FRM Part II — Market Risk Measurement Management

📈 Your progress: 0% (tick ☑ boxes as you master each chapter)

市场风险 · 度量总述

1. 估计市场风险度量：历史法与参数法

要点：historical simulation · parametric VaR（normal / lognormal）· expected shortfall · coherent risk measures · quantile standard errors · QQ plots

🇨🇳 中文导览

本章是整个市场风险模块的计算引擎：用两条路线估计 VaR——历史模拟法（不假设分布，直接排序取分位）与参数法（假定正态或对数正态分布）；再用预期尾部损失 ES 补上 VaR「看不到尾部」的缺陷；最后掌握分位数估计的精度（标准误）与检验分布假设的 QQ 图。核心结论先过一遍：

三口径收益：P/L 损益、算术收益 r（不假定再投资，不适合长期）、几何收益 R = ln[(P_t + D_t)/P_{t−1}]（连续复利，价格恒正——对应对数正态世界）。惯例：损失报正数。
历史模拟法：把历史收益从小到大排序，取第 k 个最差观测。本教材口径 k = α×n + 1（n=1000、95% → 第 51 个）；过往考试也出现过 k = α×n 的口径（第 50 个）——答题先看题目明示的口径。
参数法（正态）：VaR = −μ_P/L + σ_P/L × z_α（μ 为 P/L 均值，盈利为正；μ 符号是最常见陷阱）。95% 单侧 z=1.645、99% 单侧 z=2.326（教材例题沿用 1.65 / 2.33）。算术收益版同构，再乘期初价值 P_{t−1}。
参数法（对数正态）：VaR = P_{t−1} × (1 − e^{μ_R − σ_R × z_α})；适合价格恒正、右偏的资产；短周期下与正态版结果接近。
ES 与一致性测度：ES = 损失超过 VaR 后的平均损失（把尾部切成 n 片、对 n−1 个 VaR 求平均）；更一般的一致性风险测度对整个损失分布的分位数加权平均（权重由风险厌恶函数决定），ES 是其特例。
精度与检验：分位数标准误 se(q) = √(p(1−p)/n) ÷ f(q)——n 越大、bin 越宽、尾部概率越小，估计越准；QQ 图判断样本是否来自假设分布（线性=匹配，尾部弯曲=厚/薄尾）。

关键术语：historical simulation历史模拟法、delta-normal VaRδ-正态 VaR、expected shortfall (ES)预期尾部损失、coherent risk measure一致性风险测度、quantile standard error分位数标准误、QQ plot分位数-分位数图。

🧭 知识网位置本章是市场风险「估计链」的第 1 环：估计方法（本题：历史/参数）→ 非参数与极值（第 2–3 章）→ 回测与验证（第 4、6/7 章）→ 应用（第 5 章映射、第 14 章 FRTB）。本章之后 → 第 2 章 · 非参数方法第 3 章 · 极值理论 EVT 第 4 章 · 回测 VaR

1.1 收益与损益的度量（预备）returns & P/L

这一节是后面所有公式的「记账规则」，三个要点：①惯例上损失报正数（说 "expected loss is $1M"，不说 "expected profit is −$1M"）；②算术收益假定中间分红不再投资，因此不适合长期口径；③几何收益用连续复利，保证价格永远不为负——这就是"对数正态"世界的入口。考试常考"哪种收益口径对应哪种分布/场景"的配对。

three conventions ⭐ P/L_t = P_t + D_t − P_{t−1}
Arithmetic r_t = (P_t + D_t − P_{t−1}) / P_{t−1}
Geometric R_t = ln[(P_t + D_t) / P_{t−1}]
算术收益：不假定再投资 → 不适合长期；几何收益：连续复利 → 价格恒正。短周期内两者结果接近。

1.2 历史模拟法 Historical Simulation 历史模拟法

最简单的 VaR 方法：把历史收益从小到大排序，找"尾部与主体分界"的那个观测。本教材的定位公式是 k = (α×n) + 1（n=1000、95% → 第 51 个最差）；但教材明确提示"过往考试中也出现过直接用 α×n（第 50 个）"——答题先看题目给的口径。优点：无需分布假设、贴近现实；软肋：前提是"未来与过去同分布"，无法应对经济环境或参数的突变。

历史法 VaR 定位 ⭐ k = α × n + 1 （α = 1 − 置信水平；n = 观测数）
例：n=1000、95% → k = 0.05×1000 + 1 = 第 51 个最差观测（本教材口径）。过往考试出现过 α×n = 第 50 个的口径——以题目给定口径为准。

教材例：从直方图读 VaR

在 1,000 个月度收益的分布中，95% 置信水平对应的收益为 −15.5%。若投资 $1,000,000，则一个月 VaR = 15.5% × $1,000,000 = $155,000——含义：未来一个月损失超过 $155,000 的概率约为 5%。

例题（考试风格）：历史法定位与口径

假设有 500 个月度收益观测，置信水平 99%。从最差开始排序：−30%, −27%, −24%, −23%, −22%, −21%, −20%, −19%, −18%, −16%, …

k = α×n + 1 = 0.01×500 + 1 = 第 6 个最差观测 → VaR = −21%。
若本金 $100,000 → 月 VaR = 21% × 100,000 = $21,000。
口径陷阱：若按 α×n = 第 5 个 → −22%。两种口径都出现过，答案随口径变化——题目一定会暗示用哪个。

