金融分析与风险管理——风险价值（VaR）
金融分析与风险管理——风险价值（VaR）
- 1. 风险价值（VaR）简述
- 1.1 Python可视化风险价值
- 2. VaR值的测度方法
- 2.1 方差-协方差法
- 2.2 历史模拟法
- 2.3 蒙特卡洛模拟法
- 3. 回溯检验
- 4. 压力VaR
1. 风险价值（VaR）简述
风险价值（value at risk，VaR）是指在一定的持有期和给定的置信水平下，利率、汇率、股价等风险因子发生变化时可能对投资组合造成的潜在最大损失。例如：持有期 1 天、置信水平 95% 的情况下，计算得到的 VaR 值为 1000 万元，则表明该投资组合在1天中有 95%的可能性损失不会超过1000万，换句话说，1 天中，有5%的可能性损失会超过 1000 万元。
VaR的大小取决于两个参数：持有期（N）、置信水平（X）。由于 VaR 度量的是投资组合的亏损，其对应于投资组合盈亏分布的左端尾部，为了表述方便，通常 VaR 值用绝对值表示。
VaR 的数学表达式如下：
Prob(ΔP<−VaR)=1−XProb：概率函数ΔP：投资组合亏损金额X：置信水平Prob(\Delta P < - VaR) = 1 - X \\[10pt] Prob：概率函数 \\[10pt] \Delta P：投资组合亏损金额 \\[10pt] X：置信水平 Prob(ΔP<−VaR)=1−XProb：概率函数ΔP：投资组合亏损金额X：置信水平
根据巴塞尔协议的明确规定：银行需要计算持有期10天、置信水平99%的VaR。在实际计算中，通常先计算 N=1 时的VaR，在计算相同置信水平下 N>1 时的 VaR，其表达式如下：
N天VaR=1天VaR∗NN天VaR = 1天VaR*\sqrt{N}N天VaR=1天VaR∗N
上式成立的条件是：投资组合价值在不同交易日之间的变化是相互独立并服从期望值为0的相同正态分布，其他情况下，该等式只是一个近似值。
1.1 Python可视化风险价值
利用Python对VaR进行可视化，图中阴影部分右侧的临界值就是对应置信水平的VaR，其程序如下：
import numpy as np
import pandas as pd
import scipy.stats as st
'''
st.norm中的子模块
pdf:概率密度函数
cdf:累计概率分布函数
ppf:分位点函数,cdf的反函数
'''import matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['SimHei'] #中文显示问题
plt.rcParams['axes.unicode_minus'] = False #负数显示问题a = 0.95 #置信水平
z = st.norm.ppf(q=1-a) #返回q对应的分位点
x = np.linspace(-4,4,200) #组合的盈亏数组
y = st.norm.pdf(x) #组合盈亏对应的概率密度数组
x1 = np.linspace(-4,z,100) #组合最小亏损值与返回的分位点构成的盈亏数组
y1 = st.norm.pdf(x1)plt.figure(figsize=(8,6))
plt.plot(x,y)
plt.fill_between(x1, y1)
plt.grid('True')
2. VaR值的测度方法
2.1 方差-协方差法
数学假定：
- 1 投资组合的各风险因子服从联合正态分布
- 2 线性假定，持有期内，投资组合的风险暴露与风险因子之间是线性相关的
其表达式如下：
VaR=Vp[zcσp−E(Rp)]E(Rp)=∑wiE(Ri)σ2=Wcov(Ri,Rj)WTVp:投资组合的最新价值zc：显著性水平c对应的分位数绝对值E(Rp)：投资组合的期望收益VaR = V_p[z_c\sigma_p - E(R_p)] \\[10pt] E(R_p) = \sum w_iE(R_i) \\[10pt] \sigma^2 = Wcov(R_i,R_j)W^{T} \\[10pt] V_p:投资组合的最新价值 \\[10pt] z_c：显著性水平 c 对应的分位数绝对值 \\[10pt] E(R_p)：投资组合的期望收益 \\[10pt] VaR=Vp[zcσp−E(Rp)]E(Rp)=∑wiE(Ri)σ2=Wcov(Ri,Rj)WTVp:投资组合的最新价值zc：显著性水平c对应的分位数绝对值E(Rp)：投资组合的期望收益
本文通过一个案例来说明如何运用方差-协方差法计算投资组合的 VaR，该投资组合有 5 个不同的资产构成，投资组合当前的市值为1亿元，其权重权重配比如下表：
| 资产名称 | 贵州茅台 | 交通银行 | 嘉实增强信用基金 | 华夏恒生ETF基金 | 博时标普500ETF基金 |
|---|---|---|---|---|---|
| 权重 | 0.15 | 0.2 | 0.5 | 0.05 | 0.1 |
案例中投资组合2015年—2018年完整的数据可以通过百度网盘获取，提取码：zbbx。
Python程序如下：
data = pd.read_excel(r'C:\Users\Administrator\Desktop\投资组合配置的资产情况.xlsx',header = 0,index_col = 0)#初始数据的归一化处理
