VaR三种算法：假设、符号与窗口
我的掌握程度：
先掌握这个答案
历史模拟法把当前持仓套到历史情景中重估，再取损失分位；参数法指定分布，例如正态收益下比例VaR_c=−μ+z_cσ；蒙特卡洛按设定模型生成情景、重估头寸后取分位。历史法仍假设历史窗口有代表性，参数法可能不适合厚尾或非线性，蒙特卡洛也受模型与参数误差影响。输出必须统一损失为正的符号和持有期。
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。
不懂的术语：VaR（在险价值）
背景 · 从一个困惑说起
同一个组合，用历史分位、正态公式和随机模拟，算出了三个不同的VaR。差别不是自动代表谁更先进，而是它们使用了不同的信息和假设。
由此产生的问题
三种算法分别怎么做，计算时最容易把哪个符号弄反？
核心概念
历史模拟法把当前持仓套到历史情景中重估，再取损失分位；参数法指定分布，例如正态收益下比例VaR_c=−μ+z_cσ；蒙特卡洛按设定模型生成情景、重估头寸后取分位。历史法仍假设历史窗口有代表性，参数法可能不适合厚尾或非线性，蒙特卡洛也受模型与参数误差影响。输出必须统一损失为正的符号和持有期。
为什么需要它
三种方法的差异可以暴露窗口、形状和非线性假设的影响；不能只挑最小数字写进风险报告。
实际应用场景
先用小样本手算历史分位，再与同均值同波动的参数法比较。复杂期权组合在情景中需要重新定价，不能仅把收益分位乘名义金额。
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
- 收益的5%分位通常为负，转换损失95%VaR时需改变符号。
- 历史法不用指定正态分布，不代表没有假设。
- 蒙特卡洛模拟得再多，也不能消除错误模型带来的偏差。
🛠 本题实践任务
复算90%VaR，再改成95%；解释为什么正态蒙特卡洛更接近参数法而不必接近历史法。
💡 提示（先自己想5分钟再看）
MC和参数法使用相同正态模型；模拟仍有抽样误差。
✅ 验收标准
90%历史最近秩VaR为2%；说明分位算法、同一持有期和损失符号。
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（VaR定义、正态与肥尾、分位数），再用案例、公式和代码帮助理解。此功能需要先启用服务。