1.3 参数法：正态分布 Parametric (Normal) 参数法（正态）

参数法"先假设分布、再套公式"。正态版 VaR = −μ + σz_α 里最容易错的是符号：μ 是 P/L 的均值，均值若不是零，−μ 项不能丢（很多题就考这一项）。教材的 XYZ 例：年度 P/L 均值 +$15M（预期盈利）、σ=$10M。若数据是算术收益率，同构公式再乘以期初价值 P_{t−1}。性质：置信水平越高、VaR 越大。

参数法 VaR（正态）⭐ 必背 VaR(α%) = −μ_P/L + σ_P/L × z_α
μ_P/L = 损益均值（盈利为正；−μ 项最易漏）；z：95% 单侧 = 1.645、99% 单侧 = 2.326（教材例题沿用 1.65 / 2.33 的印刷值；两口径差异 <1.5%，不影响选项判断）。结果负号隐含，报告为正值。

教材例：XYZ 的年度 VaR

XYZ 的年度 P/L 服从正态分布：均值 +$15M（预期盈利）、标准差 $10M。

VaR(5%) = −$15M + $10M × 1.65 = $1.5M——"95% 把握，一年最多亏 $1.5M"。
VaR(1%) = −$15M + $10M × 2.33 = $8.3M。置信水平越高，VaR 越大（与定义一致）。

符号说明：公式里的 −$15M 来自 −μ（μ = +$15M 的均值）——把 μ 误写成 −$15M 并把 −μ 算成 +$15M，是双重符号错误，会得出 $31.5M 的错误结果。

教材例：算术收益版本

组合期初价值 $100；算术收益分布 μ_r = 10%、σ_r = 20%。公式多乘一个期初价值：

arithmetic-return version VaR(α%) = (−μ_r + σ_r × z_α) × P_{t−1}

VaR(5%) = (−10% + 1.65×20%) × 100 = $23.0
VaR(1%) = (−10% + 2.33×20%) × 100 = $36.6

1.4 参数法：对数正态 Lognormal 对数正态

为什么需要对数正态？正态分布下资产价格可能为负——不现实。若假设几何收益（连续复利）服从正态 (μ_R, σ_R)，则价格 P_t 服从对数正态：右偏、恒正。公式比正态版多两个细节：期初价值因子 P_{t−1} 和指数中的 μ_R − σ_R z_α。考试判据：题目一旦给"几何收益/连续复利"，就必须用对数正态公式；短周期下它与算术正态 VaR 结果接近，长周期/高波动下差距拉大（对比：同一组 μ=10%、σ=20%、P=100 的参数，正态版 $23.0 / $36.6 vs 对数正态版 $20.55 / $30.65）。

参数法 VaR（对数正态）⭐ 必背 VaR(α%) = P_{t−1} × (1 − e^{μ_R − σ_R × z_α})
μ_R、σ_R 为几何（连续复利）收益的均值与标准差；P_{t−1} 为期初价值（漏乘就是错）。

教材例：对数正态 VaR

组合期初价值 $100；几何收益 μ_R = 10%、σ_R = 20%。

VaR(5%) = 100 × (1 − e^{0.10 − 0.20×1.65}) = 100 × (1 − e^{−0.23}) = $20.55
VaR(1%) = 100 × (1 − e^{0.10 − 0.20×2.33}) = 100 × (1 − e^{−0.366}) = $30.65

1.5 期望损失 / 尾期望 ES（Expected Shortfall）ES / CVaR

ES 回答 VaR 回答不了的问题：「一旦越过 VaR 门槛，平均会亏多少？」 估计逻辑：把尾部切成 n 个等概率薄片，对 n−1 个置信水平分别取 VaR 再平均（教材例：96%–99% 的四个 VaR 平均得 2.003，逼近理论值 2.063）；把"对整个分布加权"再一般化，就是一致性风险测度——ES 是其特例。考试以概念和估计逻辑为主，复杂演算不是重点。

为什么要 ES？—— VaR 的根本缺陷

VaR 只给一个阈值（"最多亏这么多"），但不告诉你超过之后的损失幅度。ES 弥补此缺陷：在损失超过 VaR 的条件下，所有损失的加权平均——"当最坏 5% 发生时，平均会亏多少"。

ES 定义（尾部平均） ES(α) = E[ L | L > VaR(α) ]　（损失超过 VaR 后的条件期望）
亦称 CVaR（条件在险价值）、Expected Tail Loss；对正态分布可解析求解。估计法：尾部切 n 片 → 取 n−1 个置信水平的 VaR 平均（n 越大越精确）。

一致性风险测度 Coherent Risk Measure

比 VaR、ES 更一般的框架：对损失分布的分位数做加权平均，权重由使用者的风险厌恶函数决定。ES 是特例——尾部损失的权重设为 1/(1−置信水平)，其余分位数权重为 0。实操：把分布切成 n−1 个等概率片（如 10%、20%…90% 各分位点）加权平均；n 的取法——从小 n 开始不断翻倍，直到估计值稳定（"halving error" 接近 0）。

配套练习（正态 ES 乘子法 · 自编）

组合日 P&L 正态、均值为零，95% 参数 VaR = $1M。求 10 天 99% ES。（已知 z₉₅=1.645、z₉₉=2.326；正态密度 φ(z₉₉)=0.02665）

反解日 σ：σ = 1,000,000 / 1.645 = $607,903。
日 99% ES 乘子 = φ(z₉₉)/(1−0.99) = 0.02665/0.01 ≈ 2.665。
日 99% ES = 2.665 × 607,903 ≈ $1.62M。
按 √时间缩放（√10 ≈ 3.162）→ 10 天 99% ES ≈ $5.13M。