R = np.log(data/data.shift(1))
#处理缺失数据
R = R.dropna() R_mean = R.mean() #计算均值
R_cov = R.cov() #计算协方差
R_corr = R.corr() #计算相关系数
R_vol = R.std() #计算标准差# 方差协方差方法
def VaR_VCM(value,Rp,Vp,X,N):'''Parameters----------value : 投资组合的价值Rp : 投资组合的日收益率Vp : 投资组合的日波动率X : 置信水平N : 持有天数'''import scipy.stats as stimport numpy as npz = np.abs(st.norm.ppf(q=1-X))return np.sqrt(N)*value*(z*Vp-Rp)weights = np.array([0.15,0.20,0.5,0.05,0.1])
#计算投资组合的期望收益率
Rp_daily = np.sum(weights*R_mean)
#计算投资组合的日波动率
Vp_daily = np.sqrt(np.dot(weights,np.dot(R_cov,weights.T)))print('投资组合日收益率:',Rp_daily)
print('投资组合日波动率:',Vp_daily)D1 = 1
D2 = 10
X1 = 0.99
X2 = 0.95
value_port = 100000000VaR99_1day_VCM = VaR_VCM(value=value_port, Rp=Rp_daily, Vp=Vp_daily, X=X1, N=D1)
VaR99_10day_VCM = VaR_VCM(value=value_port, Rp=Rp_daily, Vp=Vp_daily, X=X1, N=D2)
VaR95_1day_VCM = VaR_VCM(value=value_port, Rp=Rp_daily, Vp=Vp_daily, X=X2, N=D1)
VaR95_10day_VCM = VaR_VCM(value=value_port, Rp=Rp_daily, Vp=Vp_daily, X=X2, N=D2)print('1天、99%的VaR:',VaR99_1day_VCM)
print('10天、99%的VaR:',VaR99_10day_VCM)
print('1天、95%的VaR:',VaR95_1day_VCM)
print('10天、99%的VaR:',VaR95_10day_VCM)
计算结果表明：持有期10天、置信水平99%的VaR=464.34万；持有期10天、置信水平95%的VaR=325.83万。
2.2 历史模拟法
历史模拟法：从当前回溯一定时期投资组合的历史盈亏，并把历史盈亏按照由大到小的顺序排列，从中找出符合给定置信水平的盈亏值。例如：1天、置信水平95%的VaR，把历史盈亏由大到小排列，VaR为95%的位置对应盈亏值的绝对值，或者由小到大排列，VaR为5%位置对应盈亏值的绝对值。
本文仍然使用上述案例数据进行说明，其Python程序如下：
#各资产配置
value_asset = value_port*weights
#历史交易日投资组合的盈亏值
Return_history = np.dot(R,value_asset)
Return_history = pd.DataFrame(Return_history,index=R.index,columns=['投资组合模拟日收益'])#盈亏数据描述
Return_history.describe()
Return_history.plot()#盈亏数据分布直方图
plt.hist(Return_history,bins=30)
plt.grid('True')#投资组合盈亏值的正态性检验
#KS检验，返回统计量及P值
st.kstest(rvs=Return_history['投资组合模拟日收益'], cdf='norm')
#AD检验，返回统计量、显著性水平对应的临界值（统计量）、显著性水平
st.anderson(x=Return_history['投资组合模拟日收益'], dist='norm')
#返回统计量及P值
st.shapiro(Return_history['投资组合模拟日收益'])
#返回统计量及P值
st.normaltest(Return_history['投资组合模拟日收益'])
由频数分布直方图、正态性检验的P值（P<1%）结果可知，投资组合的日收益数据不服从正态分布，运用方差—协方差方法计算的投资组合VaR值会存在偏差。使用历史模拟法的计算程序如下：
#计算历史模拟的VaR
VaR99_1day_history = np.abs(np.percentile(a=Return_history['投资组合模拟日收益'],q=(1-X1)*100))
VaR95_1day_history = np.abs(np.percentile(a=Return_history['投资组合模拟日收益'],q=(1-X2)*100))VaR99_10day_history = np.sqrt(10)*VaR99_1day_history
