期望損失：為何VaR無法呈現完整圖景

期望損失：為何VaR無法呈現完整圖景

如果風險系統每天早上報告的數字遺漏了真正可能摧毀投資組合的情境，會怎樣？數十年來，風險價值一直是「我們可能損失多少？」這一問題的標準答案。但VaR只回答了這個問題的狹義版本：它在給定信心水準下確定損失閾值，然後對超出部分保持沉默。99%的日度VaR為500萬美元意味著每年大約有2.5次損失超過這個數字。這些超額損失平均是550萬美元還是5000萬美元，VaR對此一視同仁。

2002年，Carlo Acerbi和Dirk Tasche發表了一項證明，將這種沉默重新定義為結構性缺陷。他們的論文「On the Coherence of Expected Shortfall」證明了期望損失（ES）在包括離散分佈在內的所有分佈類型中，滿足一致性風險度量所需的全部四個數學公理。這一結果為監管機構在全球銀行標準中用ES替代VaR提供了理論基礎。

VaR的一致性缺口

Artzner等人 (1999)已經確立了任何合理風險度量應滿足的四個公理：平移不變性、次可加性、正齊次性和單調性。VaR通過了其中三個，但在次可加性上失敗了——這正是編碼「分散化不應增加風險」原則的公理。

這種失敗是具體的。考慮兩個各自持有集中部位的交易部門。部門A的99% VaR為210萬美元，部門B為180萬美元。當公司合併兩本帳簿時，合併後的99% VaR可能超過430萬美元，超出各部分之和的390萬美元。在VaR下，合併部位可能使分散化看起來增加了風險。這種病理現象源於VaR僅檢查單一分位數。

Acerbi和Tasche的證明內容

Acerbi和Tasche (2002)的貢獻在於彌合了一個技術性缺口。Artzner等人已經證明ES對連續分佈是一致的，但許多現實中的損失分佈是離散的（有限情境集、有限數據的歷史模擬）。Acerbi和Tasche通過涉及條件期望而非簡單尾部平均的表示建立了次可加性，證明ES在連續、離散和混合等所有分佈類型中都保持一致。

這一點至關重要，因為從業者曾提出合理的反對意見：如果ES僅在理想化的分佈假設下有效，那麼它相對於VaR的理論優勢純屬學術。2002年的證明徹底消除了這一反對意見。

另外，Acerbi (2002)將該結果擴展到整個譜風險度量類別，ES是其中最簡單的成員。譜度量通過非遞減函數對尾部損失加權，使風險管理者能夠表達對極端結果的不同程度的厭惡。

VaR與ES在實務中的分歧

VaR與ES之間的實務差距取決於尾部的厚度。在常態分佈下，95% ES大約是95% VaR的1.28倍，差異適中。在信用、大宗商品以及壓力時期股票市場常見的肥尾分佈下，這一比率急劇擴大。

當ES與VaR的比率超過2.0時，表明損失分佈具有比常態假設所暗示的更厚的尾部。在這種體制下，VaR低估了對投資組合構成存亡威脅的事件的嚴重程度。正如Yamai和Yoshiba (2005)所記錄的，在尾部風險升高期間僅依賴VaR的機構系統性地低估了資本需求。

這種分歧與驅動尾部風險對沖策略的關切直接相關：對投資組合存續最重要的損失恰恰是VaR所丟棄的損失。圍繞VaR閾值設計的對沖方案可能使投資組合暴露於真正威脅償付能力的回撤之中。

監管後果

巴塞爾銀行監管委員會在交易帳簿根本性審查 (2019)中採用97.5%期望損失作為主要市場風險資本度量，取代了自Basel II以來管轄銀行資本的99% VaR標準。選擇97.5% ES而非99% ES是刻意的：在常態分佈下，97.5% ES在數值上與99% VaR大致相當，在從根本上升級風險度量的數學屬性的同時確保了資本水準的大致連續性。

這一轉變消除了特定的監管套利。在基於VaR的資本規則下，交易員可以賣出不影響報告VaR的深度價外選擇權以獲取穩定的權利金收入。ES在構造上通過對整個尾部取平均來捕捉這些損失。Embrechts, McNeil和Straumann (2002)曾就相關性依賴型投資組合中這類脆弱性發出過警告。

值得承認的局限性

ES也並非沒有權衡。ES的回測比VaR更困難，因為驗證平均值比驗證閾值突破需要更多數據點。Tasche (2002)討論了可引出性問題。ES本身不具有可引出性，但與VaR聯合則具有可引出性。這一結果體現在FRTB將ES用於資本計算、VaR用於回測的混合方法中。

ES對遠端尾部的估計誤差也更為敏感。在有限的歷史數據下，最差2.5%觀測值的平均帶有相當大的抽樣不確定性。這並非回歸VaR的理由，但意味著ES估計應附帶信賴區間或以壓力情境作為補充。

框架銜接

對於跨資產類別管理風險溢價的投資者而言，風險度量的選擇塑造著投資組合構建決策。最大回撤框架捕捉路徑依賴的最壞情況，而ES捕捉某一時點的分佈尾部嚴重程度。這些視角相互補充而非替代。日常閾值管理使用VaR、資本配置和尾部感知使用ES、累積路徑風險使用最大回撤的機構，擁有比依賴任何單一指標的機構更加完整的全景。

Acerbi和Tasche的證明確立了，在這些工具中，期望損失是在尊重分散化數學的同時揭示最重要情境中發生了什麼的工具。