1.6 分位数估计的精度：标准误 standard error

估计量要配"误差条"才有意义：分位数（及由它派生的 VaR/ES）有抽样误差。公式 se(q) = √(p(1−p)/n) ÷ f(q)：分子是二项项、分母是 q 附近 bin 内的概率密度 f(q)。三个方向必背：n 越大 → SE 越小；bin 宽度越大 → f(q) 越大、左尾概率 p 越小 → SE 越小；尾部概率 p 越大 → SE 越大（p(1−p) 在 p=0.5 最大）。教材例题算出的区间宽到 [0.12, 3.18]——记住它想说明的事：单个分位数的估计可以非常不精确。

标准误与置信区间（教材口径）

se(q) se(q) = √( p(1−p) / n ) ÷ f(q)
p = 左尾概率；f(q) = q 附近"bin"（如宽度 0.1）内的概率质量；置信区间：[q − se(q)·z_α , q + se(q)·z_α]

教材例：5% VaR 的 90% 置信区间（n=500、bin=0.1）

q = 1.65（标准正态 95% 分位）；bin 宽 0.1 → 取区间 [1.6, 1.7]。
左尾概率 p = 0.045；区间内概率质量 f(q) = 1 − 0.045 − 0.945 = 0.01。
se(q) = √(0.045×0.955/500) ÷ 0.01 ≈ 0.927（非常大）。
90% CI = 1.65 ± 1.65×0.927 → 约 [0.12, 3.18]——区间宽得惊人：单个分位数估计很不精确。

考法提醒：以方向判断为主（n、bin、p 变化时 SE 怎么变）；复杂运算非重点（教材提示：过程复杂，聚焦理解）。

1.7 QQ 图（Quantile-Quantile Plot）分位数-分位数图

判断"样本到底像不像某个理论分布（如正态）"的目测工具：横轴 = 理论分位数，纵轴 = 样本分位数。点大致落在直线上 → 匹配；中间贴合、尾部向上（或向下）弯曲 → 样本比正态有更厚（或更薄）的尾——真实金融收益常见"尖峰厚尾"。对照校准（正态 vs t 分布）：95% 分位 −1.65 vs −1.68；97.5% 分位 −1.96 vs −2.02。注意：QQ 图只做视觉判断，不是正式统计检验。

QQ 图的读法与结论

点大致落在直线上 → 数据接近该分布。
尾部向上弯曲（右偏/厚尾）→ 比正态更极端（leptokurtosis，尖峰厚尾）——这就是需要极值理论、t 分布的原因。
中间贴合、尾部偏离 → 对称但尾部特征不同的分布。

🔑 英文要点速查 · English Essentials

historical simulation 历史模拟法 — Reorder P/L observations; the breakpoint observation ((α×n)+1 per this chapter) separates the tail from the body; no distribution assumption, but assumes the future behaves like the past.
parametric approach 参数法 — Explicitly assumes a distribution for returns (normal or lognormal); the normal case is also called delta-normal VaR.
normal VaR 正态 VaR — VaR(α%) = −μ_P/L + σ_P/L × z_α; report losses as positive values.
arithmetic return 算术收益 — r = (P_t + D_t − P_{t−1})/P_{t−1}; assumes interim payments earn no return → not suited to long horizons.
geometric return 几何收益 — R = ln[(P_t + D_t)/P_{t−1}]; continuous compounding; the asset price can never go negative.
lognormal VaR 对数正态 VaR — VaR = P_{t−1} × (1 − e^{μ_R − σ_R × z_α}); for right-skewed prices bounded below by zero.
expected shortfall (ES / CVaR) 预期尾部损失 — The average loss in the tail beyond VaR; estimated by averaging the VaRs for n−1 increasing confidence levels.
coherent risk measure 一致性风险测度 — A weighted average of the loss quantiles with user-specific risk-aversion weights; ES is the special case weighting only tail losses (1/(1−confidence)).
quantile standard error 分位数标准误 — se(q) = √(p(1−p)/n) ÷ f(q); larger n, wider bins, or smaller tail probability → smaller se.
bin width 箱宽 — Histogram interval width; a wider bin raises f(q) and lowers p → smaller standard error.
QQ plot QQ 图 — Plots empirical vs theoretical quantiles; linear = match; diverging tails = fatter/thinner tails; visual inspection only.

📝 本章自测 · Self-Check

以下为自编练习题（非真题）：题干保留英文考试形态，解析为中文——先自己判断，再点开核对。共 4 题。

Q1. A risk analyst applies historical simulation to 600 daily return observations to estimate VaR at the 99% confidence level. Using the convention k = (α × n) + 1, which ordered loss observation corresponds to the VaR?

