1．VaR方法
VaR(Value at Risk，在险价值)比较规范的定义是，在正常的市场条件和给定的置信水平(confidence interval，通常是95％或99％)上，在给定的持有期问内，某一组合投资预期可能发生的最大损失，或者说，在正常的市场条件和给定的时间段内，该投资组合发生VaR值损失的概率仅仅是给定的概率水平(置信水平)。从统计的角度看，VaR实际上是投资组合回报分布的一个百分位数(Percentile)，从这个意义上理解，它和回报的期望值在原理上是一致的。正如投资组合回报的期望值实际上是对投资回报分布的第50个百分位数的预测值一样，在99％的置信水平上，VaR实际、卜就是对投资回报分布的第99个百分位数(较低一侧)的预测值。见图所示。
如果某一金融机构或资产组合以天为单位的回报率分布由图17—3给出，其中E点表示回报的期望值，也就是回报分布的第50个百分位数，w表示回报分布在较低一侧的第99个百分位数，则w就是该组合在99~A，置信水平上的VaR值，它表示该组合在一天之内损失到w水平的可能件为1％，或者说100天内出现损失状况w的天数为一天。另外，值得注意的是，有时，VaR彼定义为期望值E与临界值w的差额，即VaR=w一E。但这并不妨碍对VaR本质的理解。
要确定一个金融机构或资产组合的VaR值或建立VaR的模型，必须首先确定以下三个系数：
第一。持有期限(1holding period)或目标期限(target horizon)。它是指衡量回报波动性和关联性的时间单位，也是取得观察数据的频率，如所观察数据是日收益率、周收益率、月收益率还是年收益率等。持有期限应该根据组合调整的速度来具体确定。调整速度快的组合，如有些银行所拥有的交易频繁的头寸，应选用较短的期限，如一天；调整相对较慢的组合，如某些基金较长时期拥有的头寸，可以选用一个月，甚至更长。在既定的观察期问内(如一年)，选定的持有期限越长，在观察期间内所得的数据越少(只有12个)，进而会影响到VaR模型对投资组合风险反映的质量。
第二，观察期间(observation period)。它是对给定持有期限的回报的波动性和关联性考察的整体时间长度。观察期间的选择要在历史数据的可能性和市场发生结构性变化的危险之间进行权衡。为克服商业循环等周期性变化的影响，历史数据越长越好。但是时间越长，收购兼并等市场结构性变化的可能性越大，历史数据囚而越来越难以反映现实和未来的情况。
第三，置信水平(contqdence interval)。置信水平过低，损失超过VaR值的极端事件发生的概率过高，这使得VaR值失去意义。置信水甲过高，超过了VaR值的极端事件发生的概率可以得到降低，但统计样本中反映极端事件的数据也越来越少，这会使得对VaR值估计的准确性下降。VaR的准确性和模型的有效性可以通过返回测试(backtesting)来检验。置信水平决定了返回检验的频率。例如，对于口回报率的VaR值，95％的置信水平意味着每20个营业日进行一次返回检验，而采用99％的置信水平，返回测试的频率只有100个营业日一次。
除了要确定VaR模型的三个关键系数外，另一个关键问题就是确定金融机构或资产组合在既定的持有期限内的lul报的概率分布。即概率密度函数(probability densityfunction，PDF)。如果能够拥有或根据历史数据直接估算出投资组合中所有金融工具的收益的概率分布和整个组合收益的概率分布，那么作为该分布的一个百分位数的VaR值也就相当容易推算出来。但是，要取得所有金融工具的收益分布是不容易的，所以投资组合收益分布的推算成为整个VaR法中最重要也是最难解决的一个问题。目前解决的办法是将这些金融工具的收益转化为若干风险因子(risk factors)的收益，这些风险因子是能够影响金融工具收益的市场因素。如利率、汇率、股票指数等等，然后把投资组合转化为风险冈子的函数，再通过各种统计方法得到这些风险因子收益的概率分布，再在此基础上得到整个组合收益的概率分布，最终求解mVaR的估计值。目前，推算组合风险因子收益分布的方法主要有三种，分别为历史模拟法(Historical Simulation Method)、方差一协方差法(VaRiance—CoVaRianee Approach)和蒙特卡罗模拟法(Monte Carlo Simulation)，从而决定了三种不同类型的VaR。
