Python实现金融风控：VaR与CVaR计算与优化

人间马戏团

1. 金融风控中的风险度量基础

在金融投资领域，风险度量是投资决策的核心环节。VaR（Value at Risk，在险价值）和CVaR（Conditional Value at Risk，条件在险价值）是两种广泛使用的风险度量指标。它们像金融市场的"地震仪"，帮助投资者量化潜在损失。

VaR回答的问题是：在给定置信水平下（如95%），特定时间段内投资组合可能遭受的最大损失是多少？举个例子，如果某投资组合的日VaR为100万元（95%置信度），意味着在正常市场条件下，有95%的概率日损失不会超过100万元。但VaR有个致命缺陷——它不告诉我们那剩下的5%最坏情况下损失会有多严重。

CVaR正是为解决这个问题而生。它计算的是当损失超过VaR阈值时的平均损失水平。继续前面的例子，如果CVaR是150万元，意味着在最坏的5%情况下，平均损失将达到150万元。这就像不仅知道台风可能登陆，还知道登陆后的平均风速。

2. Python环境准备与数据获取

2.1 工具包安装与配置

在开始计算前，我们需要准备Python环境。推荐使用Anaconda创建独立环境：

bash复制conda create -n risk_measure python=3.8
conda activate risk_measure
pip install numpy pandas scipy matplotlib yfinance cvxpy

核心工具包功能说明：

numpy：数值计算基础库
pandas：数据处理与分析
scipy：科学计算与统计函数
matplotlib：数据可视化
yfinance：雅虎财经数据接口
cvxpy：凸优化工具包（用于投资组合优化）

2.2 金融数据获取实战

获取高质量的历史价格数据是风险计算的前提。我们使用yfinance从雅虎财经获取数据：

python复制import yfinance as yf
import pandas as pd

# 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()

# 查看数据基本情况
print(f"数据时间范围：{data.index[0].date()} 至 {data.index[-1].date()}")
print(f"收益率均值：{returns.mean():.4f}")
print(f"收益率标准差：{returns.std():.4f}")

注意：yfinance有时会出现连接不稳定的情况。如果下载失败，可以尝试：

使用代理（需确保合规）

设置重试机制

使用备用数据源如Alpha Vantage

3. VaR计算的三大方法实现

3.1 历史模拟法

历史模拟法是最直观的VaR计算方法，它基于历史收益率分布，不假设特定的统计分布。

python复制import numpy as np

def historical_var(returns, alpha=5):
    """
    历史模拟法计算VaR
    :param returns: 收益率序列
    :param alpha: 置信水平(百分比)
    :return: VaR值
    """
    if not isinstance(returns, pd.Series):
        returns = pd.Series(returns)
    return np.percentile(returns, alpha)

# 计算95%置信度的日VaR
hist_var = historical_var(returns, 5)
print(f"历史模拟VaR(95%置信度): {hist_var:.2%}")

核心优势：

不依赖分布假设，捕捉真实市场行为
计算简单快速
容易理解和解释

关键局限：

依赖历史数据的质量和长度
无法预测超出历史范围的极端事件
对近期市场变化反应滞后

3.2 蒙特卡洛模拟法

蒙特卡洛模拟通过随机抽样模拟可能的未来情景，适用于复杂金融工具的风险评估。

python复制def monte_carlo_var(returns, n_sims=10000, alpha=5, days=1):
    """
    蒙特卡洛模拟法计算VaR
    :param returns: 历史收益率
    :param n_sims: 模拟次数
    :param alpha: 置信水平
    :param days: 预测天数
    :return: VaR值
    """
    mu = returns.mean()
    sigma = returns.std()
    
    # 生成模拟收益率
    sim_returns = np.random.normal(mu, sigma/np.sqrt(252), (days, n_sims))
    portfolio_returns = np.prod(1 + sim_returns, axis=0) - 1
    
    return np.percentile(portfolio_returns, alpha)

mc_var = monte_carlo_var(returns)
print(f"蒙特卡洛VaR(95%置信度): {mc_var:.2%}")

参数选择要点：

模拟次数(n_sims)：通常10,000次足够，更多次数提高精度但增加计算量
收益率分布：示例使用正态分布，实际中可替换为t分布等更符合金融数据特征的分布
时间尺度：通过调整days参数可计算多日VaR