A. The 6th worst observation.

B. The 7th worst observation. ✅

C. The 60th worst observation.

D. The 594th worst observation.

B 正确。考点：历史法定位与口径
k = 0.01×600 + 1 = 7 → 第 7 个最差观测。若改用 α×n 口径则取第 6 个（A）——两种口径都出现过，答题以题目明示口径为准。C、D 是数量级错误（1%×600 与 99%×600 的混淆）。

Q2. A portfolio's annual P&L is approximately normally distributed with a mean of +$30 million and a standard deviation of $12 million. Using z = 1.645 for 95% one-tailed confidence, the annual 95% VaR is closest to:

A. A loss of about $10.3 million. ✅

B. A loss of about $19.7 million.

C. A loss of about $30.0 million.

D. A gain of about $10.3 million.

A 正确。考点：正态 VaR 公式与符号
VaR = −μ + σz = −30 + 12×1.645 = −10.26 → 报告为损失约 $10.3M。B 漏掉了减均值（只剩 σz）；C 直接拿均值当答案；D 是符号理解错误——VaR 结果负号隐含、损失报正值。注意本例均值是正盈利（+$30M），95% 分位仍可能是净亏损——这正是 VaR 的定义。

Q3. A portfolio has a beginning value of $100. Its geometric (continuously compounded) return is normally distributed with μ_R = 8% and σ_R = 15% per year. Using z = 1.645, the 95% lognormal VaR is closest to:

A. $15.4 ✅

B. $16.7

C. $21.9

D. $23.6

A 正确。考点：对数正态 VaR 公式
VaR = 100 × (1 − e^{0.08 − 0.15×1.645}) = 100 × (1 − e^{−0.16675}) ≈ $15.4。B 是把正态公式误套在收益率上（$16.7 = (−8% + 15%×1.645)×100）；C 是少减了 μ_R 的版本；D 是误用 99% 临界值的结果——三个干扰项分别对应三种典型算错方式。

Q4. Which statement about expected shortfall (ES) and coherent risk measures is correct?

A. ES estimates the average loss in the tail beyond the VaR threshold. ✅

B. ES can be estimated from a single worst observation.

C. Coherent risk measures weight only the tail of the distribution, while ES weights the entire distribution.

D. At the same confidence level, ES is always smaller than VaR.

A 正确。考点：ES 与一致性风险测度
ES = 损失超过 VaR 后的条件平均损失；估计时把尾部切成 n 片、对 n−1 个置信水平的 VaR 求平均（B 错——不是只看一个最差观测）。C 说反了：一致性测度对整个分布的分位数加权（权重由风险厌恶函数决定），ES 才是"只给尾部非零权重"的特例。D 错：同置信水平下 ES ≥ VaR（尾部条件期望不低于分位点本身）。

市场风险 · 非参数方法

2. 非参数方法 Non-Parametric Approaches

要点：non-parametric estimation · bootstrap historical simulation · surrogate density function · age-weighted（hybrid）· volatility-weighted · correlation-weighted · filtered historical simulation · advantages & disadvantages

🇨🇳 中文导览

上一章的历史模拟法"简单但粗糙"——本章给它做四台手术，并配一套"重抽样"工具。① Bootstrap（自举）历史模拟：从原数据"有放回"地反复抽样，每个样本算一个 VaR/ES，全部平均 = 最终估计——比裸历史模拟更精确。② 非参数密度估计：把直方图相邻柱顶中点连起来（"代理密度函数"），让任意置信水平（如 95.5%）都能读出 VaR。③ 四大加权改良：年龄加权（越近权重越大）／波动率加权（把历史收益"调"到当前波动水平）／相关性加权（更新方差-协方差矩阵）／过滤历史模拟 FHS（HS+GARCH，标准化再自举——最全面的版本）。④ 优缺点清单：简单、无需分布假设是优点；"只看得见历史"是最大的软肋。

Bootstrap：有放回抽样 → 每抽一次记一个风险测度 → 平均众多样本测度 = 最优估计。
四大改良一句话：年龄 = 权重按新旧衰减；波动率 = 收益按 σ 比例换算；相关性 = 矩阵更新；FHS = 标准化 + 自举。
波动率加权关键式：r* = (σ′_T/σ′_t) × r——数据变、算 VaR 的流程不变。
年龄加权权重：w(i) = λ^{i−1}(1−λ)/(1−λ^n)；λ→1 慢衰减；λ = 1 即退回普通历史模拟。
软肋：高波动期的数据把 VaR 拉太高、平静期又太低；结构性突变难识别；样本里没发生过的极端损失"想象不出来"。

关键术语：bootstrap自举/重抽样、sampling with replacement有放回抽样、age-weighted HS年龄加权历史模拟、volatility-weighted HS波动率加权、filtered historical simulation过滤历史模拟、ghost effect幽灵效应。

🧭 知识网位置本章接第 1 章的估计链：历史模拟 / 参数法（第 1 章）→ 非参数改良（本章） → 极值理论捕捉"更远的尾部"（第 3 章）→ 回测验证（第 4、6/7 章）。相关章节第 1 章 · 度量总述第 3 章 · 极值理论 EVT 第 4 章 · 回测 VaR

2.1 方法定位：让数据说话 non-parametric estimation

非参数估计不对分布做限制性假设（不预设正态/对数正态）——让数据自己驱动估计。这种灵活性使其特别适合 VaR 场景，尤其是尾部事件稀疏的时候。与参数法的分工：参数法"先信分布、再信任数据"；非参数法"只信数据"。本章的四种改良与 bootstrap 都建立在"不假设分布"的底子上。

2.2 Bootstrap 历史模拟 bootstrap historical simulation

自举（bootstrap）是本章第一个新工具，直觉上就是"反复抽签"：从原始数据集里抽一个样本——抽出的数据还回去（sampling with replacement，有放回抽样），所以同一数据点可能在下一个样本里再次出现；每个样本记录一个 VaR；反复抽、反复记；最优估计 = 所有样本 VaR 的平均。ES 同理：每个样本把尾部切成 n 片、对该样本的 n−1 个分位 VaR 求平均 = 该样本的 ES；再对所有样本的 ES 取平均。实证结论：自举给出的估计一贯比"裸历史模拟"更精确。两个易错点：不是"取所有样本 VaR 里最大的那个"；也不需要先过滤数据或排序定位尾部——那些不是 bootstrap 的步骤。

