从VaR到ES_现代金融风险度量模型的新发展
基于VaR的金融风险度量与管理
基于VaR的金融风险度量与管理一、本文概述随着全球金融市场的不断发展和创新，金融风险管理逐渐成为金融机构和投资者关注的核心问题。
本文旨在探讨基于VaR（Value at Risk，风险价值）的金融风险度量与管理方法，分析其在现代金融风险管理中的应用及其优势。
我们将首先介绍VaR的基本概念、计算方法和主要特点，然后探讨VaR在金融风险管理中的应用，包括风险测量、风险限额设定、绩效评估等方面。
我们还将讨论VaR方法的局限性，并探讨如何结合其他风险管理工具和方法，提高风险管理的有效性和准确性。
我们将总结VaR在金融风险度量与管理中的重要地位，展望其未来的发展趋势和前景。
通过本文的研究，读者可以更深入地了解VaR在金融风险管理中的应用，为金融机构和投资者提供更加科学、有效的风险管理工具和方法。
二、VaR的基本原理与计算方法VaR，即Value at Risk，中文称为“风险价值”，是一种用于度量和量化金融风险的统计工具。
VaR的基本原理在于，它提供了一个在给定置信水平和持有期内，某一金融资产或投资组合可能遭受的最大损失估计。
这一度量方法的核心在于将风险量化，从而帮助金融机构、投资者和监管机构更准确地理解和管理风险。
计算VaR的方法主要有三种：历史模拟法、方差-协方差法和蒙特卡洛模拟法。
历史模拟法是一种非参数方法，它基于过去一段时间内资产价格的历史数据来估计未来的风险。
这种方法假设历史数据能够代表未来的可能情况，通过计算历史收益率的分布，进而得到VaR值。
这种方法简单易行，但对历史数据的依赖性强，且无法反映市场条件的变化。
方差-协方差法是一种参数方法，它基于资产收益率的统计分布来计算VaR。
这种方法首先估计资产收益率的均值、方差和协方差，然后根据这些参数计算VaR。
这种方法能够反映市场条件的变化，但需要假设资产收益率服从特定的分布，且对极端事件的预测能力有限。
蒙特卡洛模拟法是一种基于随机过程的计算方法，它通过模拟资产价格的随机变动来估计VaR。
金融风险管理中的VaR模型
金融风险管理中的VaR模型VaR是金融风险管理领域中非常重要的一种风险测量模型，可以帮助金融机构识别和控制市场风险、信用风险、操作风险等多种不确定性因素对其业务和投资组合所带来的潜在损失。
本文将对VaR模型的定义、计算方法、优缺点以及应用现状进行讨论。
一、VaR模型的定义VaR模型是一种针对金融风险的风险管理工具，旨在帮助金融机构评估其业务和投资组合在预定置信水平和预定时间段内可能面临的最大可能亏损。
VaR通常用于衡量市场风险、信用风险和操作风险等方面的风险，并且通常基于历史数据和概率分布函数来计算。
二、VaR模型的计算方法VaR模型的计算方法通常有三种：1.历史模拟法：历史模拟法基于历史数据，通过计算过去一段时间内金融工具价格或投资组合价值的分布，来估计未来可能的最大亏损。
这种方法的优点是简单易懂，易于实现。
但它的缺点是忽略了当前市场条件与历史数据的差异。
2.正态分布法：正态分布法假设市场价格或投资组合价值呈正态分布，因此可以利用标准正态分布表将置信水平转化为标准差，进而计算VaR。
这种方法的优点是计算简单，但它的缺点是忽略了市场价格或投资组合价值呈非正态分布的情况。
3.蒙特卡罗模拟法：蒙特卡罗模拟法通过模拟不同的市场行情，来估计未来可能的风险。
这种方法的优点是可以考虑市场价格或投资组合价值呈非正态分布的情况，但它的缺点是计算相对较为复杂，需要大量计算资源和时间。
三、VaR模型的优缺点VaR模型具有以下优缺点：1.优点：(1)可以测量不同类型的风险：VaR模型可以帮助金融机构测量市场风险、信用风险、操作风险等不同类型的风险。
(2)能够识别重要风险源：VaR模型可以帮助金融机构识别其业务和投资组合中最重要的风险源，帮助其进行有效的风险控制。
(3)符合监管要求：许多国家和地区的金融监管机构要求金融机构使用VaR模型来评估其风险承受能力和资本要求。
2.缺点：(1)无法完全预测未来：VaR模型只能基于历史数据和概率分布来进行未来风险的预测，不可能完全预测未来的市场和经济条件。
金融市场风险管理研究——基于VaR模型
金融市场风险管理研究——基于VaR模型第一章绪论1.1 研究背景和意义金融市场在现代经济中具有重要的地位，它涉及的领域越来越广泛，对于国际贸易、经济发展和社会稳定都有着重要的影响作用。
金融市场的波动给投资者带来了巨大的风险，如何对市场风险进行有效的管理成为了金融市场的一大难题。
VaR模型是目前应用最为广泛的风险管理方法之一，通过对VaR模型进行深入研究，可以提高金融市场的风险管理水平，保护投资者的利益，维护市场的稳定。
1.2 研究现状和发展趋势VaR模型起源于20世纪80年代的华尔街，经过多年的实践和改进，已经成为金融市场风险管理的重要工具之一。
目前，国际上很多企业和金融机构都采用VaR模型进行风险管理。
在中国，VaR模型在金融市场中也得到了广泛应用，但是由于中国金融市场的特殊性质，VaR模型在实践中仍然存在一些问题。
未来，我们需要进一步探究VaR模型的理论和应用技巧，提高模型的解释能力和预测准确性，为金融市场的风险管理提供更好的服务。
1.3 研究目的和内容本文旨在对VaR模型进行深入分析和研究，从理论和实践两个方面对VaR模型进行探究，以期提高金融市场风险管理水平，为金融机构和投资者提供更好的服务。
本文主要内容包括：VaR模型的理论基础、VaR模型的构建方法、VaR模型的优缺点、VaR模型的实践应用等方面的研究。
第二章 VaR模型理论基础2.1 VaR模型的概念和特点VaR (Value at Risk) 是一个衡量金融市场风险水平的指标，它表示在一定的置信度和一定的时间范围内，某个金融资产或投资组合的最大可能损失。
VaR模型的特点是以置信度和时间窗口为基础，利用统计和数学方法来估计市场风险。