3.3 方差-协方差法（参数法）

参数法假设收益率服从特定分布（通常为正态分布），利用统计参数直接计算VaR。

python复制from scipy.stats import norm

def parametric_var(returns, alpha=5, days=1):
    """
    参数法计算VaR
    :param returns: 历史收益率
    :param alpha: 置信水平
    :param days: 预测天数
    :return: VaR值
    """
    mu = returns.mean() * days
    sigma = returns.std() * np.sqrt(days)
    z_score = norm.ppf(alpha/100)
    return mu + z_score * sigma

param_var = parametric_var(returns)
print(f"参数法VaR(95%置信度): {param_var:.2%}")

方法比较：

方法	计算速度	分布假设	捕捉极端事件	实现复杂度
历史模拟法	快	无	中等	低
蒙特卡洛模拟法	慢	需要	依赖模型	高
方差-协方差法	最快	需要	差	低

4. 从VaR到CVaR的进阶

4.1 CVaR计算原理与实现

CVaR计算的是损失超过VaR阈值时的平均损失，提供了更全面的尾部风险视角。

python复制def calculate_cvar(returns, alpha=5):
    """
    计算CVaR
    :param returns: 收益率序列
    :param alpha: 置信水平
    :return: CVaR值
    """
    var = historical_var(returns, alpha)
    tail_losses = returns[returns <= var]
    return tail_losses.mean()

cvar = calculate_cvar(returns)
print(f"CVaR(95%置信度): {cvar:.2%}")

CVaR的数学表达：
CVaRₐ = E[L | L > VaRₐ]
其中：

L 为损失随机变量
α 为置信水平
VaRₐ 为在α置信水平下的VaR值

4.2 CVaR的金融意义

CVaR比VaR更能反映极端风险：

次可加性：投资组合的CVaR不超过各资产CVaR之和，符合分散化投资逻辑
一致性风险度量：满足单调性、次可加性、正齐次性和平移不变性
优化友好：CVaR优化是凸优化问题，有稳定解法

5. 基于CVaR的投资组合优化

5.1 多资产组合CVaR优化模型

我们构建一个三资产组合(AAPL、MSFT、TSLA)的CVaR优化问题：

python复制from scipy.optimize import minimize

# 获取多资产数据
assets = ['AAPL', 'MSFT', 'TSLA']
data = yf.download(assets, start='2020-01-01', end='2023-12-31')['Adj Close']
ret_matrix = data.pct_change().dropna()

def portfolio_cvar(weights, alpha=5):
    """
    计算投资组合CVaR
    :param weights: 资产权重
    :param alpha: 置信水平
    :return: CVaR值
    """
    port_returns = (ret_matrix * weights).sum(axis=1)
    var = np.percentile(port_returns, alpha)
    return port_returns[port_returns <= var].mean()

# 优化配置
constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1})  # 权重和为1
bounds = tuple((0, 1) for _ in range(len(assets)))  # 不允许卖空
initial_guess = [1/len(assets)] * len(assets)  # 等权重初始值

# 执行优化
result = minimize(portfolio_cvar, initial_guess,
                 bounds=bounds, constraints=constraints)
optimal_weights = result.x

print("最优权重分配:")
for asset, weight in zip(assets, optimal_weights):
    print(f"{asset}: {weight:.2%}")

5.2 优化结果分析

典型优化结果可能如下：

AAPL: 45%
MSFT: 50%
TSLA: 5%

这反映了CVaR优化的保守特性：

高波动资产(如TSLA)权重被显著压低
稳定蓝筹股(如MSFT)获得较高配置
与传统均值-方差优化相比，CVaR优化组合通常有更低的最大回撤

5.3 有效前沿构建

我们可以扫描不同预期收益下的最小CVaR，构建CVaR有效前沿：

python复制from scipy.optimize import LinearConstraint

# 定义预期收益约束
mean_returns = ret_matrix.mean()
target_returns = np.linspace(mean_returns.min(), mean_returns.max(), 20)

cvar_results = []
for target in target_returns:
    constraints = [
        {'type': 'eq', 'fun': lambda x: np.sum(x) - 1},
        {'type': 'eq', 'fun': lambda x: (x * mean_returns).sum() - target}
    ]
    res = minimize(portfolio_cvar, initial_guess,
                  bounds=bounds, constraints=constraints)
    if res.success:
        cvar_results.append({
            'return': target,
            'cvar': res.fun,
            'weights': res.x
        })

# 转换为DataFrame分析
frontier = pd.DataFrame(cvar_results)