早上九點，香港中環資產管理公司的晨會上，投資總監看着風險經理提出核心問題：「如果今日港股出現極端行情，手上的投資組合在正常市場波動下最多可能損失多少？」當時面對的是一個八億港元的組合，主要持倉為恒生指數成分股，另配有一小部分恒生科技指數的期權對沖倉位。
如果沒有風險價值（Value at Risk，簡稱 VaR）這項工具，這個問題只能得到模稜兩可的推測。有了 VaR，風險經理可以在短時間內給出精確量化指標：在 99% 信心水平、一日持有期之下，該組合的 風險價值 為 2,400 萬港元。
這個數據的完整統計涵義在於：假定市場維持近期的波動狀態，未來一個交易日內，該組合有大約 99% 的機率損失不會超過 2,400 萬港元；換言之，平均每 100 個交易日中，約有 1 個交易日的損失會超出此上限。以八億港元的組合計算，這相當於日波動率約為 1.3%（年化波動率約兩成左右）在常態分佈下乘以 2.326 倍標準差的結果，與恒指成分股為主的組合在一般市況下的統計特徵相符。
風險計量的核心邊界：VaR 並不代表「極端情況下的最大可能損失」。它僅界定了 99% 信心分位數以內的波動邊界；在剩餘 1% 的極端尾部情境中，實際損失完全可能超出 2,400 萬港元甚至達到數倍。VaR 衡量的是常規市場波動，對於結構性斷裂、流動性瞬時枯竭或政策突變等極端尾部事件，必須依賴嚴謹的壓力測試與情景分析互相配合。
VaR 能夠在現代金融市場成為市場風險管理的基準指標，關鍵在於它將跨越股票、債券、外匯及衍生品的複雜組合，轉化為單一清晰的金額數字，讓決策層能直觀評估風險資本消耗與限額使用狀況。
決定 VaR 計算結果的三大核心參數
同一組投資持倉，設定不同的計量參數，計算得出的 VaR 數值可能存在數倍差異。理解參數的統計特性是正確使用該工具的前提。
信心水平：99% 與 95% 的統計差異
信心水平決定了尾部分位數的截斷位置。在標準常態分佈假設下，95% 信心水平對應 1.645 個標準差，而 99% 信心水平對應 2.326 個標準差。從 95% 提升至 99%，風險計量值約增長 41.4%。同一組投資組合，若 1 日 95% VaR 為 1,700 萬港元，切換至 99% 信心水平後將上升至約 2,400 萬港元。
機構內部日常風控常採用 95% 信心水平，因其在一年 250 個交易日中約產生 12 至 13 次突破，回測樣本相對充裕，統計檢定效力更強；巴塞爾監管資本框架則傳統上傾向採用 99% 信心水平以維持審慎監管標準。
持有期：時間平方根法則與流動性期限
持有期代表自發現風險至完成平倉或對沖所需的預期時間。高流動性資產（如恒指期貨、主要貨幣對）通常採用 1 日持有期；對於中小型股票、私募信用或非流動性衍生品，10 日甚至 1 個月更符合實際清算週期。
持有期的轉換在傳統模型中常基於獨立同分佈（i.i.d.）假設採用時間平方根法則（即 10 日 VaR = 1 日 VaR × √10 ≈ 3.16 倍）。然而，當市場存在顯著自相關性或連續跳空時，線性平方根推算往往會低估累積損失，因此機構在計量長持有期時逐步改採多期路徑直接模擬法。
觀察窗口：短期敏感性與長期穩定性的權衡
觀察窗口決定了計量模型對歷史市場數據的追溯長度。採用 250 個交易日窗口對近期波動極為敏感，但可能在衝擊過後產生過度保守的滯後效應；採用 1,000 個交易日窗口計算出的數值更為平穩，但容易稀釋突發性市場劇烈波動的即時衝擊。實務中普遍採用指數加權移動平均（EWMA）結合長短窗口交叉檢驗，以平衡敏感度與穩定性。
三大主流 VaR 計算方法對比
計量方法的選擇直接決定了模型對資產價格分佈特性與非線性特徵的擬合能力。
歷史模擬法（Historical Simulation）
該方法直接選取過去特定週期（如 250 或 500 個交易日）的市場因子歷史回報率，逐日套用於當前持倉組合，生成假想的歷史損益分佈，再依損益大小排序取對應分位數。其優勢在於無需對收益率分佈做常態化假設，自然保留了厚尾、偏態及跳躍特徵，並能通過全值重估法捕捉期權等非線性衍生品的損益特性。
