VaR vs. CVaR：你究竟该使用哪种风险度量？

一个忽视最坏结果的风险度量

1999年，四位数学家 (Philippe Artzner、Freddy Delbaen、Jean-Marc Eber 和 David Heath) 发表了一篇从根本上改变了金融行业对风险度量认知的论文。他们在 Mathematical Finance 上发表的"Coherent Measures of Risk"中提出的论点看似简单却意义深远：全球最广泛使用的风险度量 VaR（Value at Risk）存在一个数学缺陷，可能会积极误导风险管理者。他们提出的替代方案 CVaR（Conditional Value at Risk，也称为期望损失（Expected Shortfall）），此后成为银行监管、投资组合优化和机构风险管理的核心。

理解 VaR 和 CVaR 之间的区别不仅仅是学术问题。它决定了机构如何确定头寸规模、设定资本准备金，以及最关键的——是否低估了那些最重要的损失：能够摧毁投资组合的尾部事件。

VaR 告诉你什么（以及它隐藏了什么）

VaR 回答一个具体的问题："在给定的置信水平下，给定的时间范围内，我能预期的最大损失是多少？"95% 的日 VaR 为 100 万美元意味着，在 95% 的交易日中，投资组合的损失不会超过 100 万美元。同样地，在 5% 的交易日——大约每月一次——损失将超过 100 万美元。

VaR 在 1990 年代通过 J.P. Morgan 的 RiskMetrics 系统成为风险度量的行业标准。它的吸引力在于清晰性：一个数字就能概括整个投资组合的风险。监管机构采纳了它，董事会成员能够理解它，风险管理者也能为复杂的多资产投资组合计算它。

但 VaR 有一个致命的盲区。它对超过阈值后会发生什么一无所知。如果你的 95% VaR 是 100 万美元，你知道在 5% 的交易日中损失会超过这个金额。但那 5% 的日子里，损失可能是 110 万美元，也可能是 5,000 万美元——VaR 无法区分这两种情景。它告诉你通往尾部的门在哪里，却不告诉你门后面的房间有多深。

这个盲区不仅仅是理论上的。在 2008 年金融危机期间，许多机构的风险系统报告着令人安心的 VaR 数值，而实际的尾部损失却大了几个数量级。它们的 VaR 模型说"在糟糕的一天你可能会损失 X"，而实际的糟糕日子带来的损失是 5X 或 10X。

一致性问题

Artzner et al. (1999) 通过定义任何"一致性"风险度量应满足的四个性质，将这一问题形式化：

1. 平移不变性（Translation invariance）。 向投资组合中添加无风险资产应使测量的风险减少相应的金额。如果添加 100 万美元的现金，风险应该减少 100 万美元。

2. 次可加性（Subadditivity）。 合并后的投资组合的风险不应大于各部分风险之和。这就是分散化原理——合并头寸不应增加风险。数学表达：ρ(X + Y) ≤ ρ(X) + ρ(Y)。

3. 正齐次性（Positive homogeneity）。 将头寸翻倍，风险也应翻倍。

4. 单调性（Monotonicity）。 如果投资组合 X 的收益始终不低于投资组合 Y，那么 X 的风险应当等于或低于 Y。

VaR 满足这四个性质中的三个，但不满足次可加性。这种失效不仅仅是数学上的好奇心——它会产生实际后果。假设两位交易员各持有一个集中头寸。交易员 A 的 95% VaR 为 100 万美元。交易员 B 的 95% VaR 为 100 万美元。如果公司合并这两本账簿，合并后的 95% VaR 可能超过 200 万美元——即各部分之和。风险管理最基本的原则——分散化，在 VaR 下可能看起来反而增加了风险。

这是因为 VaR 只看单一分位数。合并两个投资组合可能改变 VaR 阈值以外的损失分布形态，即使整体分布的尾部变薄了，阈值本身也可能被推向外侧。该度量对分布的形状是"盲目的"，只报告一个单一的切割点。

