VaR：损失分位数，不是最大亏损
我的掌握程度：
先掌握这个答案
以损失L为正数，VaR_c是L分布的c分位数；它不是最大亏损，也不保证下一天不会超出。若收益r近似服从均值μ、波动σ的正态分布，收益比例口径下VaR_c=−μ+z_cσ，再乘组合价值转为金额。历史法依赖窗口与重估方法；参数法依赖分布；蒙特卡洛依赖路径模型。ES是最差(1−c)尾部的平均损失，离散分布需处理分位点概率质量，不能无条件只取严格大于VaR的样本。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
分位数不是最大损失
VaR是指定持有期与模型下的损失分位数，超过该阈值仍可能损失很多。ES刻画最差尾部的平均损失；离散样本中并不总能简单等同于“严格大于VaR的样本均值”。报告分位数算法和回测覆盖情况。
核对来源：BIS：VaR与ES ↗本阶段实战方法 · 把风险指标转成可执行的限额
报告VaR、对冲比率或保证金时，必须同时说明模型外还可能发生什么。
- 先定义损失正负号、置信水平、持有期、样本窗口和估计方法。
- 组合使用VaR、ES、压力测试、集中度、清算天数与保证金情景，不把单一指标当最大损失。
- 为预警、减仓、暂停交易写清触发条件、执行责任和恢复条件，并记录无法成交的情景。
使用边界
- 95% VaR是损失分布的95%分位，不是最大亏损或保证每天有95%把握安全。
- 久期敏感度使用修正久期；Macaulay久期是现金流加权时间，两者不能直接混用。
背景 · 从一个困惑说起
风险报告上写着“1日95% VaR为100万元”，随后某天却亏损300万元。报告可能仍符合定义，但如果把100万元理解成最大损失，就误读了指标。
由此产生的问题
怎样正确报告VaR，为什么还要ES和压力测试？
核心概念
以损失L为正数，VaR_c是L分布的c分位数；它不是最大亏损，也不保证下一天不会超出。若收益r近似服从均值μ、波动σ的正态分布，收益比例口径下VaR_c=−μ+z_cσ，再乘组合价值转为金额。历史法依赖窗口与重估方法；参数法依赖分布；蒙特卡洛依赖路径模型。ES是最差(1−c)尾部的平均损失，离散分布需处理分位点概率质量，不能无条件只取严格大于VaR的样本。
为什么需要它
VaR说明阈值在哪里，ES说明越过阈值后的尾部有多重，压力测试补充历史或分布模型之外的风险。
实际应用场景
报告同时列置信水平、持有期、金额/比例、数据窗口、分位数算法和覆盖率回测。监管口径依风险类型及适用规则而异，不用一个固定参数替代全部标准。
与之前知识的联系
q-227的肥尾、q-606的分布比较、q-610的压力测试共同解释指标的适用边界。
⚠ 常见误解
- 95%VaR不是每天95%确定安全；模型与分布会变化。
- 一年252个交易日、正确校准的95%日VaR，期望超出约12.6天；99%约2.52天，实际次数会波动。
- ES是尾部损失总水平，不是“超过VaR后还要额外加一次的损失”。
🛠 本题实践任务
将最差损失改成100并复算。写一张风险口径卡，区分VaR、ES和压力情景；解释为什么10个情景不能代表可靠的尾部估计。
💡 提示（先自己想5分钟再看）
此例尾部恰好占一个等权样本；一般离散分布的ES可能要对分位点做部分权重。
✅ 验收标准
两组VaR均为7，尾部均值20与100；正确解释95%和99%的超出频率，注明方法与样本限制。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（分位数、波动率、分布），再用案例、公式和代码帮助理解。此功能需要先启用服务。