其局限在於無法預測歷史窗口中從未出現過的極端事件；此外，當極端波動交易日移出觀察窗口時，VaR 數值會產生非實質性的斷崖式下跌（即「幽靈效應」）。
變異數—共變異數法（Variance-Covariance Method）
作為經典的參數化方法，該方法假定風險因子服從多元常態分佈，通過估算各資產的波動率矩陣與相關係數矩陣計算出投資組合的整體標準差：
單一資產公式：VaR ≈ z × σ × √t × 市值
投資組合標準差：σp = √(wT Σ w)，其中 w 為持倉權重向量，Σ 為資產回報的共變異數矩陣
此方法運算速度極快，能精準進行風險邊際拆解，適合大型機構進行實時限額監控；但由於常態分佈無法擬合現實市場的厚尾特徵，容易在極端行情下系統性低估損失，且對具備顯著 Gamma/Vega 敞口的非線性產品適應力較弱。
蒙地卡羅模擬法（Monte Carlo Simulation）
該方法透過設定資產價格變動的隨機過程（如幾何布朗運動、隨機波動率模型或跳躍擴散過程），模擬生成數萬條潛在市場路徑，並對各路徑進行全值重估，最終統計出完整的模擬損益分佈以求取分位數。
蒙地卡羅法具備極高的建模靈活性，能完整兼容複雜路徑依賴型衍生品與厚尾特徵，但計算成本較高，且計量品質高度依賴模型設定與參數校準的精確度。
| 計算方法 | 運算效率 | 厚尾捕捉能力 | 非線性產品適應性 | 風險歸因分解 | 核心局限 |
|---|---|---|---|---|---|
| 歷史模擬法 | 較高 | 取決於樣本窗口 | 優良（支援全值重估） | 中等 | 受制於歷史數據、存在幽靈效應 |
| 變異數—共變異數法 | 極高 | 偏弱（常態分佈假設） | 偏弱（需依賴 Taylor 近似） | 最優（歐拉線性可加） | 無法擬合厚尾與非線性風險 |
| 蒙地卡羅模擬法 | 較低 | 優良（取決於隨機過程） | 最優（支援複雜衍生品） | 中等 | 計算資源消耗大、存在模型風險 |
計量模型的現代演進
為克服基礎計量模型的缺陷，量化風險管理體系經歷了多個維度的演進：
- EWMA（指數加權移動平均）：賦予近期數據更高權重（衰減因子 λ 實務常用 0.94），使模型能動態反映即期市場波動率的變化。
- GARCH 族波動率模型：透過 GARCH(1,1)、EGARCH 與 GJR-GARCH 對「波動率聚集」與「非對稱槓桿效應（跌市波幅擴大）」進行精確擬合。
- 過濾歷史模擬法（FHS）：先利用波動率模型將收益率標準化以剔除聚集效應，在殘差項上進行歷史抽樣，再重新乘以當前波動率估計，兼具參數法動態響應與非參數法自由分佈的特點。
- 極值理論（EVT）：利用廣義帕累托分佈（GPD）專注對超越高門檻的尾部極端損失進行建模，改善極高信心水平（如 99.9%）下的估算精度。
條件風險價值（CVaR / Expected Shortfall）與監管演進
條件風險價值（Conditional VaR，又稱期望短缺 Expected Shortfall，簡稱 ES）計量的是：當損失突破 VaR 閾值後，超額損失的平均期望值：
ESα = E[ L | L > VaRα ]，其中 L 為組合損失，α 為信心水平
巴塞爾銀行監管委員會在《交易帳簿基本審查》（FRTB）市場風險資本框架中，正式以 97.5% 期望短缺（ES） 取代原有的 99% VaR 作為內部模型法的核心指標。推動這項監管變革的核心技術原因包括：
- 滿足次可加性（Sub-additivity）：VaR 不滿足次可加性公理（兩個獨立組合的 VaR 之和可能小於合併後的 VaR），這在理論上違背了「分散投資降低風險」的金融直覺；而 ES 屬於一致性風險度量（Coherent Risk Measure），嚴格滿足次可加性。