2.2 VaR模型的计算公式VaR模型的计算公式可以使用历史模拟法、蒙特卡洛法和正态分布法等多种方法进行计算。
其中，历史模拟法是最常用的方法，它依据历史数据对未来市场波动进行预测，并利用置信度和时间窗口确定VaR数值。
VaR模型和ES模型的比较研究3
VaR模型和ES模型的比较研究罗猛何文华1摘要：2007年以来，先后爆发的美国金融危机、欧洲债务危机引起全球金融市场巨幅震荡，导致了各国市场机构、个人投资者以及政府的巨额损失。
尤其是复杂金融业务的出现，使得信用风险、市场风险、操作风险交织在一起，形成共振，导致了市场的巨大“爆炸”，同时也唤起了人们对金融市场风险理论和风险控制的再思考。
为此，市场机构和监管当局试图重构风险监管理念、要求、工具和措施，其中之一就是试图更为精确地衡量和及时应对金融业务产生的市场风险。
本文系统地梳理了计量市场风险的主流模型（即VaR模型）的相关情况，包括性质、特征以及流变，剖析其优缺点，指出其存在的局限性。
在此基础上，探究可能逐步替代VaR模型成为市场风险计量主要工具（即ES模型）的特征，并试图通过举例方式，说明两种模型算法差异以及结果可能带来的不同经济意义。
最后，分析ES模型替代VaR模型可能给业界产生的影响。
关键词：VaR模型；ES模型；比较研究一、引言2012年5月，巴塞尔委员会发布了《关于交易账户的基础性评估征求意见稿》，全面分析了当前交易账户监管框架所存在的问题，提出了重新划分交易账户和银行账户边界、全面涵盖市场流动性特征、减少对模型的依赖程度、降低模型法的分散化效应以及强化标准法和模型法之间的联系等五大改革方向。
其中，最为重要的一个建议是巴塞尔委员会试图用预期下方差（Expected Shortfall，ES）模型逐步替代风险价值（Value at Risk，VaR）模型来计量市场风险。
1罗猛，中国银监会和北京大学联合培养的博士后，供职于中国银监会创新部；何文华，中央财经大学金融学硕士研究生。
本论文不代表作者所在单位的观点。
二、VaR模型流变及优缺点分析（一）VaR模型的性质特征90年代初，J·P·Morgan提出风险价值（Value at risk，VaR）方法用以计量资产组合的市场风险，这在很大程度上被认为是现代金融风险管理的开端。
金融风险评估中的模型建立方法
金融风险评估中的模型建立方法金融风险评估是金融领域中非常重要的一项工作，它旨在利用适当的模型和方法来评估金融机构或个体所面临的各种风险。
本文将介绍金融风险评估中常用的模型建立方法，并探讨其优缺点。
一、VaR模型VaR（Value at Risk）模型是一种衡量金融市场风险的常用方法。
其基本原理是通过统计方法对金融资产的价格波动进行测量，从而确定在给定置信水平下的最大可能损失。
VaR模型可以是历史模型、蒙特卡罗模型或基于参数模型，根据实际情况选择合适的模型进行建立。
优点：VaR模型简单易懂，直观反映了风险水平。
缺点：VaR模型只关注损失的可能性，忽略了损失的大小、分布和时间因素。
二、ES模型ES（Expected Shortfall）模型是对VaR模型的延伸和改进。
它通过衡量超过VaR水平的损失部分的期望值，更全面地评估金融风险。
ES 模型能够捕捉到在极端情况下的风险，并提供更加准确的风险度量。
优点：ES模型更加全面地考虑了损失的分布和大小。
缺点：ES模型依然没有考虑时间因素，可能低估了风险的真实水平。
三、模糊数学模型模糊数学模型是一种较新的金融风险评估方法，它可以较好地处理不确定性和模糊性的问题。
该模型将金融风险看作是一个模糊的概念，通过引入模糊隶属度函数来量化风险的程度，从而进行风险评估和决策。
优点：模糊数学模型能够考虑到现实中的不确定性和模糊性，增加了评估的准确性。
缺点：模糊数学模型在实际应用中存在计算复杂度高、数据需求量大等问题。
四、Copula模型Copula模型是用于描述随机变量间相互依赖结构的数学工具，可以通过将边缘分布函数和相互依赖结构分开建模来对金融风险进行评估。
Copula模型通过刻画多个变量之间的相关性，提高了金融风险评估的准确性。
优点：Copula模型能够准确描述变量之间的相关性。
缺点：Copula模型对数据要求较高，且在实际应用中存在计算复杂度高的问题。
结论金融风险评估中的模型建立方法多种多样，每种方法都有其优缺点。
基于时变高阶矩波动模型的VaR与ES度量
（ ｔ ｉ ｍ ｅ ｖ ａ ｒ ｙ ｉ ｎ ｇ ） ， 并且这种 时变性 对资产定价 、 最 优资产组合选择、 期权定价等也有着较为显著 的 影响． 因此 ， 近年来一些学者开始通过将 Ｇ Ａ Ｒ Ｃ Ｈ
模型向高阶矩 （ 包括偏度和峰度） 推广 ， 研究高 阶
矩序列的时变性． 如Ｈ ａ ｒ ｖ ｅ ｙ ＿ １ 通过将 Ｇ Ａ Ｒ Ｃ Ｈ模
指数为例 ， 通过采用“ 从 简单模型到复杂模型” 的估计步骤 ， 实现对 时变高阶矩波动模型的估 计， 进 而运 用 Ｇ ｒ ａ ｍ— Ｃ ｈ ａ ｒ ｌ ｉ ｅ ｒ 扩 展 分 布获 得 对 Ｖ ａ Ｒ（ ｖ ａ ｌ ｕ ｅ — ａ ｔ ． ｒ ｉ ｓ ｋ ） 和Ｅ Ｓ （ ｅ ｘ ｃ ｅ ｐ ｔ ｅ ｄ ｓ ｈ ｏ ｒ ｔ ｆ ａ ｌ １ ） 两种
应（ １ ｅ ｖ ｅ ｒ ａ ｇ ｅ ｅ ｆ ｆ ｅ ｃ ｔ ） 是条 件方 差 （ ｃ ｏ ｎ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｖ ａ ｒ ｉ － ａ ｎ ｃ ｅ ） 所 具有 的两个 重要 特征 ， 其 中聚 集性 表 示 一
个大的条件方差后 面会 紧跟另一个 大的条件方
差， 杠 杆 效应 意 味着 对 资 产 价 格 负 的冲击 会 比相
王 鹏
（ 西南财经大学金融学 院， 成都 ６ １ ０ ０ ７ ４ ） 摘要： 金 融波动性建模经历 了从常数 高阶矩到时变高阶矩 的发展 历程． 文章扩展 了现有的针
对 时 变高阶矩 波动 模 型风 险测 度效 果 的研 究 ： 首先 ， 以沪深 ３ ０ ０指 数和 其 它世 界股 市若干 重要