VaR95_10day_history = np.sqrt(10)*VaR95_1day_historyprint('1天、99%的VaR:',VaR99_1day_history)
print('10天、99%的VaR:',VaR99_10day_history)
print('1天、95%的VaR:',VaR95_1day_history)
print('10天、99%的VaR:',VaR95_10day_history)
计算结果表明：持有期10天、置信水平99%的VaR=675.38万；持有期10天、置信水平95%的VaR=274.21万。
2.3 蒙特卡洛模拟法
蒙特卡洛模拟法又称随机抽样或统计试验方法，即从一个给定的分布中，随机抽取随机数并进行计算，该方法能较好地逼近实际分布情况。
在投资组合的模拟抽样步骤如下：
- 1 利用第 iii 个资产的当前价值（最新价值）SiS_iSi 加总计算投资组合的当前价值SpS_pSp。
- 2 在第 iii 个资产价值的日百分比变化 XiX_iXi 所服从的分布中进行一次抽样得到 xix_ixi 。
- 3 利用抽样获取的 xix_ixi 计算第 iii 个资产下一个交易日的收益金额变动 xiSix_iS_ixiSi 。
- 4 计算本次抽样获取的下一交易日投资组合的盈亏ΔSp=∑xiSi\Delta S_p = \sum x_iS_iΔSp=∑xiSi。
- 5 重复上述第2-4步，并将获取的 ΔSp\Delta S_pΔSp按大小顺序排列，从而构建投资组合在下一交易日的盈亏概率分布。
- 6 计算持有期 1 天、置信水平 X 的 VaR 值，然后计算 N天的VaRN天的VaRN天的VaR（公式：N天VaR=1天VaR∗NN天VaR = 1天VaR*\sqrt{N}N天VaR=1天VaR∗N）
本文仍然使用上述案例数据进行说明，在模拟过程中，需要用到金融资产价格服从的随机过程公式，即
St=St−Δte(μ−12σ2)Δt+σεtΔtS_t = S_{t-\Delta t}e^{(\mu-\frac{1}{2}\sigma^2)\Delta t + \sigma \varepsilon_t\sqrt{\Delta t}}St=St−Δte(μ−21σ2)Δt+σεtΔt
上式中 εt\varepsilon_tεt 的模拟过程中假定服从 ttt 分布或者正态分布。
其服从 ttt 分布的 Python 程序如下:
#蒙特卡洛模拟法
import numpy.random as npr
I = 10000 #模拟次数
#从学生t分布进行I次模拟
epsilon = npr.standard_t(df=len(R),size=I)#获取最新收盘价
S1 = data.iloc[-1,0] #第一个资产的最新价格
S2 = data.iloc[-1,1]
S3 = data.iloc[-1,2]
S4 = data.iloc[-1,3]
S5 = data.iloc[-1,4] R_mean = R.mean()*252 #投资组合各资产的年化收益
R_vol = R.std()*np.sqrt(252) #投资组合各资产的年化波动率
dt = 1/252 #年化单个交易日#模拟投资组合下一个交易日各资产的收盘价
S1_new = S1*np.exp((R_mean[0]-0.5*R_vol[0]**2)*dt + R_vol[0]*epsilon*np.sqrt(dt))
S2_new = S2*np.exp((R_mean[1]-0.5*R_vol[1]**2)*dt + R_vol[1]*epsilon*np.sqrt(dt))
S3_new = S3*np.exp((R_mean[2]-0.5*R_vol[2]**2)*dt + R_vol[2]*epsilon*np.sqrt(dt))
S4_new = S4*np.exp((R_mean[3]-0.5*R_vol[3]**2)*dt + R_vol[3]*epsilon*np.sqrt(dt))
S5_new = S5*np.exp((R_mean[4]-0.5*R_vol[4]**2)*dt + R_vol[4]*epsilon*np.sqrt(dt))#模拟投资组合下一个交易日各资产的盈亏
S1_delta = (S1_new/S1 - 1)*value_port*weights[0]
S2_delta = (S2_new/S2 - 1)*value_port*weights[1]
S3_delta = (S3_new/S3 - 1)*value_port*weights[2]
S4_delta = (S4_new/S4 - 1)*value_port*weights[3]
S5_delta = (S5_new/S5 - 1)*value_port*weights[4]
#计算投资组合下一个交易日的盈亏
Sp_delta = S1_delta + S2_delta + S3_delta + S4_delta + S5_delta#下一交易日投资组合盈亏的可视化
plt.figure(figsize=(10,8))