Bootstrap 流程 ⭐ ① 从原数据集"有放回"抽一个样本 → ② 计算该样本的 VaR（或 ES）→ ③"归还"数据、重复无数次 → ④ 最终估计 = 所有样本测度的平均
关键特征：sampling with replacement（有放回）。每个样本独立给出一个风险测度；平均后精度优于单次历史模拟。

2.3 非参数密度估计：给直方图"抹平" surrogate density

传统历史模拟的硬伤：数据是离散的——n 个观测只允许 n 个置信水平。100 个观测能算 95%、96% 的 VaR，却算不了 95.5%（分位点落在两个观测的"缝"里）。非参数密度估计解决"缝"的问题：把直方图的相邻柱顶中点连起来（surrogate density function，代理密度函数）——下方柱子从上方柱子"接收"一块面积、上方柱子"失去"等量面积：总面积不变（仍是合法的概率分布），形状被"抹平"，于是任意置信水平都能读出 VaR。更精细的版本：用曲线代替直线连接。考试要点：这是"平滑（smoothing）"思想，与参数假设无关——数据不够密时，用几何方法补出连续的分位函数。

2.4 四大改良方法 four refinements

普通历史模拟给窗口内每个观测相等的 1/n 权重、窗口外零权重——三个毛病：① 断崖——"第 n 个观测与其余一样重要，第 n+1 个却毫无权重"；② 幽灵效应（ghost effect）——旧的极端事件只要还没滚出窗口，就一直压着当前的 VaR；③ 隐含假设观测 i.i.d.——有季节性波动的数据违背它。四种改良各治一处：

（1）年龄加权 Age-Weighted（别名：hybrid 混合法）

越近的观测权重越大、越远的越小（Boudoukh–Richardson–Whitelaw 方案）：w(i) = λ^{i−1}(1−λ)/(1−λ^n)——i = 数据的天数年龄，λ = 衰减参数（0 ≤ λ ≤ 1）。λ 越接近 1，衰减越慢；λ = 1 时退回普通历史模拟（全窗口等权）。效果：压低"幽灵"与不再会重演的旧事件的影响。

age-weight ⭐ w(i) = λ^{i−1}(1−λ) / (1−λ^n)
长样本（λ^n→0）下近似 w(i) ≈ λ^{i−1}(1−λ)：w(1) ≈ 1−λ、w(2) ≈ λ(1−λ)、w(3) ≈ λ²(1−λ)……考试注意分母是 (1−λ^n)（指数是 n 不是 i）。

自编演算：λ = 0.95 的年龄权重表（长样本）

w(1) ≈ (1−0.95) = 5.00%
w(2) ≈ 0.95×0.05 = 4.75%
w(3) ≈ 0.95²×0.05 = 0.9025×0.05 = 4.51%

规律：每往前一天，权重乘一个 λ（衰减 5%）。λ 越接近 1 越"慢衰减"——历史记忆越长。

（2）波动率加权 Volatility-Weighted（Hull–White）

把每条历史收益"调"到当前的波动水平：r*ᵗ = (σ′_T / σ′_t) × r_t——σ′_t 是当时（t 日）的波动率预测（来自 GARCH/EWMA），σ′_T 是当前波动率预测。当下波动率高于历史时，历史收益被放大；低于时被缩小。三大优势：① 显式把波动率纳入估计（其他历史方法做不到）；② 近期 VaR 估计更贴合当前市场状况；③ 调整后的收益可能给出高于原始历史数据集的 VaR。注意边界：变的是数据、不变的是流程——VaR 的计算方法与原来完全一样。

volatility-weight ⭐ r*_t = (σ′_T / σ′_t) × r_t
σ′_t = t 日的波动率预测（站在 t−1 做）；σ′_T = 当前预测。调整收益后按通常流程算 VaR/ES——procedure unchanged。

（3）相关性加权 Correlation-Weighted

同时更新相关系数与波动率：把历史收益"乘"上修正后的方差-协方差矩阵，得到相关性调整后的收益。矩阵的两类元素：对角元素 = 各资产更新的方差（资产收益与自身的协方差）；非对角元素 = 资产对之间的协方差。因为能同时更新方差（波动率）与协方差（相关性），它比波动率加权更全面；代价是更复杂（本考点不要求演算）。

（4）过滤历史模拟 FHS Filtered Historical Simulation

非参数家族里最全面、也最复杂的版本：把历史模拟与条件波动率模型（GARCH 或非对称 GARCH）合起来。流程：为样本期内每一天预测波动率 → 用波动率标准化收益（收益 ÷ 预测波动率）→ 对标准化收益做 bootstrap 模拟（重新注入当前波动率水平）→ 从模拟分布读 VaR。它同时吸收了传统历史模拟的直观性与波动率模型的精细度：能刻画条件波动率、波动率聚集、以及不对称的"意外因素"冲击；对大型组合计算量也可接受；可扩展到更长持有期与多资产；能给出超出历史区间的损失预测。实证证据支持其预测能力——这是它的含金量所在。