①
阶矩、 四阶矩 的时变特征． 上述研究都得出了高阶 矩与二阶矩一样都具有波动持续性的结论 ， 但所
收稿 日 期： ２ ０ １ ０— １ １ — ２ ４ ； 修订 日期 ： ２ ０ １ １ — ０ ５— ２ ５ ． 基金项 目： 国家 自然科学基金资助项 目（ ７ １ １ ０ １ １ １ ９ ） ； 中央高校基本科研业务费专项资金资助项 目（ Ｊ Ｂ Ｋ １
金融风险管理模型
金融风险管理模型金融风险管理在现代金融领域发挥着至关重要的作用。
随着金融市场的复杂性和不确定性的增加，金融机构面临的风险也越来越多样化和严峻化。
为了有效管理风险，并保障金融机构的可持续发展，各类金融风险管理模型应运而生。
一、金融风险管理模型的概述金融风险管理模型是指应用数学、统计学和计量经济学等方法来量化和分析金融市场中的各类风险，并制定相应的风险管理策略。
其核心目标是最大限度地降低金融机构面临的风险，确保其资产安全，同时提高盈利能力和稳定性。
二、金融风险管理模型的分类根据风险类型的不同，金融风险管理模型可以分为市场风险模型、信用风险模型、操作风险模型和流动性风险模型等。
1. 市场风险模型市场风险是指金融机构在金融市场中由于市场价格波动而导致的资产价值下降的风险。
市场风险模型通常采用价值-at-Risk（VaR）等方法来进行风险度量和控制。
VaR是用来度量金融资产或投资组合在给定的时间和置信水平下可能出现的最大损失。
2. 信用风险模型信用风险是指金融机构由于债务人或其他对手方违约而遭受损失的风险。
信用风险模型主要用于评估债务人的违约概率和违约损失，并制定相应的风险控制措施。
常用的信用风险模型包括KMV模型和Jarrow-Turnbull模型等。
3. 操作风险模型操作风险是指金融机构由于内部操作失误、不当行为或系统故障等而导致的损失风险。
操作风险模型通常通过建立损失事件数据库和统计模型来对操作风险进行管理和控制。
4. 流动性风险模型流动性风险是指金融机构由于无法及时从市场中买入或卖出资产而面临的损失风险。
流动性风险模型主要用于评估金融机构的流动性风险水平，并制定相应的流动性管理策略。
三、金融风险管理模型的优势和挑战金融风险管理模型的应用可以帮助金融机构更准确地认识和评估风险，有效降低风险水平。
同时，金融风险管理模型可以提高金融机构的决策效率和风险管理能力，提高企业盈利水平和竞争力。
然而，金融风险管理模型也面临着一些挑战，如模型参数的不确定性、模型假设的限制性和模型的操作复杂性等。
金融风险控制中的量化分析模型
金融风险控制中的量化分析模型随着金融市场的不断发展和变化，在风险控制方面，传统的试错和经验法则已经不能满足现代金融市场所需的有效风险控制。
此时，量化风险控制模型就应运而生。
量化风险控制模型是现代金融市场上风险控制的主流方法之一，它以数学和计算机模拟为基础，为银行、投资管理公司、保险公司等机构提供了重要的风险控制工具，可以更好地帮助市场参与者有效降低风险。
一、量化风险控制模型的类型在量化风险控制模型中，主要分为市场风险、信用风险和操作风险三种类型。
市场风险是指受到市场变化带来的影响，以及资产价格变动、利率、汇率等因素的变化，而导致的风险。
信用风险是指由借款人无法按时还款或违约等情况引起的风险，这种风险不仅会对银行贷款造成损失，还会对整个金融市场造成负面影响。
操作风险则是指由银行或金融机构的内部操作失误或欺诈造成的损失。
二、量化风险控制模型的运用在市场风险的控制中，VAR（VaR）模型是一个常用的指标。
VAR是一种用于度量金融市场风险的方法，是一条标准化的风险收益曲线图，它可以在不同时间段内预测一项资产的风险价值。
VAR的计算包括两个部分，第一个部分是确定风险的概率分布，第二个部分是计算最大预期损失。
在信用风险的控制方面，违约概率模型和违约损失模型是常用的方法。
违约概率模型可以用来评估违约的概率，而违约损失模型可以用来评估违约的损失。
这两种模型通常是相互关联的，它们的主要目的是给金融机构提供对资产质量进行量化的评估方法，从而帮助机构有效控制信用风险。
在操作风险的控制中，事件树模型和Monte Carlo模拟模型是两种常用的方法。
事件树模型主要用于评估风险事件的发生概率和损失程度，而Monte Carlo模拟模型可以预测各种不确定因素下的风险，它的主要目的是帮助银行或金融机构定量评估操作风险。
三、量化风险控制模型的优势相对于传统的方法，量化风险控制模型具有以下优点：1. 它可以定量衡量风险，这在传统的风险控制方法中是难以实现的。
金融风险管理中的VaR模型及应用研究
金融风险管理中的VaR模型及应用研究在金融投资中，风险管理是一项关键性工作。
为了规避风险，投资者需要采用不同的方法对风险进行测算、监控和控制。
而其中，以“价值-at-风险”（Value-at-Risk，VaR）模型为代表的方法，成为许多金融机构和投资者对风险管理进行实践的重要途径。
本文将从VaR模型的概念、计算方法、应用研究等方面进行分析探讨。
一、VaR模型的概念和计算方法VaR是指某一风险投资组合在未来一段时间内，尝试以一定置信度（通常为95%、99%）估计其最大可能损失金额。
VaR分析的目的是定量化风险，并作为投资者制定投资决策的重要参考依据。
VaR模型的计算方法包括历史模拟法、蒙特卡洛模拟法和正态分布法。
历史模拟法利用历史价格数据，模拟投资组合的未来价值变化；蒙特卡洛模拟法则采用随机方式，给出多种可能的结果；正态分布法基于正态分布假设，可以采用数学公式得出VaR数值。
在实际应用中，不同的计算方法适用于不同的投资组合和风险管理要求。
二、VaR模型应用研究的进展VaR模型在金融投资中的应用已经逐步成为一项主流的风险管理方法。
然而，在实践应用中，VaR模型存在一些局限性和问题，如对极端事件的处理能力不足、对交易流动性和市场风险变化的关注不足等。
针对这些问题，学者们开展了一系列研究，并不断改进VaR模型。