- 全面捕捉尾部風險（Tail Risk）：在常態分佈假設下，97.5% ES 所需覆蓋的標準差倍數約為 2.34，與 99% VaR 的 2.326 標準差相當，在維持資本要求總量穩定的同時，徹底解決了 VaR 無法反映極端尾部深度損失的結構性缺陷。
傳統 VaR 的五大核心局限
- 尾部損失盲區：VaR 僅標定特定分位數門檻，對門檻之外的潛在極端損失幅度無法提供任何量化信息。
- 次可加性失效帶來的結構漏洞：在特定非凸分佈或深度虛值期權組合下，個別資產分開計量的 VaR 總和可能小於整體組合 VaR，容易引發組合構建時的計量失真。
- 常態分佈假設與厚尾跳躍偏差：現實金融市場常伴隨突發政策或事件導致的價格跳空，參數模型的連續分佈假設會嚴重低估黑天鵝事件的發生機率。
- 極端行情下的相關性收斂：在市場流動性恐慌時，多類原本低相關甚至負相關的資產往往同步下跌（相關係數趨近於 1），導致模型預期的分散化效益迅速瓦解。
- 忽視平倉流動性摩擦：傳統 VaR 預設持倉可在持有期內以市價無摩擦清算，忽視了市場深度萎縮、買賣價差擴大帶來的額外變現成本。
市場風險管理實務應用框架
限額管理與風險資本配置
在日常風控中，機構會為各業務線、交易台設置 VaR 授權限額。在風險分解體系中，需精確區分兩項指標：
- 獨立 VaR（Standalone VaR）：各交易台單獨計量的風險值。由於分散化效應存在，各交易台獨立 VaR 之和通常大於整體投資組合的 VaR，二者差額即為組合分散化收益。
- 成分 VaR（Component VaR）：基於歐拉定理分解得出，滿足完全可加性（∑ 成分 VaRi = 組合總 VaR），能精確反映各子持倉對組合整體風險的邊際貢獻量。
回測檢驗機制（Backtesting）
回測是驗證 VaR 計量精確性的法定程序。透過比對每日假想損益（Hypothetical P&L）與前一日預測的 VaR 數值，統計超額突破次數。巴塞爾交通燈框架以過去 250 個交易日為檢驗基準（99% 信心水平）：突破次數 4 次以內為綠區（模型合格）；5 至 9 次為黃區（觸發資本附加乘數）；10 次以上為紅區（模型失效並要求強制整改）。此外，還需配合 Kupiec POF 檢定（檢驗突破頻率）與 Christoffersen 獨立性檢定（檢驗突破事件是否存在時間聚集）。
壓力測試與情景分析的協同運作
VaR 負責日常市況下的風險計量，而壓力測試（Stress Testing）則模擬極端但合理的壓力情景（如 2008 年流動性危機、歷史單日大幅跳空或利率急升情景）。成熟的風控架構必須將日常 VaR、期望短缺（ES）與壓力測試損益並列監控，形成多維度的風險防禦體系。
常見問題（FAQ）
Q1：風險價值（VaR）與最大可能損失有何區別？
VaR 僅是一個統計分位數，代表在給定信心水平（例如 99%）與持有期下的「常態波動上限」，並非極端情境下的最大損失。在剩餘 1% 的極端尾部情境中，實際損失金額完全可能遠超 VaR 數值，此類尾部極端風險需透過期望短缺（ES）與壓力測試來評估。
Q2：為甚麼巴塞爾監管協議在 FRTB 中改用期望短缺（ES）取代 VaR？
核心原因有兩點：第一，VaR 不滿足統計學上的「次可加性」，可能出現組合風險大於各部分風險之和的邏輯悖論；第二，VaR 對超過閾值後的尾部損失深度完全不敏感，而 ES 能有效衡量極端超額損失的平均期望值，更適合作為審慎資本監管指標。
Q3：在計算投資組合 VaR 時，應如何選擇適合的計算方法？
若投資組合主要為線性資產（如普通股票、現貨外匯）且追求實時計算與風險拆解，可採用變異數—共變異數法；若組合包含大量期權、結構性產品或具有顯著厚尾特徵，建議採用歷史模擬法或蒙地卡羅模擬法，實務中通常同時運行兩種以上模型進行交叉校驗。
Q4：甚麼是 VaR 回測中的「交通燈機制」？
巴塞爾框架以過去 250 個交易日、99% 信心水平下的實際損失突破 VaR 次數為基準：0-4 次為綠區（模型準確）；5-9 次為黃區（需增加監管資本乘數並進行原因排查）；10 次以上為紅區（模型存在重大缺陷，需強制整改）。