2.5 优缺点清单 advantages & disadvantages

优点：① 直观，计算往往简单（电子表格就能做）；② 不受"偏斜、厚尾"等参数假设违背的拖累；③ 避开复杂的方差-协方差矩阵与维度问题；④ 数据易得、通常无需调整；⑤ 可拆可组——能把年龄加权与波动率加权叠起来做更复杂的分析。缺点：① 分析严重依赖历史数据；② 高波动期的数据使 VaR/ES 估计过高；③ 平静期的数据又使估计过低；④ 难以识别结构性转变/制度切换；⑤ 样本期内没发生过的大冲击"进不了模型"；⑥ 难以估计显著超过样本内最大损失的损失（历史模拟不能，波动率加权能在一定程度上）；⑦ 需要足够多的数据——新工具/新市场往往凑不出来。

🔑 英文要点速查 · English Essentials

bootstrap historical simulation 自举历史模拟 — Draw resamples with replacement; record the VaR (or ES) of each draw; the average across draws is the best estimate — consistently more precise than raw historical simulation.
surrogate density function 代理密度函数 — Connect the midpoints of successive histogram bars: area is displaced (upper bar to lower bar), not lost — enables VaR at any confidence level, e.g. 95.5% for a 100-observation set.
discreteness problem 离散性问题 — n observations allow only n distinct confidence levels in plain historical simulation.
ghost effect 幽灵效应 — An old extreme event keeps influencing VaR until it rolls out of the equal-weighted window.
age-weighted HS (hybrid) — w(i) = λ^{i−1}(1−λ)/(1−λ^n); λ close to 1 = slow decay; λ = 1 reduces to plain historical simulation.
volatility-weighted HS 波动率加权 — r* = (σ′_T/σ′_t) × r; historical returns rescaled to the current volatility; the VaR procedure itself is unchanged; can produce VaRs above the raw historical estimate.
correlation-weighted HS 相关性加权 — Update the variance-covariance matrix: diagonal = updated variances, off-diagonal = covariances; more general than volatility-weighting (updates both variances and covariances).
filtered historical simulation 过滤历史模拟 — HS + conditional volatility (GARCH/asymmetric GARCH): forecast volatility, standardize returns, bootstrap standardized returns to simulate with today's volatility; captures clustering, conditional volatility and asymmetry; can predict losses beyond the historical range.
advantages 优点 — Simple; no distribution assumption (handles skew/fat tails); avoids covariance-matrix machinery; data readily available; approaches can be combined.
disadvantages 缺点 — Depends critically on historical data: volatile periods ⇒ too-high estimates; quiet periods ⇒ too-low estimates; structural shifts hard to detect; plausible unseen events cannot be accommodated; data needs may not be met for new instruments.

📝 本章自测 · Self-Check

以下为自编练习题（非真题）：题干保留英文考试形态，解析为中文——先自己判断，再点开核对。共 4 题。

Q1. Which of the following statements about the bootstrap historical simulation approach is most accurate?

A. Sampled observations are removed from the dataset, so each draw is taken without replacement.

B. The best VaR estimate is the largest VaR recorded across the resampled draws.

C. Each resampled draw yields its own VaR estimate, and the average across draws is the best estimate. ✅

D. Bootstrapping applies to VaR but cannot be adapted to expected shortfall.

C 正确。考点：bootstrap 的抽样与估计逻辑
核心两句话：有放回抽样（数据"还回去"——A 错）+ 对众多样本测度取平均（C 对；B 错——不是取最大）。D 错：ES 用同样流程——每个样本切尾平均得该样本 ES，再跨样本平均。

Q2. In an age-weighted historical simulation with decay factor λ = 0.95 applied to a long sample, the weight assigned to the observation that is two days old is closest to:

A. 5.00%

B. 0.25%

C. 0.10%

D. 4.75% ✅

D 正确。考点：年龄加权权重公式
w(2) = λ^{2−1}(1−λ)/(1−λ^n) ≈ 0.95 × 0.05 = 0.0475（长样本下 1−λ^n ≈ 1）。A = 5.00% 是一天前的权重（漏乘了 λ）；B = (1−λ)² 双重折扣；C 无来源。记法：每天都乘一个 λ，从 w(1) ≈ 1−λ 开始衰减。

Q3. In volatility-weighted historical simulation, each historical return is multiplied by the ratio σ′_T / σ′_t. The purpose of this ratio is to:

A. rescale past returns so that they reflect the current level of volatility, with the VaR estimation procedure left unchanged. ✅

B. rescale the current volatility forecast toward the historical average volatility.

C. give greater weight to more recent observations than to distant ones.

D. update the correlations between the assets in the portfolio.

A 正确。考点：波动率加权的机制
调整方向是"把历史拉到当下"：当前波动率更高 → 历史收益被放大（A 对）。B 方向反了；C 是年龄加权的描述；D 是相关性加权。附加考点：调整后的数据可能算出高于原始历史集的 VaR——因为当前波动率可以高于历史任一时期。

Q4. Which of the following is the most significant disadvantage of non-parametric estimation methods?

