ES：把最差尾部损失的平均值也报出来
我的掌握程度：
先掌握这个答案
ES_c是最差(1−c)比例损失的平均水平，可定义为损失分位函数在[c,1]上的积分除以1−c。连续分布下常等价于超过VaR的条件期望；离散分布中，分位点可能包含额外概率质量，需取恰好覆盖目标尾部的部分权重。ES不是在VaR之上额外增加的一笔损失。
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
两个组合VaR相同，其中一个最差情景亏20，另一个亏100。VaR看不出的区别，必须到最差尾部里继续看。
由此产生的问题
ES如何定义，离散样本为什么要处理分位点的部分权重？
核心概念
ES_c是最差(1−c)比例损失的平均水平，可定义为损失分位函数在[c,1]上的积分除以1−c。连续分布下常等价于超过VaR的条件期望；离散分布中，分位点可能包含额外概率质量，需取恰好覆盖目标尾部的部分权重。ES不是在VaR之上额外增加的一笔损失。
为什么需要它
只取严格大于VaR的样本可能丢掉应纳入的分位点权重，使离散样本估计与定义不一致。
实际应用场景
风控报告应同时给VaR与ES，并注明样本权重、分位约定和尾部有效样本数；少量极端观察使ES估计尤其不稳定。
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
- ES不总等于所有严格大于VaR样本的平均。
- ES是尾部损失总水平，不能再把VaR加上一次。
- 模型下的ES并不覆盖所有现实极端情况，仍需压力测试。
🛠 本题实践任务
分别计算80%、85%、90%置信水平的ES，画出每个等权样本在尾部中的权重。
💡 提示（先自己想5分钟再看）
此例取最差固定概率质量，尾部边界可能只需要一个样本的一部分权重。
✅ 验收标准
85% ES约15.6667；解释为什么简单严格超越均值20不是该口径的ES。
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定义与缺陷、条件期望、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。