VaR模型中的风险因子和估值框架-CSDN博客

在一个大型的组合中，有成千上万只不同的证券，但不同证券的价格可能受到同样的因素所驱动，比如同一个国家的债券几乎都受到该国的基准利率所影响。为了简化VaR的计算，通常将那些最根本的因素挑选出来，这些因素被称为风险因子。根据风险因子的状态，计算证券的价格被称为估值。

风险因子，即那些影响资产价格的因素。风险因子之间的关联关系用风险矩阵（即因子之间的协方差矩阵，具体计算方法参见【VaR Primer】应用指南）刻画。有几个原因，使得在实际计算VaR时使用简化的风险因子而不是将每一个证券都当成一个风险因子：

风险矩阵的元素个数按因子个数的平方增加。这使得，当因子个数增加时，计算量和存储空间很快无法承受。
当计算风险因子的历史观察数量小于风险因子的数量时，计算得到的风险矩阵可能不是正定的。因子之间的强线性相关，也会使得风险矩阵不正定。不正定或近似正定的风险矩阵会带来不稳定的VaR计算结果。

选取风险因子的自由度比较大，但有一些事实标准：

需要注意的是：根据第一条标准，股票价格本身可以作为一个风险因子，但一般不将债券作为一个风险因子。原因是：今天的股票和昨天的股票可以视为同一个东西，但今天的债券和昨天的债券不是同一个东西，它的到期时间减少了一天。

某些（国内的）软件用债券本身的历史收益率来计算VaR，它会高估VaR。因为债券到期时间越短，波动率越小，使用历史价格会高估其波动率。

某些软件计算VaR时使用多重风险因子。比如在最早公布的RiskMetrics文档中，虽然风险矩阵里包含了所有的股票，但风险矩阵的计算过程则简化为一个大盘因子：两个不同的股票之间的协方差为，其中为各个股票相对于大盘的，为基准指数的风险。这种方法使得计算风险矩阵的复杂性从二次性降到了线性。

估值和风险映射即指如何从风险因子的收益推导出头寸的收益，一般来说，风险因子将头寸的价格变化分解为风险因子变化的线性组合，估值则不局限于“线性组合”。它们分为两个步骤：

对于一个证券，判断它受哪些风险因子的影响。在实际VaR的计算中，为计算简便，会舍弃一些不重要的因子。
计算该证券的收益相对于风险因子的函数。如果是线性头寸，它可以表示为风险因子收益的线性和；对于期权等复杂产品，其函数可能会较为复杂，甚至该函数无法直接求值，只能通过模拟法估算。

对于线性证券（指证券的收益可以表示为因子收益的加权和），其映射关系为一个向量，向量的每个数表示该头寸对于该因子的暴露度。而组合的总映射为各个向量之市值加权和，还是一个向量。

局部估值法，也叫做delta-正态估值法，通过偏导数来测量风险敞口。假设一个金融产品的价格取决于若干个风险因子，即

将泰勒展开到1阶：

剩余的是二阶项，我们将它们直接舍去，得到该金融产品的价格可表示为各风险因子收益的线性和。期权对于股票因子的参数就是常用的delta指标，这也是“delta-正态估值法”名字的来历。

对于期权等非线性产品，参数法只能使用局部估值法进行估值。所以，在某些风险软件中，参数法也被叫做“delta-正态法”。

delta-gamma近似法也是一种局部估值法。和delta-正态法类似，它将其估值函数展开到二阶项，丢弃更高阶项。比如对于期权的估值，将使用期权的delta和gamma计算期权的价格：

delta-gamma近似法比delta-正态估值法提供更准确的估值。在蒙特卡洛模拟法中经常使用这种估值法，因为

这样的方法又被称为delta-gamma-蒙特卡洛模拟法。

在某些情况下，delta-正态估值法不够准确。比如它会高估一个期权多头的风险，而低估一个期权空头的风险。完全估值法，即指，精确计算金融产品的价格。这个价格，可能没有解析解，还需要使用蒙特卡洛进行计算。

上面三种方法每种都有其适用性：

虽然完全估值法能得到最准确的结果，但基于以下几个原因，现实中并不总是使用它：

转载于:https://www.cnblogs.com/shihao/archive/2012/01/16/2323650.html