金融风险管理：VaR与CVaR的Python实现与应用

1. 金融风险管理中的VaR与CVaR基础概念

在险价值（Value at Risk, VaR）是金融风险管理中最核心的指标之一，它回答了"在特定时间范围内，给定置信水平下，投资组合可能遭受的最大损失是多少"这个关键问题。举个实际例子：某基金公司报告其95%置信度下的日VaR为500万元，意味着在正常市场条件下，有95%的概率该基金单日亏损不会超过500万。

VaR的计算方法主要分为三类：

• 方差-协方差法（参数法）：基于资产收益的正态分布假设
• 历史模拟法：直接利用历史数据的分位数
• 蒙特卡洛模拟法：通过随机数模拟可能的市场情景

而条件在险价值（Conditional VaR, CVaR）则是VaR的补充指标，它计算的是当损失超过VaR阈值时的平均损失水平。在数学上可以表示为：
CVaR = E[L | L > VaR]
其中L代表投资组合的损失。CVaR比VaR更能反映极端风险情况下的损失预期。

重要提示：VaR计算中95%和99%是两种最常用的置信水平，但选择时需要考虑回测的可行性——99%VaR虽然更保守，但由于极端事件样本少，验证起来更困难。

2. 方差-协方差法的Python实现

方差-协方差法是VaR计算中最经典的方法，其核心假设是资产收益率服从多元正态分布。这种方法计算效率高，但对分布假设敏感。

2.1 数据准备与基本计算

首先我们需要获取资产的历史收益率数据。以Python为例：

python复制import numpy as np
import pandas as pd
import yfinance as yf

# 获取苹果公司股票数据
ticker = 'AAPL'
data = yf.download(ticker, start='2020-01-01', end='2023-12-31')
returns = data['Adj Close'].pct_change().dropna()

计算VaR的核心公式为：
VaR = -(μ + z * σ) * portfolio_value
其中：

• μ是收益率均值
• σ是收益率标准差
• z是对应置信水平的标准正态分位数

Python实现代码：

python复制def var_param(returns, confidence=0.95, portfolio_value=1e6):
    mu = np.mean(returns)
    sigma = np.std(returns)
    z = norm.ppf(1 - confidence)
    return -(mu + z * sigma) * portfolio_value

# 计算95%置信度的VaR
var_95 = var_param(returns, 0.95)
print(f"日VaR(95%): ${var_95:,.2f}")

2.2 投资组合VaR计算

对于多资产组合，我们需要考虑资产间的协方差：

python复制# 获取多资产数据
tickers = ['AAPL', 'MSFT', 'GOOG']
data = yf.down