VaR把对预期的末来损失的大小和该损失发生的可能性结合了起来，所以比起_________________值(只适用于股票价格风险)、持续期、凸性(只适用于债务的利率风险)、Deha(只适用于衍生金融工具)等指标而言，它的适用范围非常广泛；作为一种用规范的统计技术来全面衡量风险的方法，它能够更客观、全面、准确地反映金融机构所处的风险状况，大大增加了风险管理系统的科性。
但是，它也是有局限性的，达主要表现在：第一，它主要适用于正常条件下对于市场风险的衡量，在市场出现极端情况的时候确无能为力，所以压力测试作为VaR方法在这个方面的重要补充手段；第二。由于VaR对数据的要求比较严格，所以对于交易频繁、市场价格数据容易获得的金融上具的风险衡量效用比较显著，但对于缺乏流动性的资产，由于缺乏每日市场交易的价格数据，有时需要将流动性差的金融产品分解(mapping)为流动性较强的金融产品的组合，然后才能使用VaR模型来分析；第三，使用来衡量市场风险还存在模型风险。这是因为有三种可供选择的模拟法，对同一资产组合采用不同的模拟法的时候，会得到小同的VaR值，使得其可靠性难以把握；第四，总的来说，VaR模型对历史数据有很强的依赖性，但未来并不一定总能重复历史，所以这是一个固有的缺陷；第五，按照最新发展的总体风险管理理论的3P理论，风险的价格(price，转移或对冲风险付出的代价)、投资者对风险的心理偏好(preference)、概率(probability)三个因素共同决定了现代金融风险管理的框架，但是在VaR管理体系下，受到重视的只足概率因素。
2．VaR的改进
(1)压力测试
如前文所述，VaR对金融机构或资产组合市场风险的衡量的有效性是以市场正常运行为的提条件的，如果市场发生异常波动或出现极端情况，VaR的缺陷需要压力测试(stresstesting)来弥补。
所谓压力测试，是指将整个金融机构或资产组合置于某一特定的(主观想象的)极端市场情况之下，例如，假设利率骤升100个基点，某一货币突然贬值30％。股价暴跌20％等异常的市场变化，然后测试该金融机构或资产组合在这些关键市场变量突变的压力下的表现状况，看看是否能经受得起这种市场的突变。正力测试在衡量金融机构或资产组合在异常市场条件下风险状况的重要作用和VaR相应的局限性，金融监管部门存同意金融机构使用以VaR为基础的内部模型的同时，除，要求使用返回检验来衡量VaR模型的有效性外，还要求使用压力测试来衡量金融机构在遇到意外风险时机构的承受能力，以弥补VaR模型的不足。
由于压力测试在很大程度上是一种主观测试，由测试者主观决定其测试的市场变量(风险因素)及其变动幅度，而且测试变量一日．确定，就假设了测试变量与市场其他变量的相关性为零。同时，在压力测试下，引起资产组合价值发生变化的风险因素也非常清楚。由于压力测试并不负责提供事件发生的可能性，因而也没有必要对每一种变化确定一个概率。这样就免除了模拟整个事件概率分布的麻烦，也使得这种风险衡量方式较少地涉及高深的数学和统计知识，显得简单明了。
不过，使用这一方法在实践中也存在着几个需要注意的问题：第一，合理的测试变量的选择要考虑它是否也与市场其他变量的相关性为零；第二，进行压力测试的时候，某一或某些市场凶素的异常或极端的变化可能会使得风险分析的前提条件发生变化，所以对分析的前提条件要重新确认；第三，对众多的风险因素进行不同幅度的压力测试。所带来的工作量是巨人的，而且，由于每次压力测试只能说明事件的影响程度，却不能说明事件发生的可能性，这使得管理者对众多的压力测试难以分清主次，因而仪仅是压力测试对管理者的决策作州并不大，它应该与其他风险衡量的方法尤其是VaR相结合，而不是替代VaR。