A. They require specifying a parametric form for the return distribution.

B. They depend critically on historical data and cannot capture plausible large losses that are absent from the sample. ✅

C. They cannot accommodate skewed or fat-tailed data.

D. They require estimating complex variance-covariance matrices.

B 正确。考点：非参数法的软肋
核心限制 = "历史决定一切"：样本外的灾难性损失无法进入估计（B 对）。A、C、D 恰好全说反了——非参数法不预设分布、能容纳偏斜厚尾（是优点）、恰可绕开复杂协方差矩阵（也是优点）。答题技巧：找"唯一正确"，其余三项都是把非参数法的优点写成了缺点。

市场风险 · 极值理论

3. 极值理论 Extreme Value Theory (EVT)

要点：generalized extreme value (GEV) distribution · Fisher-Tippett theorem · tail index ξ（Fréchet / Gumbel / Weibull）· peaks-over-threshold (POT) · generalized Pareto (GP) distribution · POT-based VaR & expected shortfall · multivariate EVT & tail dependence

🇨🇳 中文导览

前两章的方法都盯着"整个分布"，本章只盯尾部——极端事件罕见但代价高昂，而且"还没发生过的极端值"无法用常规统计估计。EVT 给出一条出路：① GEV 路线——Fisher-Tippett 定理：样本极值（Mₙ）的分布收敛到广义极值分布（GEV），用一个形状参数 ξ（尾部指数）区分三类：ξ>0 = Fréchet（厚尾，金融最常见）、ξ=0 = Gumbel（轻尾）、ξ<0 = Weibull（比正态更轻，金融罕见）。② POT 路线——不建模"最大值"，而建模"超过某个高阈值的超额损失"：Gnedenko-Pickands-Balkema-deHaan 定理保证超额损失分布收敛到广义帕累托（GP）分布——参数更少、更贴近实证。③ 落点：用 POT 参数直接算 VaR 与 ES（教材例：2.486% / 3.981%）。④ 多元版：极端值互相依赖 → 尾部相依 → 需要 Copula；维度越高，"同时极端"越罕见（二维 1/10000，三维 1/1000000）。

三案例对号：ξ>0 Fréchet（t、Pareto 类厚尾）；ξ=0 Gumbel（正态/对数正态）；ξ<0 Weibull（有上界，更薄）。
ξ 怎么选：确信母分布（如 t）→ 选 ξ>0；检验无法拒绝 ξ=0 → 用 Gumbel；保守起见 → 直接假设 ξ>0 规避模型风险。
POT 核心：超额损失 F_u(x) = [F(x+u) − F(u)]/[1 − F(u)]；u 大时收敛到 GP 分布——阈值 u 的取舍：够高才能用定理、够低才有足够观测。
VaR（POT）：VaR = u + (β/ξ){ [(n/N_u)(1−置信水平)]^{−ξ} − 1 }；ES = VaR/(1−ξ) + (β−ξu)/(1−ξ)。
多元素：极端损失互相传染（恐袭→油企+全市场）——用 EV Copula 建模；维度上升时"联合极端"样本急剧变稀。

关键术语：extreme value theory (EVT)极值理论、size of extremes Mₙ样本极值、tail index ξ尾部指数、peaks-over-threshold (POT)超阈值法、threshold u阈值、generalized Pareto (GP)广义帕累托分布、tail dependence尾部相依。

🧭 知识网位置第 1–2 章估计"整个分布"（历史/参数/非参数改良）→ 本章只攻尾部 → 第 4、6/7 章回测验证模型的尾部预测。相关章节第 1 章 · 度量总述第 2 章 · 非参数方法第 4 章 · 回测 VaR

3.1 极端值：重要且难缠 the challenge

极端事件=市场大跌、大机构倒闭、金融/政治危机、自然灾害——罕见但代价极高，所以必须识别。难点双重的：① 可用于建模的观测本来就少；② 还有大量"尚未发生"的极端区间等着以后发生。常规研究按"中心趋势"选分布——恰恰绕开了极端值问题本身；EVT 就是专门处理极端值的分支（与水坝设计要估计"历史最高洪水位以上"的高度同理）。它不同于以中心极限定理为核心的"中心统计"：EVT 关心的是分布最远处的那一撮。

3.2 GEV 与 Fisher-Tippett 定理 generalized extreme value

把样本分成若干块、每块取最大值 Mₙ → Fisher-Tippett 定理说：n 足够大时，Mₙ 的分布收敛到广义极值分布（GEV）。公式含三个参数——位置 μ、尺度 σ、尾部指数 ξ（决定尾部形状/厚度；μ、σ 与均值方差"相关但不同"）。三案例：

GEV（Fisher-Tippett）⭐ F(x) = exp{ −[1 + ξ(x−μ)/σ]^{−1/ξ} }（ξ ≠ 0）　·　F(x) = exp{ −exp[−(x−μ)/σ] }（ξ = 0）
ξ>0 → Fréchet（厚尾：t、Pareto）；ξ=0 → Gumbel（轻尾：正态、对数正态）；ξ<0 → Weibull（比正态更轻、有上界——金融中少见）。

ξ 怎么选（三条实用路线）：① 对母分布有把握——如确信是 t 分布，就选 ξ>0；② 统计检验后无法拒绝 ξ=0 → 按 Gumbel 处理；③ 想保守、规避模型风险 → 直接假设 ξ>0。参数（μ、σ、ξ）估计三法：极大似然（ML）（最大化（对数）似然函数，计算复杂）、回归法（比 ML 易用，把极值从低到高排序）、半参数法（估计尾部指数常用 Hill 估计量；其最难处 = 决定把多少个观测纳入尾部）。