plt.hist(Sp_delta,bins=30)
plt.ylabel('频数')
plt.grid(True)#蒙特卡洛模拟法计算VaR
VaR99_1day_MS = np.abs(np.percentile(a=Sp_delta,q=(1-X1)*100))
VaR95_1day_MS = np.abs(np.percentile(a=Sp_delta,q=(1-X2)*100))VaR99_10day_MS = np.sqrt(10)*VaR99_1day_MS
VaR95_10day_MS = np.sqrt(10)*VaR95_1day_MS#由于抽样随机数的原因，结果可能会有不同
print('1天、99%的VaR:',VaR99_1day_MS)
print('10天、99%的VaR:',VaR99_10day_MS)
print('1天、95%的VaR:',VaR95_1day_MS)
print('10天、95%的VaR:',VaR95_10day_MS)
计算结果表明：持有期10天、置信水平99%的VaR=640.81万；持有期10天、置信水平95%的VaR=436.52万。
其服从正态分布的 Python 程序如下:
#服从正态分布进行模拟
epsilon_norm = npr.standard_normal(I)S_new = np.zeros(shape=(I,len(R_mean)))S1_new = S1*np.exp((R_mean[0]-0.5*R_vol[0]**2)*dt + R_vol[0]*epsilon*np.sqrt(dt))for i in range(len(R_mean)):S_new[:,i] = data.iloc[-1,i]*np.exp((R_mean[i]-0.5*R_vol[i]**2)*dt + R_vol[i]*epsilon_norm*np.sqrt(dt))S = np.array(data.iloc[-1])Sp_delta_norm = (np.dot(S_new/S-1,weights))*value_portplt.figure(figsize=(10,8))
plt.hist(Sp_delta_norm,bins=30)
plt.ylabel('频数')
plt.grid(True)VaR99_1day_MSnorm = np.abs(np.percentile(a=Sp_delta_norm,q=(1-X1)*100))
VaR95_1day_MSnorm = np.abs(np.percentile(a=Sp_delta_norm,q=(1-X2)*100))VaR99_10day_MSnorm = np.sqrt(10)*VaR99_1day_MSnorm
VaR95_10day_MSnorm = np.sqrt(10)*VaR95_1day_MSnormprint('1天、99%的VaR:',VaR99_1day_MSnorm)
print('10天、99%的VaR:',VaR99_10day_MSnorm)
print('1天、95%的VaR:',VaR95_1day_MSnorm)
print('10天、95%的VaR:',VaR95_10day_MSnorm)
计算结果表明：持有期10天、置信水平99%的VaR=626.17万；持有期10天、置信水平95%的VaR=451.86万。
3. 回溯检验
回溯检验又称为后检验，即通过模型获取的VaR与实际发生的损益进行比较，以检验模型的准确性、可靠性，并据此对模型进行改进及优化。
本文仍然使用上述案例进行说明，其Python程序如下：
#回溯检测
Return_2015 = Return_history.loc['2015-01-01':'2015-12-31']
Return_2016 = Return_history.loc['2016-01-01':'2016-12-31']
Return_2017 = Return_history.loc['2017-01-01':'2017-12-31']
Return_2018 = Return_history.loc['2018-01-01':'2018-12-31']days_2015 = len(Return_2015)
days_2016 = len(Return_2016)
days_2017 = len(Return_2017)
days_2018 = len(Return_2018)VaR_2015 = pd.DataFrame(-VaR95_1day_VCM*np.ones_like(Return_2015),index=Return_2015.index)
VaR_2016 = pd.DataFrame(-VaR95_1day_VCM*np.ones_like(Return_2016),index=Return_2016.index)
VaR_2017 = pd.DataFrame(-VaR95_1day_VCM*np.ones_like(Return_2017),index=Return_2017.index)
VaR_2018 = pd.DataFrame(-VaR95_1day_VCM*np.ones_like(Return_2018),index=Return_2018.index)plt.figure(figsize=(9,15))