例如，将VaR模型与条件风险价值（CVaR）模型相结合，可更好地处理极端风险；利用高频数据和机器学习等方法，可提高计算结果的准确性和实时性；同时，还可以通过分层支持向量回归（Layered Support Vector Regression）等方法，对VaR值进行修正和预测。
随着技术和数据处理手段的不断改进，VaR模型在未来的风险管理中的应用将更加广泛和完善。
三、VaR模型的局限性虽然VaR模型在风险管理中有着广泛的应用，但也有一些局限性。
首先，VaR 模型往往基于假设性条件，对于一些极端风险和非线性风险等难以做出准确预测。
金融风险管理中的VaR模型及其应用
金融风险管理中的VaR模型及其应用随着金融市场的不断发展，相对应的金融风险也越来越复杂和多样化。
如何有效的管理金融风险，成为了金融从业者面临的一个重要挑战。
为了解决这个问题，现代金融学中出现了大量风险管理工具和方法。
其中，VaR模型是最为广泛应用的一种方法。
本文主要探讨VaR模型的理论和应用，以及VaR方法存在的问题和不足。
一、VaR模型的理论及原理VaR是Value-at-Risk（风险价值）的缩写，是指在一定时间内，金融资产或投资组合可能面临的最大损失额。
VaR的计算基于统计学和概率论的方法，通过建立某一信赖度下的损失分布模型，来评估风险承受的能力和预算分配。
VaR模型一般可以分为历史模拟法、蒙特卡罗模拟法和参数法。
历史模拟法是通过分析历史数据，估计未来的风险情况。
蒙特卡罗模拟法则是对未来的随机走势进行模拟，计算出在不同情况下的风险承受能力。
而参数法则是利用历史数据和统计分析的方法，建立确定性模型，通过拟合数据和计算偏差来确定最终的VaR值。
二、VaR模型的应用VaR模型从早期在金融领域的应用，逐渐扩展至其他行业领域。
目前，VaR模型在证券、银行、保险、商品交易等金融市场中被广泛应用。
VaR模型的应用可以帮助金融机构更好的定量化风险，评估预算和风险承受能力，以便更好地进行风险管理和投资决策。
金融机构和投资者可以通过对VaR值的计算和应用，有效降低风险损失，增强风险管理和监控能力。
三、VaR模型的问题和不足尽管VaR模型已经成为金融风险管理的一个重要工具，但是该模型还存在一些问题和不足。
首先，VaR模型对强尾风险和极端事件的敏感度较低。
因为VaR是基于历史数据和概率论的方法，只能分析相对稳定的市场环境和正态分布的情况，不能充分考虑市场变异性和不确定性，对非线性风险和风险爆炸的情况表现较弱。
其次，VaR模型在计算时对模型的可靠性具有一定要求。
如果数据缺失或者偏差较大，模型的精度和有效性将大大降低。
金融市场中的风险管理模型
金融市场中的风险管理模型金融市场风险管理一直是金融机构和投资者关注的重要议题。
为了降低风险并提高稳定性，各种风险管理模型被开发出来。
本文将介绍几种常见的金融市场风险管理模型，并探讨其优缺点。
一、VaR（Value at Risk）模型VaR模型是金融市场风险管理中最为常见和广泛使用的模型之一。
该模型通过测量资产组合在未来某一时间段内可能面临的最大损失来评估风险水平。
VaR模型基于历史数据和概率统计方法，可以量化风险暴露并帮助投资者做出决策。
VaR模型的优点是简单易懂、计算方便、快速，适用于多种金融资产类别。
然而，VaR模型忽视了极端风险事件的可能性，对于非正态分布的资产表现不佳，并且对于市场流动性风险和系统性风险的测度有限。
二、ES（Expected Shortfall）模型ES模型是对VaR模型的一种改进。
ES模型不仅考虑了资产组合在某一时段内可能面临的最大损失，还考虑了在给定置信水平下可能的平均损失水平。
ES模型可以较好地处理极端风险事件，并更好地反映资产组合的风险特征。
ES模型的优点是更为全面地测量了资产组合的风险，并能够较好地应对非正态分布和极端事件。
然而，ES模型的计算复杂度高，需要更多的历史数据支持，对数据的依赖性较强。
三、Copula模型Copula模型是一种基于概率论的统计模型，用于描述多个随机变量之间的相关性结构。
在金融市场中，Copula模型常用于评估多个金融资产之间的相关性及其对整体风险的影响。
Copula模型的优点是能够准确测量不同资产之间的相关性，包括线性相关和非线性相关。
它可以更好地反映资产组合的整体风险，具有很高的灵活性。
然而，Copula模型也存在一些问题，例如对假设的敏感性较高，需要合适的数据样本支持。
四、风险平价模型风险平价模型是一种基于资产配置的风险管理模型。
该模型通过将投资组合中的风险均等分摊到不同资产上，以实现风险的最优配置。
风险平价模型通过降低个别资产的风险敞口，以提高整体投资组合的稳定性。
金融风险度量工具VaR和ES的比较分析研究
金融风险度量工具VaR和ES的比较分析研究在金融风险管理领域，风险度量是关键的一部分。
其中，Value at Risk (VaR) 和 Expected Shortfall (ES) 是两种主要的风险度量工具。
这两种方法在计算原理、应用范围以及对风险类型的衡量上存在一些差异。
首先，VaR是一种历史模拟法，它基于过去的统计数据来估计未来某一特定时间点的潜在损失。
具体来说，VaR是衡量在正常市场环境下，一定置信水平下，某一特定投资组合在特定期限内可能的最大损失。
例如，一个投资组合的95% VaR是指在置信水平为95%的情况下，该投资组合在未来24小时内可能损失的最大值为100万。
相比之下，ES，也称为条件在险价值（Conditional Value at Risk, CVaR）或预期短缺，是一种更为复杂的风险度量工具。
与VaR不同，ES衡量的是在一定置信水平下，投资组合在未来特定时间内损失超过VaR的概率。
因此，ES考虑了那些超过特定VaR水平的潜在损失，这是VaR所没有涵盖的。
此外，VaR和ES在处理极端事件和尾部风险时的表现也有所不同。
VaR对尾部风险的处理相对较弱，它主要关注的是正常市场环境下的风险。
