python中var_【Python金融量化】VaR系列(一)：HS,WHS,RM方法估计VaR

最近参加了一个线上学习计划，一群人一起学《Elements of Financial Risk Management》这本书，主要偏向于金融时间序列和多因子模型的知识，结合python编程。现在已经看了三分之一左右，感觉写的还不错，有些收获，意外惊喜是教材的答案全是用excel公式做的，头一次发现excel还可以做极大似然估计这种东西，很神奇。

VaR的估计是书中一个重要部分，从最浅显的HS模型开始不断深入到蒙特卡洛，讨论了若干估计方法，边学习边总结吧。这次主要总结三种不需要考虑分布的方法，并分析每种方法的特点。

VaR定义

这里所说的VaR并非时间序列中的向量自回归模型(vector autoregression)，而是在险价值(Value at Risk)。指的是一定概率下，一个金融资产在未来一段时间内的最大可能损失，是对金融资产风险情况的一种度量，数学定义为：

给定置信度p下，VaR为满足下式的值

如果用对数收益率R衡量损失，可以表示为

即

也就是说，金融资产的收益率有1-p的概率不会小于-VaR，有p的概率会小于-VaR。如果能准确估计出金融资产未来一段时间内的VaR，对于企业做出投资决策有重要意义。

我们把置信度为p时，第t天起未来k天的在险价值 (100% p VaR for the k-days ahead return)记为

，首先考虑最简单的情况，估计单个股票的

。

VaR估计

1. HS方法

根据VaR的定义可以看出，如果我们能得到股票收益率的分布函数，就可以直接算出VaR。最简单的估计方法HS,WHS就从这种考虑出发，但不考虑去估计分布。

HS方法称为历史模拟法(Historical Simulation)，HS方法每次取一定长度的历史数据作为样本，将样本的分布看作是整体分布，在置信度p下，只需要找这些历史数据的前p-分位数，认为这些历史数据的p分位数就可以表示VaR。即

如果我们认为取到的历史数据样本确实可以代替整体分布，这种方法是合理的，将收益率序列升序排列后，位于总体100p%处的收益率值，恰好满足VAR定义要求的只有100p%的值小于它，因此可以作为VaR的估计值，如果p分位数位于两个历史数据之间，可以通过插值的方法计算出准确的p分位数。编程实现也很方便，python中的np.percentile函数可以直接得到一列数据的p分位数，excel中也有类似的函数。

•

优点：简洁，仅需要自己设定取的历史数据长度(窗宽)，模型参数少，速度快。

•

缺点：准确性低，响应性差，根据后面的例子可以看出。

2.WHS方法

WHS方法(加权历史模拟法)与HS方法的思想类似，不同点在于，HS方法认为过去每天数据包含的的信息量是一样的，WHS认为距离当天越近的数据，对于当天影响更大，应该赋予更高的权重，因此采用