原文鏈接：http://tecdat.cn/?p=24480?

最近我們被客戶要求撰寫關于風險價值的研究報告，包括一些圖形和統計輸出。

此示例說明如何使用三種方法估計風險價值 (VaR) 并執行 VaR 回測分析。這三種方法是：

(資料圖)

正態分布

歷史模擬

指數加權移動平均線 (EWMA)

風險價值是一種量化與投資組合相關的風險水平的統計方法。VaR 衡量指定時間范圍內和給定置信水平的最大損失量。

回測衡量 VaR 計算的準確性。使用 VaR 方法，計算損失預測，然后與第二天結束時的實際損失進行比較。預測損失和實際損失之間的差異程度表明 VaR 模型是低估還是高估了風險。因此，回測回顧數據并有助于評估 VaR 模型。

本示例中使用的三種估計方法在 95% 和 99% 的置信水平下估計 VaR。

加載數據并定義測試窗口

加載數據。本例中使用的數據來自標準普爾指數從 1993 年到 2003 年的時間序列收益率。

將估計窗口定義為 250 個交易日。測試窗口從 1996 年的第一天開始，一直持續到樣本結束。

對于 95% 和 99% 的 VaR 置信水平。

這些值意味著分別有至多 5% 和 1% 的概率發生的損失將大于最大閾值（即大于 VaR）。

使用正態分布方法計算 VaR

對于正態分布法，假設投資組合的損益呈正態分布。使用此假設，通過將每個置信水平的_z_分數乘以收益率的標準差來計算 VaR ?。由于 VaR 回溯測試對數據進行追溯，因此“今天”的 VaR 是根據過去_N_ ?= 250 天（但不包括“今天”）的收益率值計算得出的?。

正態分布方法也稱為參數 VaR，因為它的估計涉及計算收益率標準差的參數。正態分布方法的優點是簡單。然而，正態分布方法的弱點是假設收益率是正態分布的。正態分布方法的另一個名稱是方差-協方差方法。

使用歷史模擬方法計算 VaR

與正態分布方法不同，歷史模擬 (HS) 是一種非參數方法。它不假設資產收益的特定分布。歷史模擬通過假設過去的損益可以作為下一個收益期的損益分配來預測風險。“今天”的 VaR 計算為“今天”?之前?最后_N 次_收益率的?_第 p_個分位數?。

從上圖可以看出，歷史模擬曲線具有分段不變的輪廓。其原因是，在極端事件發生之前，量值在幾天內不會發生變化。因此，歷史模擬方法對波動率的變化反應緩慢。

點擊標題查閱往期內容

Python蒙特卡羅（Monte Carlo）模擬計算投資組合的風險價值（VaR）

左右滑動查看更多

01

02

03

04

使用指數加權移動平均法 (EWMA) 計算 VaR

前兩個 VaR 方法假設所有過去的收益率都具有相同的權重。指數加權移動平均 (EWMA) 方法分配不相等的權重，尤其是指數遞減的權重。最近的收益率具有更高的權重，因為它們對“今天”收益率的影響比過去更遠的收益率更大。大小估計窗口上的 EWMA 方差公式?

是：

是歸一化常數：

為方便起見，我們假設一個無限大的估計窗口來近似方差：

實踐中經常使用的衰減因子的值為0.94。這是本示例中使用的值。

啟動 EWMA 設置標準偏差。

在測試窗口中使用 EWMA 來估計 VaR。

在上圖中，EWMA 對大（或小）收益率時期的反應非常迅速。

VaR回測

在本示例的第一部分中，使用三種不同的方法和兩種不同的 VaR 置信水平在測試窗口上估計了 VaR。VaR 回測的目標是評估 VaR 模型的性能。95% 置信度的 VaR 估計值僅在大約 5% 的時間內被違反。VaR 失敗的集群表明缺乏跨時間的獨立性，因為 VaR 模型對不斷變化的市場條件反應緩慢。

VaR 回測分析中常見的第一步是將收益率和 VaR 估計值繪制在一起。在 95% 的置信水平上繪制所有三種方法，并將它們與收益率進行比較。

為了突出不同的方法如何對不斷變化的市場條件做出不同的反應，您可以放大收益率值發生巨大和突然變化的時間序列。例如，大約在 1998 年 8 月：

當收益為負 VaR 時，就會發生 VaR 失敗。仔細觀察 8 月 27 日至 8 月 31 日，會發現收益率顯著下降。從 8 月 27 日起，EWMA 更密切、更準確地跟蹤收益率趨勢。因此，與正態分布方法（7次失敗，藍色）或歷史模擬方法（8次失敗，紅色）相比，EWMA 的 VaR 失敗（2)次失敗，紫色）較少。

除了可視化工具，您還可以使用統計測試進行 VaR 回測。在此示例中，首先比較正態分布方法在 95% 和 99% VaR 水平下的不同測試結果。

摘要報告顯示觀察到的水平與定義的 VaR 水平足夠接近。95% 和 99% VaR 水平至多具有期望失敗，其中?N?是觀察次數。失敗率表明? VaR 水平在范圍內，而? VaR 水平不精確并且低估了風險。運行所有支持的測試?(1-VaR_level) x?_N_