而ES则更加强调尾部风险，它能够更好地捕捉和衡量极端事件可能带来的损失。
因此，对于那些可能面临严重尾部风险的金融机构来说，使用ES作为其风险度量工具可能更为合适。
总的来说，VaR和ES都是重要的风险度量工具，但它们在应用范围和衡量风险类型方面存在差异。
在实际应用中，应根据具体的需求和场景选择合适的风险度量方法。
例如，对于日常风险管理，可能更倾向于使用VaR，因为它相对简单且能够满足大多数日常风险管理的需要。
然而，对于那些可能面临严重尾部风险的金融机构来说，使用ES可能更加合适。
同时，应该注意到，没有任何一种风险度量工具可以完全准确地预测未来可能发生的所有风险。
因此，在实践中，应结合使用多种风险度量工具，以便更全面地了解和管理潜在的风险。
金融风险度量工具VaR和ES比较分析研究
金融风险度量工具VaR和ES的比较分析研究中图分类号：f832 文献标识：a 文章编号：1009-4202（2010）11-056-02摘要深受各金融机构及管理者青睐的var存在致命的缺陷——不具有次可加性，而es风险测度则满足一致性条件，且配合极值理论的发展，成为最具潜力的风险度量工具。
关键词金融风险度量 var es 一致性风险度量一、引言近二十多年来，由于受经济全球化、现代金融理论及信息技术等因素的影响，全球金融市场迅猛发展。
这导致各国金融市场的开放程度不断加深，资本在全球范围内大量、快速地自由流动。
风险特性不同的各类资本在全球金融市场的重新配置、重新组合，极大地改变了全球金融市场的运行方式和风险表现，金融市场呈现出前所未有的波动性。
同时，金融机构为规避金融风险、提高竞争力、逃避管制而展开的金融创新活动，在管制放松和技术进步的刺激下异常活跃。
金融创新导致了高风险衍生金融市场的快速扩大，而衍生产品本身就是金融市场风险加剧的产物，虽然其目的在于对基础金融资产存在的各种风险进行分解、剥离、组合、定价和交易，但事实上，金融创新加大了金融市场的易变性，从根本上增加了金融动荡的可能性。
一个风险因子的微小波动都有可能引起组合价值的极大震荡。
从而风险管理工作者对金融风险度量工具的研究工作也就日渐成为日常工作的重点。
二、var与es方法概述（一）var方法概述var（value-at-risk）的字面意思就是“在险价值”，是1994年由jpmorgan投资银行在其开发的风险管理系统 riskmetrics中引入的，它可以对金融机构的资产组合提供一个单一的风险度量。
现在var已经被巴塞尔委员会用来计算世界上不同地区的银行的资本金。
其定义为：在一定时期（n天）和正常的市场条件下，某一金融资产或投资组合在给定置信区间（）内，可能遭受的最大损失。
var是两个变量的函数：时间展望期及置信区间。
其数学表达式为：var 。
天天基金专题研究：风险价值（VaR）与期望损失（ES）简析
天天基⾦专题研究：风险价值（VaR）与期望损失（ES）简析衡量极端损失的风险度量指标报告摘要：风险价值(VaR)与期望损失(ES)--- 衡量极端损失的风险度量指标。
⽐起收益率波动幅度，投资者往往更为关⼼投资组合的极端损失风险，VaR与ES即为衡量投资组合极端损失风险的常⽤指标。
VaR的含义为在⼀定的概率⽔平下，某⼀投资组合在未来特定时期内的最⼤可能损失；⽽ES的含义为当投资组合的损失超过VaR阀值时所遭受的平均损失程度。
由于ES在VaR的基础上进⼀步考虑了出现极端情况时的平均损失程度，因此可以更为完整地衡量⼀个投资组合的极端损失风险。
从过去五年Var和ES与业绩表现的相关性来看，⽆论是VaR还是ES均与基⾦的累计收益率呈显著负相关，即VaR或ES越⼩，基⾦的累计收益率往往会越⾼。
⽽ES与累计收益率的Spearman秩相关系数、t值和p值均明显⼩于VaR与累计收益率的Spearman秩相关系数、t值和p值。
这表明ES与累计收益率的负相关性⽐VaR更强，并且也更为显著。
从过去五年的累计收益率来看，VaR最⼩的10只股基组合和ES最⼩的10只股基组合分别取得了81.47%和90.35%的累计收益率，⽽同期中证股票基⾦指数和沪深300指数则分别上涨49.60%和28.18%。
可以看到⽆论是VaR组合还是ES组合均能够对中证股票基⾦指数获得可观的累计超额收益。
⽽ES组合的累计收益率持续跑赢VaR组合的累计收益率，表现略胜⼀筹。
这与VaR和ES与业绩表现相关性的检验结果相⼀致。
建议投资者在考察股票型基⾦的极端损失风险⽔平时优先考虑ES指标。
VaR与ES均与基⾦的业绩表现呈显著负相关，通过VaR和ES筛选出的两组基⾦组合也均能够实现明显超越市场平均⽔平的收益。
⽽ES由于进⼀步考虑了投资组合的损失超过风险阀值(即VaR)时的平均损失程度，因此能够更为完整地反映出投资组合的极端损失风险。
ES与基⾦业绩表现的负相关性更强且更为显著，通过ES指标筛选出的基⾦组合在累计收益率上也较VaR组合略胜⼀筹。
var和es的计算方法
var和es的计算方法VAR(Variance)和ES(Expected Shortfall)是两种常用的风险度量方法，它们都用于评估金融资产或投资组合的风险水平。
下面将详细介绍这两种方法的计算步骤和应用。
一、VAR计算方法VAR是测量金融资产或投资组合在给定置信水平下的最大可能损失的方法。
一般来说，VAR计算方法有以下几个步骤：1.选择时间周期：首先需要确定计算VAR的时间周期，例如日度，周度或月度等。
2.收集历史数据：获取金融资产或投资组合的历史收益率数据，在所选的时间周期内进行收集。
3.计算收益率：使用所收集的历史数据，计算每个时间周期内的收益率。
收益率可以通过简单收益率或对数收益率来计算。
4.计算均值和标准差：使用收益率数据，计算其均值和标准差。
均值代表预期收益率，标准差代表风险水平。
5.设定置信水平：根据需求，设定VAR的置信水平，例如95%或99%等。
6.计算VAR：利用均值、标准差和置信水平，通过统计分析方法计算VAR。