(2)情景分析
情景分析(scenarioanalysis)与压力测试有许多相似之处，不同之处是，压力测试只是对市场中的一个或相关的一组变量在短期内的异常变化进行假设分析，情景分析假设的足更为广泛的情况，包括政治、经济、军事和自然灾害在内的投资环境，在这种假设的环境变化中，例如投资国出现政治动荡、战争或经济危机，首先分析出主要市场变量的可能变化，进而分析对资产组合的影响。如果说压力测试是一个自下而上的过程，那么情景分析就是一个自上而下的过程，因为前者直接假设了一个或一组相关市场变量的异常取值，然后测试投资组合的变化，而情景分析则是首先假设一个整体环境的变化，再推断出在这种特定情景下市场变量的可能变化，最后再考察这些市场变量变化对投资组合的影响。
显然，情景分析从更广泛的视野、更长远的时间范围来考察金融机构或投资组合的风险问题，这种具有战略高度的分析，无疑弥补了VaR和压力测试只注重短期情况分折的不足，因此，情景分析应与VaR和压力测试结合起来，使得风险管理更加完善。
进行情景分析的关键首先在于对情景的合理设定。为此，投资者血该从两方面人手，一方面是充分认识自己的投资组合的性质和特点，了解可能发生的相关事件，包括战争冲突、政治选举、重要经济改革措施的出台、重大的公司合并与改组、政府经济管理部门关键的人事变动等，并充分理解这些事件可能对市场进而对自己的投资组合产生的重大影响：另一方面，要对设定情景进行深入细致的分析以及由此对事态在给定时间内可能发展的严重程度和投资组合因此而可能遭受的损失进行合理的预测。
(3)返回检验
用YaR来街量金融机构所而临的市场风险，以及进而用VaR来作为监管部门确定该机构应具备的资本充足水平的依据，一个重要的问题是它的有效性的问题。由于VaR只是一种由历史数据或假定的统计参数和分布建立的统计预测模型，其对末米风险状况的预测是否准确、有效是需要检验的。检验的主要方法就是返回检验。统计学中的返回检验(backtesting)是指将实际的数据输入到被检验的模型中去，然后检验该模型的预测值与现实结果是否相同的过程。
例如，一个VaR模型对某一投资组合的风险衡量结果为，在99％的置信水平上陔组合在未来的6个月内的目VaR值为10万元，即每天损失超过10万元的概率为l％，或者说，每100尺内，只有一天的损失将超过10万元。对VaR的这一预测值进行返回检验，就是多次考察实际100天的交易数据，如果损失超过10万元的天数的确不超过一天，则基本说明该模型是有效的，如果损失超过10万元的天数是两天甚至更多，则该模型的有效性值得怀疑。
然而，需要注意的是，这种返回检验本身也会存在是否有效可靠的问题，上例中对VaR有效性的判断是基于假设返回检验本身是有效的，没有发生下面两种类型的错误：第一，VaR的预测实际上是对的，但检验结果却表明它低估了风险，这在统计上被称为1类错误；第二，VaR的预测实际上低估了风险但是检验结果却没有显示这一结果，这在统计卜被称为2类错误。影响返回检验有效性的主要因素有三个：
第一，样本空间的大小。数据量的大小对统计检验是非常重要的，尤其是在对概率较小的事件进行检验的时候，所需的历史数据更多，这使得对有较长的持有期限的VaR的检验难以进行，例如对10日VaR值的检验，10年交易历史才能提供250个观测数据。因此，返回检验一般选用日VaR值检验。
第二，对投资回报概率分布的假设。一般情况下，投资组合的回报被假设呈正态分布，并且有稳定的期望和方差。这些假设不仅使得VaR模型的预测是合理的，而且较长持有期限的VaR值也可以由日VaR值合理得到(如对VaR值乘以而就可以得到两周YaH值)。然而这些假设在现实r}J往往不成立，实际的回报分布往往有“肥尾”现象，而且其期望和方查也是变动的。因此，在对VaR的有效性进行检验的时候对这些有关分布的假设应该予以重新审视。
第三，置信水平的选定。置信水平越高，意味着需要对可能性更小、更极端的事件进行检验，显然，这种小概率事什的历史数据是稀少的，检验起来更加困难。
最近更新