本文介绍了VaR（Value at Risk）的回测原理，解释了回测的目的在于检验模型预测与实际损益的一致性。通过举例说明，当观测值超出VaR的次数与设定的置信水平不符时，表明VaR模型可能存在低估或高估风险的问题。回测步骤包括假设检验，并提供了具体的统计量公式和决策过程。文章最后提到了代码实现VaR回测的可能路径。
什么是VaR的回测？（VaR backtesting）
VaR回测是指通过模型得到的VaR值的估算结果与实际发生的损益进行比较以检验VaR模型的准确程度。
为什么要对VaR回测？
检验预测与现实是否一致。如果模型是完美的，观测值落在VaR以外的数量与设定的置信水平一致。
当落到VaR以外观测值数量越多，说明计算出的VaR低估了风险。如果落到VaR以外观测值数量越少，说明计算出的VaR高估了风险。
举例说明
假设某组合计算出的VaR值为100万（1天，95%置信水平），在回测历史1000天的数据，损失超过100万的天数为100天，这时就说明我们估计的VaR值太低。反之如果损失超过100万的天数为1天，说明我们估计的VaR值太高。
回测步骤
回测实际上就是一种假设检验的方法，假设检验就需要有置信水平。因此在回测VaR的过程中，一共有2个置信水平。一个是计算VaR的置信水平（ α V a R \alpha_{VaR} αVaR），一个是回测的置信水平（ α b a c k t e s t i n g \alpha_{backtesting} αbacktesting）。
第一步：提出原假设 H 0 H_{0} H0
最低0.47元/天 解锁文章
825
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
