VaR的用途与误用：覆盖率不是承诺
我的掌握程度：
先掌握这个答案
VaR可用于统一口径的风险沟通、限额管理和模型回测。正确校准时，置信水平c的日VaR期望超出比例为1−c；252日中95%VaR期望超出12.6次，99%约2.52次，实际次数会随机波动。应检查超出频率与是否聚集，并同时查看ES、压力测试和流动性；不能把VaR当最大损失、确定性预测或唯一风控。
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
交易台一个月内多次突破VaR限额。不能凭“这天本来就可能发生”就忽略，也不能看到一次超出就断言模型完全无效。
由此产生的问题
怎样把VaR当风险限额与诊断工具，而不是安全保证？
核心概念
VaR可用于统一口径的风险沟通、限额管理和模型回测。正确校准时，置信水平c的日VaR期望超出比例为1−c；252日中95%VaR期望超出12.6次，99%约2.52次，实际次数会随机波动。应检查超出频率与是否聚集，并同时查看ES、压力测试和流动性；不能把VaR当最大损失、确定性预测或唯一风控。
为什么需要它
超出次数、超出幅度与聚集程度是不同的诊断信息；只看其中一个会漏掉模型失真。
实际应用场景
每日保存事前VaR和之后同口径损失，先用固定组合或一致持仓口径回测，再检查覆盖率与独立性。机构资本要求另按适用法规处理。
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不是一年只会超出2到3天；该量级对应99%日VaR的期望。
- 一次超出不自动说明模型失效，长期从不超出也不自动证明更准。
- 合理的超出频率并不意味着尾部损失大小或流动性模型正确。
🛠 本题实践任务
复算超出指示，再把超出日集中到连续三天。解释相同总次数为何仍可能有不同风险含义。
💡 提示（先自己想5分钟再看）
频率检查与超出聚集检查分别记录；示例样本不足以支撑正式统计结论。
✅ 验收标准
原记录3次、30%；解释频率和聚集是两类信息，不把VaR当亏损上限。
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定义与算法），再用案例、公式和代码帮助理解。此功能需要先启用服务。