在很大的標準差。（2）1997 對于美國股票市場是非常好的一年（盡管不如1996年），因此，計算的VaR 反映的是市場沒有任何實質性的不好收益率的情況。 對于這些問題，使用大樣本數據，可以部分地得到解決 。 問題：如何判斷VaR計算結果的準確性？如何計

37、算準確的VaR結果。這涉及到資金利用和風險管理的問題。三、可變方差的正態(tài)分布收益率我們可以假定正態(tài)分布的參數是變化的，進而放松獨立同分布假設，而同時保持“正態(tài)收益率”的靈活性。假設USD/EU外匯收益率 M t 服從正態(tài)分布，即：這里， 隨時間變化。在實際中，的確有許多證據證明，這些參數是隨時間變化的。如果我們取方差估計量的均值，如：如下圖，我們可以看到，方差的估計量隨時間大幅變動。下面我們討論幾個模型，這些模型中，收益率仍然服從正態(tài)分布， Value-at-Risk的計算，象前面有關章節(jié)一樣，可以直接計算，唯一需要注意的是將下標t 加入到均值與方差。1、簡單移動平均法考慮收益率方差變化的最簡

38、易方法是應用最新的數據估計標準差，例如不是利用象我們在6.1節(jié)中應用最近3年的收益率數據而是應用最近若干天的數據，如 90天的數據（前面部分） 。在這種情況下，要在估計的精度與使用時間之間的尋求平衡。使用距現在較長時間的數據可能與明天收益率標準差的估計無關，然而使用較少的數據，卻可能降低估計的精度。類似地，兩個資產之間的相關系數也是隨時間而變化的。如考慮歐元與日圓收益率之間的相關系數的移動平均值： 同樣，它是隨時間而變化的。2、風險測度（RiskMetrics） : 指數加權法上述移動平均法預測將來的易變性存在的一個問題是，對所有的觀測值給予相同的權重，既是看似與預測明天易變性無關的1個月前的數據也給予同樣的權重。RiskMetrics (J.P. Morgan) 提出了一種給予各觀測值不同權重的方法，最近的觀測值給予更大的權。特別是，他們提出了下列的平均數：這里，t0 為樣本的第一期，對于日數據，取對于月數據，取當樣本數量為無窮大時，上述公式變?yōu)椋阂虼?，明天收益率方差的預測值為今天收益率方差的預測值與今天實際收益率平方的簡單加權平均。RiskMetrics估計的方差值為 比以前我們所使用的0.6%的歷史數據大。 類似地，RiskMetrics 可以使用同樣的程序計算相關系數。事實上，從協(xié)方差的計算開