plt.subplot(4,1,1)
plt.plot(Return_2015)
plt.plot(VaR_2015)
plt.ylabel('频数')
plt.grid(True)plt.subplot(4,1,2)
plt.plot(Return_2016)
plt.plot(VaR_2016)
plt.ylabel('频数')
plt.grid(True)plt.subplot(4,1,3)
plt.plot(Return_2017)
plt.plot(VaR_2017)
plt.ylabel('频数')
plt.grid(True)plt.subplot(4,1,4)
plt.plot(Return_2018)
plt.plot(VaR_2018)
plt.ylabel('频数')
plt.grid(True)#计算超出VaR的天数
dayexcept_2015 = len(Return_2015[Return_2015['投资组合模拟日收益']<-VaR95_1day_VCM])
dayexcept_2016 = len(Return_2016[Return_2016['投资组合模拟日收益']<-VaR95_1day_VCM])
dayexcept_2017 = len(Return_2017[Return_2017['投资组合模拟日收益']<-VaR95_1day_VCM])
dayexcept_2018 = len(Return_2018[Return_2018['投资组合模拟日收益']<-VaR95_1day_VCM]) print('2015年超出风险天数：',dayexcept_2015)
print('2015年超出风险天数在全年的占比：',dayexcept_2015/days_2015)print('2016年超出风险天数：',dayexcept_2016)
print('2016年超出风险天数在全年的占比：',dayexcept_2016/days_2016)print('2017年超出风险天数：',dayexcept_2017)
print('2017年超出风险天数在全年的占比：',dayexcept_2017/days_2017)print('2018年超出风险天数：',dayexcept_2018)
print('2018年超出风险天数在全年的占比：',dayexcept_2018/days_2018)
计算结果表明：2015年超出风险天数为22天，全年占比为9.05%，明显高于5%；2016年超出风险天数为9天，全年占比为3.69%；2017年超出风险天数为1天，全年占比为0.4%；2018年超出风险天数为6天，全年占比为2.47%。
4. 压力VaR
压力测试是一种以定量分析为主的风险分析方法，进而测算在小概率事件及极端情况下可能面临的损失。压力情景通常分为如下两种方法：头脑风暴和历史重现法。
压力风险价值具体是指当市场变量在一定压力市场条件下通过历史模拟法计算得到的风险价值，其计算步骤与历史模拟法相同。
本文仍然使用上述案例进行说明，2015年6月持续数月的股灾及2016年1月初的股市熔断可以看做案例数据中的极端情况。其Python程序如下：
#压力测试
return_stress = Return_history.loc['2015-06-15':'2016-01-07']return_stress.describe()return_zero = pd.DataFrame(np.zeros_like(return_stress),index = return_stress.index)#投资组合盈亏与0的可视化比较
plt.figure(figsize=(8,6))
plt.plot(return_stress)
plt.plot(return_zero)
plt.grid(True)SVaR99_1day = np.abs(np.percentile(a=return_stress,q=(1-X1)*100))
SVaR95_1day = np.abs(np.percentile(a=return_stress,q=(1-X2)*100)) SVaR99_10day = np.sqrt(10)*SVaR99_1day
SVaR95_10day = np.sqrt(10)*SVaR95_1dayprint('1天、99%的VaR:',SVaR99_1day)
print('10天、99%的VaR:',SVaR99_10day)
print('1天、95%的VaR:',SVaR95_1day)
print('10天、95%的VaR:',SVaR95_10day)
计算结果表明：持有期10天、置信水平99%的压力VaR=1102.12万；持有期10天、置信水平95%的压力VaR=670.14万。
金融分析与风险管理——风险价值（VaR）相关推荐
- 风险管理及风险价值VaR分析
介绍 估算量化交易策略或策略组合的损失风险对于长期资金增长至关重要,现代机构已经开发了许多风险管理技术,特别是一种被称为风险价值或在险价值(VaR)的技术是其核心,一般将VaR的概念应用于单一策略或一 ...