95%的VaR通過了測試，如二項式和失敗比例測試（TL、BIN和POF列）。99%的VaR沒有通過這些相同的測試，如拒絕結果所示。在條件覆蓋率獨立性和間隔時間獨立性（ci和tbfi列）中，兩個置信度都被拒絕。這個結果表明，VaR的違反不是獨立的，可能在短時間內有多次失敗的時期。另外，一次失敗可能會使其他失敗在隨后的日子里更有可能發生。

在兩個 VaR 置信水平下對三種方法的投資組合運行相同的測試。

結果和之前的結果差不多，在95%的水平上，結果基本可以接受。然而，在 99% 水平的結果通常是拒絕。關于獨立性，大多數測試通過了條件覆蓋獨立性測試，連續幾天測試獨立性。請注意，所有測試都失敗了獨立性測試之間的時間間隔，它考慮了所有失敗之間的時間。這個結果表明所有方法都存在獨立性假設的問題。

為了更好地了解這些結果如何在市場條件下發生變化，請查看 2000 年和 2002 年的 95% VaR 置信水平。

2000年，這三種方法都通過了所有的測試。但是，2002 年的測試結果大多是所有方法都被拒絕。EWMA 方法似乎在 2002 年表現更好，但所有方法都未能通過獨立性測試。

要更深入地了解獨立性測試，請查看條件覆蓋獨立性和失敗間隔時間獨立性2002 年的測試詳細信息。運行各個測試功能。

在 CCI 測試中，知道在時間_t_ -1沒有失敗的情況下，??在時間_t_發生失敗?的概率?p?由下式給出01

在時間_t_發生失敗?的概率?p?，知道在時間_t_ -1發生失敗，?由下式給出11

從?測試結果中的N00,?N10,??N01,?N11列來看?，??三種方法的_p_?值?01都在 5% 左右，而_p_?值?11都在 20% 以上。因為有證據表明一個失敗之后出現另一個失敗的頻率遠高于 5%，所以這個 CCI 測試失敗了。

在失敗間隔時間獨立性測試中，查看失敗間隔時間分布的最小值、最大值和四分位數，在TBFMin、??TBFQ1、??TBFQ2、??TBFQ3、?列中?TBFMax。

對于 95% 的 VaR 水平，您預計失敗之間的平均時間為 20 天，或每 20 天發生一次失敗。但是，對于這三種方法，2002 年的失敗間隔時間的中位數介于 5 到 7.5 之間。該結果表明，在一半的情況下，連續兩次失敗發生在 5 到 7 天內，比期望的 20 天要頻繁得多。因此，會發生更多的測試失敗。對于正態方法，第一個四分位數是 1，這意味著 25% 的失敗發生在連續幾天。

參考

Danielsson, J.?金融風險預測：預測市場風險的理論和實踐。威利財經，2012 年。

點擊文末?“閱讀原文”

獲取全文完整代碼數據資料。

本文選自《Matlab正態分布、歷史模擬法、加權移動平均線 EWMA估計風險價值VaR和回測標準普爾指數 S&P500時間序列》。

點擊標題查閱往期內容

R語言極值理論 EVT、POT超閾值、GARCH 模型分析股票指數VaR、條件CVaR：多元化投資組合預測風險測度分析R語言GARCH-DCC模型和DCC（MVT）建模估計Python 用ARIMA、GARCH模型預測分析股票市場收益率時間序列R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格R語言ARIMA-GARCH波動率模型預測股票市場蘋果公司日收益率時間序列Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進行股價預測R語言時間序列GARCH模型分析股市波動率R語言ARMA-EGARCH模型、集成預測算法對SPX實際波動率進行預測matlab實現MCMC的馬爾可夫轉換ARMA - GARCH模型估計Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進行股價預測使用R語言對S＆P500股票指數進行ARIMA + GARCH交易策略R語言用多元ARMA,GARCH ,EWMA, ETS,隨機波動率SV模型對金融時間序列數據建模R語言股票市場指數：ARMA-GARCH模型和對數收益率數據探索性分析R語言多元Copula GARCH 模型時間序列預測R語言使用多元AR-GARCH模型衡量市場風險R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格R語言用Garch模型和回歸模型對股票價格分析GARCH（1,1），MA以及歷史模擬法的VaR比較matlab估計arma garch 條件均值和方差模型R語言POT超閾值模型和極值理論EVT分析R語言極值推斷：廣義帕累托分布GPD使用極大似然估計、輪廓似然估計、Delta法R語言極值理論EVT：基于GPD模型的火災損失分布分析R語言有極值（EVT）依賴結構的馬爾可夫鏈(MC)對洪水極值分析R語言POT超閾值模型和極值理論EVT分析R語言混合正態分布極大似然估計和EM算法R語言多項式線性模型：最大似然估計二次曲線R語言Wald檢驗 vs 似然比檢驗R語言GARCH-DCC模型和DCC（MVT）建模估計R語言非參數方法：使用核回歸平滑估計和K-NN(K近鄰算法)分類預測心臟病數據matlab實現MCMC的馬爾可夫轉換ARMA - GARCH模型估計R語言基于Bootstrap的線性回歸預測置信區間估計方法R語言隨機搜索變量選擇SSVS估計貝葉斯向量自回歸（BVAR）模型Matlab馬爾可夫鏈蒙特卡羅法（MCMC）估計隨機波動率（SV，Stochastic Volatility） 模型Matlab馬爾可夫區制轉換動態回歸模型估計GDP增長率R語言極值推斷：廣義帕累托分布GPD使用極大似然估計、輪廓似然估計、Delta法

關鍵詞：