例如，对于置信水平为95%，VAR可以计算为均值减去1.645倍标准差。
VAR的计算方法基于历史数据，它的优点是简单易用，可以直观地评估风险水平。
然而，由于它只考虑历史数据，不考虑未来可能发生的事件，因此可能存在一定的局限性。
二、ES计算方法ES是在给定置信水平下，预期损失的平均值。
与VAR相比，ES提供了在超过VAR的损失发生时的额外信息。
ES的计算方法如下：1.选择时间周期和置信水平：与VAR类似，首先需要确定计算ES的时间周期和置信水平。
2.收集历史数据：获取金融资产或投资组合的历史收益率数据，在所选的时间周期内进行收集。
3.计算收益率：使用所收集的历史数据，计算每个时间周期内的收益率。
4.排序数据：将收益率数据按照从小到大的顺序排列。
5.确定VAR：根据所选置信水平，确定VAR对应的损失值。
例如，在95%置信水平下，VAR对应着最差的5%的损失值。
6.计算ES：将超过VAR的损失值累积起来，求其平均值即可得到ES。
银行业的风险评估模型
银行业的风险评估模型现代社会，银行业作为金融体系的重要组成部分，对于经济的发展和稳定起着至关重要的作用。
然而，由于金融业务的特殊性以及外部环境的不确定性，银行面临着各种潜在风险。
因此，建立一套有效的风险评估模型对于银行业来说至关重要。
本文将介绍银行业的风险评估模型，并探讨其在提高金融机构风险管理能力方面的重要性。
一、风险评估模型的概念与意义风险评估模型是银行业用来识别、度量和控制潜在风险的工具。
它通过对银行业务的各个方面进行全面的分析，帮助银行准确评估风险水平，并采取相应的风险管理策略。
风险评估模型的意义在于帮助银行提前预警，降低不良风险，并确保稳健经营。
二、常用的风险评估模型1.风险价值模型（Value at Risk，VaR）VaR模型是当前普遍使用的风险评估方法之一。
它通过量化金融投资组合面临的风险，估计在一定置信水平下的最大可能损失。
VaR模型具有简单直观、易于计算和适应性强的特点，是诸多金融机构首选的风险评估模型。
2.条件风险模型（Conditional Value at Risk，CVaR）CVaR是VaR的一种补充模型，它不仅考虑到风险的发生概率，还关注了损失超过VaR时的风险水平。
CVaR模型在风险超过VaR时提供了更为准确的预测，能够帮助银行更好地应对极端事件。
3.风险投资组合模型风险投资组合模型是综合考虑不同投资项目的风险特征，通过优化权重分配，达到最优的风险收益平衡。
该模型对于银行业而言，有助于降低整体风险，提高资本回报率。
三、风险评估模型的应用与挑战1.风险评估模型在金融机构的应用银行业通过风险评估模型来制定风险管理策略，明确风险承受能力，并提前应对可能的风险事件。
通过风险评估模型，银行能够更好地控制资产负债风险、流动性风险、信用风险等，提高自身的应变能力。
2.风险评估模型面临的挑战尽管风险评估模型在提高风险管理能力方面具有重要作用，但也面临着一些挑战。
首先，模型的准确性和稳定性是一个难题，需要经过长期实践和数据验证。
金融风险管理中VaR模型的应用分析
金融风险管理中VaR模型的应用分析金融领域中的风险管理是一个非常重要的问题，而VaR模型是目前最常用的风险管理模型之一。
VaR是Value at Risk的缩写，即“风险价值”。
它是评估资产组合风险并帮助投资者制定管理策略的一种数学模型。
本篇文章将从VaR的概念、计算方法、优缺点以及具体应用等方面入手，来分析VaR模型在金融风险管理中的作用。
一、VaR的概念VaR模型是一种风险预测模型，用于衡量投资组合在特定时间段内的亏损概率。
VaR模型是根据某一个置信区间内的最大亏损额来计算的，常见的置信水平为95%或99%。
比如，一个100万元的投资组合，95%置信区间的1日VaR为2万元，意味着这个组合在一天内亏损超过2万元的概率为5%。
二、VaR的计算方法VaR模型的计算方法有三种：历史模拟法、蒙特卡罗模拟法和参数法。
历史模拟法是通过历史数据的变动情况来计算VaR的方法。
这种方法的优点是简单易行，但它的缺点也非常明显，因为它是基于历史数据的变动情况来计算未来的风险情况，而历史数据不能完全反映未来的情况。
蒙特卡罗模拟法是通过随机模拟生成某一投资组合的概率分布情况，从而计算出VaR。
这种方法是目前比较流行的计算VaR的方法。
它通过对投资组合进行大量的随机模拟，获得了更加准确的VaR计算结果，但是这种方法所需的计算资源较大，计算过程也比较复杂。
参数法是通过对投资组合的风险因素进行参数估计，通过建立概率分布函数来计算VaR。
这种方法的优点是计算速度快，计算精度高。
三、VaR模型的优缺点VaR模型作为金融风险管理中常用的模型，有其优点和缺点。
首先是VaR模型的优点。
VaR模型作为一种风险预测模型，可以帮助机构在风险管理方面更好地进行投资决策，降低损失风险，避免资产净值的波动。
这项模型具有普适性，可以应用于各个金融领域，覆盖了金融投资领域的风险管理。
VaR模型的计算方法简单明了，用户只需要输入相应的数据，即可得出具体的VaR值。
金融风险管理中的VaR模型应用
金融风险管理中的VaR模型应用金融风险管理在过去数十年来逐渐成为了金融行业的重要部分。
作为金融风险管理的主要工具之一，VaR（Value at Risk）模型已经被广泛应用于金融机构和投资者的风险控制过程中。
VaR是对在特定时间内的损失风险进行测量和管理的一种方法，它有助于机构了解损失的潜在规模和可能性，从而制定适当的风险控制策略。
VaR模型的基本概念VaR模型是通过控制风险敞口来降低投资组合损失的风险管理方法。
它通过利用历史数据或模拟数据来估算投资组合在特定时间内的最大可能损失。
VaR是在一定概率水平下，某一固定时间内的预期最大损失。
换句话说，VaR实际上是衡量我们在市场风险方面所能承受的最大损失。
现代金融市场中有许多不同类型的VaR模型。
其中，最常见的模型包括历史模拟模型、蒙特卡洛模型和分布模型。
历史模拟模型是基于历史交易数据来计算VaR的模型。