- R语言风险价值VaR（Value at Risk）和ES 的估计
R语言中可以使用多种方法对风险价值VaR和损失期望值ES进行估计.下面介绍一些常用的方法: 历史模拟法(Historical simulation) 历史模拟法是一种基于历史数据的方法,它假设未来的风 ...
- 风险价值VaR（Value at Risk）和损失期望值ES（Expected shortfall）的估计
原文链接: http://tecdat.cn/?p=15929 风险价值VaR和损失期望值ES是常见的风险度量. 首先明确: 时间范围-我们展望多少天? 概率水平-我们怎么看尾部分布? 在给定时间范围 ...
- R语言求风险价值VaR Value at Risk
风险价值是衡量与投资组合相关的风险水平的统计方法.风险价值在指定的时间范围内和给定的置信水平下测量最大损失量.最近我们被客户要求撰写关于风险价值VaR Value at Risk的研究报告. 视频:风 ...
- 基于蒙特卡罗模拟的股票风险价值VaR测算
基于蒙特卡罗模拟的股票风险价值VaR测算 前言:如果各位观看博客的想学的,可以通过Tushare金融数据注册链接注册账号,在获得相关数据集,这是本人的分享链接注册后,我可以获得50积分,谢谢各位支持. ...
- Matlab正态分布、历史模拟法、加权移动平均线 EWMA估计风险价值VaR和回测标准普尔指数 SP500时间序列...
原文链接:http://tecdat.cn/?p=24480 此示例说明如何使用三种方法估计风险价值 (VaR) 并执行 VaR 回测分析.这三种方法是:(点击文末"阅读原文"获取 ...
- python分位数回归模型_如何理解分位数回归风险价值 (VaR) 模型？
风险价值(下称VaR)的计算方法主要有历史模拟法(非参数法).分析方法.蒙特-卡罗模拟法三类.不同的计算方法.计算参数下所得的VaR都是不同的.若某机构宣称其产品的VaR较低即投资风险较低,投资者还需 ...
- 蒙特卡洛模拟计算风险价值VAR之R语言实现
一.解析VAR 当在分析方法中计算风险价值(VAR)时,我们需要假设金融工具的返回遵循一定的概率分布.最常用的是正态分布,这也是为什么我们通常称它为delta normal方法.要计算VAR,我们需要 ...
- VaR方法(Value at Risk，简称VaR）[风险价值模型]
VaR方法(Value at Risk,简称VaR),称为风险价值模型,也称受险价值方法.在险价值方法 风险价值VaR(Value at Risk)技术是目前市场上最流行.最为有效的风险管理技术. V ...
最新文章
- 【每日一算法】杨辉三角到底是什么？
- 微信支付的架构真的那么牛吗？
- sqlplus怎样将名次显示在表的后面_一分一段表怎么用？2019年辽宁高考一分一段表...
- #我要10000+# 计划启动啦！让文章拥有更多曝光~
- 随机化算法 —— 数组置乱器的实现
- 语义分割和实例分割概念
- 数学建模Latex简易模板
- 一个字等于多少个字节
- 颜色直方图匹配（一）
- php做支付宝接口测试,支付宝接口调试经验总结
- mybatisplus-代码级别的自动生成创建丶更新时间
- Python使用Scrapy爬虫框架全站爬取图片并保存本地(@妹子图@)
- 小程序源码：仿各大APP种树微信小程序源码下载-简单快速上手
- 未来已来！阿里小蜜AI技术揭秘
- （十六）《汇编语言（王爽）》 | 实验 10：编写子程序
- 美国入境前的EVUS登记图文指南
- 人脸识别特征脸提取PCA算法
- mysql主从复制(一):一主多从
- pip版本更新的问题
- FLASH脚本基础入门讲解1