CVaR：VaR 之外的风险

CVaR（也称为期望损失（Expected Shortfall）或条件尾部期望（Conditional Tail Expectation））提出了一个不同的问题："假设损失已经超过了 VaR 阈值，预期损失是多少？"如果 95% VaR 为 100 万美元，则 95% CVaR 是最差的 5% 交易日的平均损失。

CVaR 满足全部四个一致性公理，包括次可加性。合并两个投资组合永远不会产生超过各自 CVaR 之和的 CVaR。分散化在 CVaR 下始终有效。

更重要的是，CVaR 捕捉的是尾部损失的严重程度，而不仅仅是其频率。两个投资组合可以拥有相同的 VaR，但 CVaR 截然不同：

投资组合 B 与投资组合 A 拥有相同的 VaR，但 CVaR 超过三倍。仅使用 VaR 的风险管理者会将这两个投资组合视为同等风险。使用 CVaR 的风险管理者会立即发现投资组合 B 承载着显著更大的尾部风险。

优化的突破

Rockafellar and Uryasev (2000) 做出了第二个关键贡献：他们证明 CVaR 可以通过线性规划来最小化。这是计算上的突破，因为 VaR 最小化是一个非凸优化问题——难以可靠求解、容易陷入多个局部最小值，且对大型投资组合计算成本高昂。

相比之下，CVaR 最小化是一个凸问题。它有唯一的全局最优解，即使对于包含数千个头寸的投资组合也能高效求解，并且自然地融入均值-风险投资组合优化框架。Rockafellar 和 Uryasev 证明，最小化 CVaR 同时也为 VaR 提供了上界，因此 CVaR 最优投资组合同时也是 VaR 受控的。

这一结果消除了采用 CVaR 的最后一个实际障碍。在 Rockafellar 和 Uryasev 之前，批评者可以争辩说，即使 CVaR 在理论上更优，VaR 在计算上更容易处理。在他们的论文之后，CVaR 在理论和计算上都成为首选度量。

VaR 仍具优势的领域

尽管存在理论上的不足，VaR 仍保持着若干实际优势，这也解释了它在业界部分领域持续占据主导地位的原因。

回测。 VaR 的回测很直接：计算损失超过 VaR 估计值的次数，检查该频率是否与指定的置信水平相符。如果 99% VaR 被超过的频率高于 1%，则模型欠拟合。这种二元检验简单、直观且易于自动化。CVaR 的回测更困难，因为它不仅需要估计尾部损失的频率，还需要估计其平均幅度。这需要更大的样本和更复杂的统计程序。

监管熟悉度。 虽然 Basel III 的交易账簿根本性审查（FRTB）于 2019 年将监管资本要求转向期望损失（CVaR），但许多内部风险系统仍在报告 VaR，过渡仍在进行中。大多数大型机构拥有跨越数十年的历史 VaR 数据库，使得比较和趋势分析十分便捷。

沟通。 "我们的 95% VaR 是 1,000 万美元"比"我们的 95% CVaR 是 1,500 万美元"更容易被非技术背景的利益相关者理解。VaR 提供了一个清晰的阈值；CVaR 提供的是在超过该阈值条件下的期望值，需要更高的统计素养来解读。

模型风险。 CVaR 对极端尾部的敏感性意味着它更容易受到分布尾部估计误差的影响。如果你对尾部形态的估计有误——这在数据有限的情况下很常见——CVaR 估计值可能严重偏差。VaR 因为只依赖于单一分位数，对尾部误估稍显稳健（尽管它为这种稳健性付出了完全忽视尾部严重性的代价）。

监管转型：从 VaR 到期望损失

巴塞尔银行监管委员会在 FRTB 框架中采用期望损失（97.5% 置信水平的 CVaR 的监管术语），代表了对 Artzner et al. 理论贡献最重要的肯定。监管转型的动机正是该论文所指出的一致性问题。

在旧框架（Basel II/II.5）下，银行计算市场风险资本的 99% VaR。这使得机构能够构建满足 VaR 约束但隐含重大尾部风险的投资组合——这种做法有时被称为"VaR 套利"。交易员可以卖出深度虚值期权，赚取小额且稳定的权利金（VaR 看不到），但在罕见事件中承担灾难性的损失潜力。