这种模型通常是通过对历史交易数据进行分析和模拟计算出最大的可能损失。
历史模拟模型不需要假设价格的分布，因此可以更好地适应市场的变化。
但是，它不能解释新的市场情况，因为它只能反映历史市场情况。
蒙特卡洛模型是通过对股票价格或其他金融变量的未来价格进行随机模拟来计算VaR的模型。
这种模型通常可以反映新市场情况，并且准确度较高。
但是，由于需要进行大量计算，因此需要较高的计算能力，计算效率低下。
分布模型是通过假设市场价格符合特定的分布形式来计算VaR的模型。
这种模型通常需要对市场进行统计分析，并对数学模型进行假设。
分布模型可以反映市场概率分布，但是对于市场变化较大的情况，其准确度可能较低。
VaR模型的应用VaR模型是风险控制的重要工具之一，它可以被应用于任何类型的投资组合和资产。
对于银行和其他金融机构来说，VaR模型通常被用来量化和控制市场风险、信用风险和操作风险等各个方面的风险。
对于股票和股票型基金的投资者，VaR模型可以帮助他们计算在特定时间段内股票价格下跌的可能性以及可能的损失。
VaR模型及其在金融风险管理中的应用
信用风险度量模型信用风险度量模型（Credit Risk Measurement Model）信用风险度量模型的概述信用风险(credit risk)是指由于借款人或市场交易对方违约而导致损失的可能性，以及由于借款人的信用评级的变动和履约能力的变化导致其债务的市场价值变动而引起的损失的可能性。
从该定义可以看出。
信用风险由两部分组成，一是违约风险，指交易一方不愿或无力支付约定款项致使交易另一方遭受损失的可能性；二是信用价差风险，指由于信用品质的变化引起信用价差的变化而导致的损失。
新巴塞尔协议对银行的资本要求允许各国银行可以采用内部模型来度量信用风险。
由于20世纪90 年代里，公司倒闭的结构性增加、脱媒效应的显现、竞争的白热化、担保能力的下降、金融衍生品的急剧膨胀、信息技术的飞速发展等因素促使人们加强对信用风险的研究，从而涌现出了现代信用风险度量模型。
信用风险度量模型的类别目前国际上运用较多的现代信用风险度量模型主要有：KMV公司的KMV模型、JP摩根的信用度量术模型(ceditmetrics mode1)、麦肯锡公司的宏观模拟模型(credit portfolio view)、瑞士信贷银行的信用风险附加法模型(cridetrisk+)、死亡率模型(mortality rate)等。
在巴塞尔新资本协议即将实施的背景下，结合国有商业银行的具体情况，对这些模型进行适用性分析，对加强国有商业银行的风险管理具有重大意义。
(一)KMV模型KMV模型是由KMV公司利用默顿的期权定价理论开发的一种违约预测模型，模型的核心分析工具是预期违约频率EDF(expected delinquency frequency)，它的原理是银行贷款相当于向债务人卖出一个看跌期权，当企业资产的市场价值超过企业的负债时，企业有动力偿还贷款，当企业资产的市场价值低于债务时，企业会行使期权，选择违约。
KMV模型根据借款公司的股票价格波动计算EDF，通过EDF来计算违约损失额LGD。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
$%& 是指在正常的市场条件和给定
的置信区间内，任何一种金融资产或资 产组合在既定时期内所面临的市场风险
大 小 和 可 能 遭 受 的 潜 在 最 大 价 值 损 失 。 方面也逐步得到应用。 它 这 一 定 义 体 现 了 $%& 测 量 的 综 合 性 ， 充分考虑了金融资产对某种风险来源 （ 例如利率、 汇率、 股票价格指数等基础 性金融变量）的敞口和市场逆向变化的 可能性，以最简单的形式将不同市场因 子、 不同市场的风险集成为一个数， 较为 准确地测量了由不同风险来源及其相互 作用而产生的潜在损失，较好地适应了 金融市场发展的动态性、复杂性和全球 整合性的趋势。 但是， $%& 本质上只是一 个统计估计值，而不是一种独立的风险 度量方法，对风险因素的不同预测模型 计算出来的风险数据各不相同。 $%& 的 计算方法很多， 常用的主要有 ABCBD?3E%5 的 &-./D*,3-<. 方 法 、 F-.,?3-<%( 9-G)(%H 二、在一致性风险度量体系下定义 和比较 !"# 和 $% 尽 管 $%& 在 对 风 险 进 行 定 量 计 算 上发挥着不可或缺的作用，但是在一致 性风险度量体系下其固有的缺陷一览无 遗。而 23,45*3 提出的 89 模型则较好地 我 弥 补 了 $%& 在 各 方 面 的 缺 陷 。 下 面 ， 们首先引出“ 一致性风险度量” 的概念， 并对 $%& 和 89 进 行 精 确 的 数 学 定 义 和 性质比较。
*6:D 有 排 除 高 于 #$% 值 的 损 失 发 生
)
国际清算银行） 将这种风 的可能性， +,) （ 险称为“ 尾部风险”
0*"1
’6>?"%$&。
从以上定理可知， 虽然 >? 是损失在
>? 刚 好 考 虑 的 是 尾 部 损 失 的 期 望
值大小，因此从一定意义上讲排除了尾 部风险。 !"# 的尾部风险则可能导致投 资者错误地认为那些具有高的潜在损失 的资产组合的风险小于具有低的潜在损 失的资产组合。
渐 成 为 金 融 风 险 管 理 的 国 际 统 一 标 准 。 现代风险管理的新时代。 $%& 技术的诸 如它主 但是， $%& 也具有明显的局限性， 要衡量市场正常变动情况下市场风险的 有效测量，不能处理金融市场处于极端 价格变动的情形， 且不具备凸性， 不能反 映出分散化效应等等。 针对 $%& 风险管 理技术存在的不足， 23,45*3 ’6##706###1 提 出 了 89 （ 8:;*<,*= 9>?3,@%((0 中 文 译 为 “ 预期损失” ） 这一全新的风险度量技术。 一、 !"# 风险度量技术回顾 多优点决定了其应用领域的广泛性， 已 被全球各主要银行、非银行金融机构和 金融监管机构广泛用于风险测量、绩效 评估、 风险头寸设定、 资本分配决策和风 险监管等方面。 无论是巴塞尔委员会， 还 是主要发达国家的央行，都在大力推广 应用 $%& 技术。目前国外一些大型金融 机 构 已 将 其 所 持 有 的 金 融 资 产 的 $%& 风险值作为定期公布的会计报表的一项 重要内容。同时，随着技术的成熟和发 展， $%& 的 应 用 已 不 仅 仅 局 限 在 金 融 市 场风险的测量方面，近年来在信用风险