切换到 97.5% 期望损失直接解决了这个问题。卖出深度虚值期权会大幅增加 CVaR，因为该度量捕捉了尾部的期望损失，包括这些期权被行权的情景。套利机会随之消失。

实务决策框架

对于需要在 VaR 和 CVaR 之间做选择的从业者而言，决定取决于具体的使用场景：

CVaR 的需求最为强烈的情况是：投资组合包含非线性工具（期权、结构化产品），收益分布具有肥尾（大宗商品、新兴市场、加密货币），或投资组合足够复杂以至于次可加性变得重要（多部门、多资产类别的风险聚合）。

实务中的 VaR 和 CVaR 计算

两种度量都可以通过三种主要方法来估计，每种方法各有利弊：

历史模拟法。 对过去的收益率进行排序，识别相关的分位数（VaR）或计算超过该分位数的均值（CVaR）。方法简单且不依赖模型，但受历史样本限制。如果样本期间不包含尾部事件，VaR 和 CVaR 都会被低估。

参数法（方差-协方差法）。 假定一个分布（通常为正态分布或学生 t 分布），然后解析计算 VaR 和 CVaR。快速且优雅，但精度取决于分布假设。在正态分布下，95% CVaR 约为 95% VaR 的 1.28 倍。在肥尾分布下，该比率可能达到 2 倍或更高。

蒙特卡洛模拟法。 根据拟合的模型生成数千个随机情景，然后从模拟的分布中计算 VaR 和 CVaR。最为灵活——能够处理非线性工具、非正态分布和复杂的依赖结构——但计算成本高。

当 CVaR 与 VaR 的比率接近 1.28 时，收益分布近似正态，VaR 足以胜任。当比率上升到 2.0 以上时，尾部已足够肥厚，仅依赖 VaR 是危险的——VaR 阈值以外的损失远比 VaR 所暗示的严重得多。

两种度量都无法捕捉的内容

VaR 和 CVaR 都共享着单一风险度量无法克服的重要局限性。

流动性风险。 两种度量都假设头寸可以按市场价格清算。在危机期间，买卖价差扩大、市场深度蒸发，实际清算所得可能远低于模型价格所暗示的水平。流动性调整的 VaR 和 CVaR 变体虽然存在，但会大幅增加模型复杂度。

相关性崩溃。 两种度量都依赖估计的相关性或 Copula 来建模多资产投资组合。在危机期间，相关性会急速上升至接近 1.0，恰恰在最需要分散化效益时削弱了它。VaR 和 CVaR 都不能从本质上反映这种依赖市场状态的相关性行为。

模型风险。 任何风险度量的准确性取决于其背后的模型。分布设定错误、相关性结构不准确或数据不足，都可能导致 VaR 和 CVaR 低估真实风险。CVaR 对尾部误估更敏感；VaR 对置信水平的选择更敏感。

正确的应对不是选择其中一种度量而放弃另一种，而是将两者与压力测试、情景分析和定性判断结合使用。任何定量风险度量都无法替代对产生尾部损失的经济机制的深入理解。

现有证据的总结

Artzner et al. (1999) 确立了 VaR 不是一致性风险度量，以及其次可加性的缺失可能误导风险管理。Rockafellar 和 Uryasev (2000) 证明 CVaR 可以被高效优化，消除了采用上的计算障碍。这两篇论文共同推动了学术思想和监管实践向期望损失方向的转变。

实际情况是，两种度量仍然都不可或缺。VaR 提供了一个简单、广为理解的阈值，便于计算、回测和沟通。CVaR 提供了捕捉 VaR 所遗漏内容的尾部感知补充。两者之间的选择与其说取决于抽象意义上哪个"更好"，不如说更多取决于具体的投资组合、工具复杂度和决策情境。

对于散户投资者，这一区别在评估具有非线性收益结构的产品——期权策略、结构化票据、杠杆 ETF——时最为重要，因为在这些产品中，VaR 可能严重低估罕见但严重损失的风险。对于机构风险管理者，FRTB 后的监管环境在很大程度上已将讨论定论为以期望损失为主要风险度量，VaR 则被保留用于回测和历史比较。