DOI:10.13546/ki.tjyjc.2003.12.010
WXWYZMXZI2Z
理论新探
曾子岚
从
$ %&到 89
9,3*.. I*.,-5E 方 法 、 F*%JK ,-?5 方 法 、 I%-( 方 法 及 9,3)<,)3*= D?5,* L%3(? 方 法
等。 较之以往的风险度量技术， $%& 技 术具有以下特点：它不仅能计算单个金 融资产的风险，而且可以计算投资组合 的整体风险； 不仅能进行事后风险衡量， 而且可以在事前计算风险；同时具有简 便易用和可操作性。可以说 $%& 引发了 金融风险管理方式的深刻变革，开创了
!"#"%$&’6$%"&称 为 在 置 信 水 平 （ 76" ） 性质比较
-" 从实际运用的角度看， () 依赖于
估计的稳定性及有效的向后测试方法的 选择 由 于 >? 考 虑 的 是 损 失 超 过 !"# 的 条件期望值，故尾部分布的估计对于计 算 >? 来说是至关重要的。 但是采用传统 方法来估计很困难，例如在正常市场情
!@’:1=:0@’:1为 M 的密度函数。
+V
!"一致性风险度量公理化体系
如果用风险和效用函数对投资组合 偏好关系进行衡量的结果相同，则该风 险度量方式与期望效用最大化是一致 的。 23,45*3’6###1提出了一致性风险度量
但是现实情况中更多的风险来源于 非连续状态风险，如非交易型贷款组合 或者包含衍生工具的投资组合，故我们 主要讨论更具代表性的一般分布情形下 的风险。
#" 在 一 致 性 风 险 度 量 体 系 下 审 视 $%& 和 ’( 的不同性质
（ 6） $%& 的定义和性质 以 M 表示资产组合的损益， 给定时 间间隔内和置信水平（ 下 的 $%& 记 6+% ） 对 于 连 续 状 态 下 的 $%&%’M1 为 $%&%’M1，
$%&# ’M1
满足 %S
! 变 换 不 变 性 ： " !# 满 足 ， !"#" %$8"&’!"#"%$&8" ； #正 齐 次 性 ： 9:; 满 足 !"#" %9-&’ 9!"#"%$&；
即 $ !"#" 与 一 阶 随 机 占 优 一 致 ， ； $7#+3< $=$!"#"%$7&"!"#"%$=& %若 $ 满 足 椭 圆 分 布 且 具 有 有 限 方差， 则 !"#"%$&’>$8(" !!%$& ；
统计与决策 !"" # 年第 $! 期（总第 $%& 期）
6#
理论新探 PGPQR$GRSMR
由定义可知， !"# 实 际 上 是 关 于 分 有必 位 数 的 估 计 。 所 以 定 义 !"# 之 前 ， 要先定义分位数。 定义： $ %"&’("%$&’)*+,- !#./0$ "-1 # ， 若 >0$ 61CDA 对 于 " ! （ ;， 7） 5J)H
"2 称 为 $ 的 " 下 分 位 数 ； $ %"& ’(" %$&’345 ,-!#./ 0$"-1""2 称 为 # 的 " 上 分 位
数。显然 $%"&"$ 。
%"&
定义（ ： !"#） 下的风险值。 主要性质如下：
!"# 水平之上的平均损失值，但其计算 可以不依赖于 !"# 的计算。 三、 !"# 和 $% 在 风 险 度 量 方 面 的
N1"!’M1O!’N1P
（ ! ）正齐次性 Q!3BJMB>R" ， 满 足 !
’>M1S>!’M1P
（ 变换不变性： T） !3BJM0%"&0 满 足 !
’MO%1S!’M1O%P
（ 单 调 性 ： !3BJBM0N0M "N ， 满足 U）
!’M1"!’N1B
次可加性意味着投资组合的风险值 不超过其各个组成部分的风险值之和。 当各个部分的风险完全相关时，整体风 险等于各个部分风险之和。否则由于风 散化效应，整体风险将小于部分风险之 和。次可加性对于银行的监管来说是至 关重要的。 若每个部门资金充足的话， 则 整个银行的资本金也是充足的。但如果 违反了次可加性，则无法保证银行作为 一个整体具有充足的风险资本准备金。 次可加性也是资产组合决策问题的一个 基本条件，只有当资产组合的风险度量 平面是凸平面时才存在唯一的最优组合 决策。因此满足次可加性对一致性风险 度量来说是非常重要的。
从 以 上 对 !"# 和 >? 的 性 质 分 析 可 以看出， >? 是比 !"# 更为优良的统计估 计值， 运用 >? 技术进行风险度量可以避 起到金融风险优化 免 !"# 的 内 在 缺 陷 ， 的 作 用 。 下 面 从 K 个 方 面 对 !"# 和 >? 在风险度量方面的性质加以比较。
,$"("2
&"#$% 只 满 足 一 阶 随 机 占 优 ， 不 满
足二阶随机占优，而二阶随机占优考虑 了投资者的偏好问题 （ 假定投资者为风 险厌恶的） 我们知道，只有严格风险厌恶假设 下的效用函数是凹的，才存在唯一的最 优投资组合。由 !"# 进行风险管理的结 果很可能得出与效用最大化目标相违背 的结果。 但我们由 >? 的性质知它是满足 二阶随机占优的， 从这个意义上来说， >? 更符合理性化条件。 但 () 满 足 ’"#$% 不满足次可 加 性 ， 这一性质 次可加性意味着具有组合风险分散 化效应，违背次可加性将对风险资本金 的 分 配 和 #M#N@ 风 险 管 理 模 型 的 设 计 产生了较大的困难，给全面风险管理带 来很大的障碍，同时本来由于风险分散 化效应使得金融机构能用比理论潜在损 失少得多的资本来运作的好处也不存在