3.3 POT 与广义帕累托分布 peaks-over-threshold & GP

POT（超阈值法）换一个思路：不挑"每块最大"，而是看所有超过高阈值 u 的超额损失 X−u。它通常比 GEV 路线需要更少的参数，并且天然适合"刻画超过高阈值的取值"。起点是超额损失的条件分布：F_u(x) = P{X−u ≤ x | X>u} = [F(x+u) − F(u)]/[1 − F(u)]——母分布 X 通常是未知的（正态/对数正态皆可）。GPBdH 定理：当 u 足够大，F_u(x) 收敛到广义帕累托（GP）分布——这就是"额外损失的自然模型"：

GP 分布（GPBdH 定理）⭐ 1 − [1 + ξx/β]^{−1/ξ}（ξ ≠ 0）　·　1 − exp(−x/β)（ξ = 0）
定义域：ξ ≥ 0 时 x ≥ 0；ξ < 0 时 0 ≤ x ≤ −β/ξ。ξ 与 GEV 同义（尾部指数）；β = 正尺度参数。GP 曲线在尾部之前低于正态、进入尾部后高于正态——它是尾部的线性近似，比正态更贴近实证数据。

阈值 u 的取舍（必考方向）：u 要足够高，GPBdH 定理才成立（模型适用性）；又要足够低，超过阈值的观测 N_u 才够多、参数才估得出来。选 u 就是在这对矛盾里找平衡。

3.4 落点：用 POT 算 VaR 与 ES VaR & expected shortfall

POT 的最终目的是算风险度量——ES 仍是"损失超过 VaR 的平均值"（E[L_P | L_P > VaR]），报告时常与 VaR 并列。给定 POT 参数（β、ξ、u、N_u/n），两个公式直接落地：

POT-VaR & ES ⭐ 必背 VaR = u + (β/ξ) × { [(n/N_u)(1 − 置信水平)]^{−ξ} − 1 }
ES = VaR/(1−ξ) + (β − ξu)/(1−ξ)
u = 阈值（百分比）；n = 总观测数；N_u = 超阈观测数；1−置信水平 = 尾部概率（如 99% VaR → 0.01）。

教材例：POT 参数算 1% VaR 与 ES

已知：β = 0.75、ξ = 0.25、u = 1%、N_u/n = 5%。

VaR = 1 + (0.75/0.25) × {[(1/0.05)(1−0.99)]^{−0.25} − 1} = 1 + 3×{(0.2)^{−0.25} − 1} = 1 + 3×0.4953 = 2.486%
ES = 2.486/(1−0.25) + (0.75 − 0.25×1)/(1−0.25) = 3.315 + 0.667 = 3.981%

演算要点：(0.2)^{−0.25} ≈ 1.4953；ES 公式两项都别漏——第一项 VaR/(1−ξ) 放大大约 1/(1−ξ) 倍，第二项修正常数。

3.5 GEV vs POT：怎么选 comparison

两者同源（都出自 EVT）、共享同一条尾部指数 ξ，但落点不同：GEV 研究极值的分布，POT 研究超阈值的分布。取舍三看：① GEV 要多估一个参数，而且常见做法会丢失有价值的数据（只保留每块最大值）；② POT 要选阈值 u——这本身引入额外的不确定性；③ 数据本身的特征（密度、结构）可能使某一方更合适。

3.6 多元 EVT 与尾部相依 multivariate EVT

极端值往往抱团：恐袭油井 → 油企损失 + 全市场资产受冲击。多元 EVT 的目标与一元相同——只是同时对多个变量建模，核心概念是尾部相依（tail dependence）。两个关键结论：① 椭圆分布假设与协方差矩阵在多元极值场景用途有限；② 多元极值的建模必须借助 Copula——多元极值的极限分布属于 EV Copula 族。维度诅咒要记住数量级：两个独立变量各取"百年一遇"（1/100），两变量同时极端约 1/(100×100) = 万分之一；三变量 → 百万分之一——联合极端的样本急剧变稀，而要估的参数却更多。

🔑 英文要点速查 · English Essentials

why extremes matter 为什么要 EVT — Rare but very costly; few observations to model; ranges of extreme values have not yet occurred; central-tendency statistics miss the point.
Fisher-Tippett theorem — As n grows, the distribution of extremes M_n converges to the generalized extreme value (GEV) distribution.
three cases 三案例 — ξ > 0: Fréchet, heavy tail (t, Pareto); ξ = 0: Gumbel, light tail (normal, lognormal); ξ < 0: Weibull, lighter than normal (rare in finance).
choosing ξ — Confident parent (e.g., t) ⇒ assume ξ > 0; test cannot reject ξ = 0 ⇒ use Gumbel; conservative ⇒ assume ξ > 0 to avoid model risk.
estimation 估计三法 — Maximum likelihood; regression (order extremes ascending); semi-parametric (Hill estimator for the tail index — hardest part is choosing how many observations count as "tail").
POT — Models excess losses over a high threshold u: F_u(x) = [F(x+u) − F(u)]/[1 − F(u)]; generally fewer parameters than GEV; natural for values exceeding a high threshold.
GPBdH theorem — As u increases, the excess-loss distribution converges to the generalized Pareto (GP) distribution; ξ shared with GEV; β = positive scale parameter.
threshold trade-off 阈值取舍 — High enough for the theorem; low enough for enough observations N_u to estimate parameters.
POT VaR/ES — VaR = u + (β/ξ){[(n/N_u)(1−confidence)]^−ξ − 1}; ES = VaR/(1−ξ) + (β − ξu)/(1−ξ); example 2.486% / 3.981%.
GEV vs POT — GEV needs an extra parameter and may lose data; POT needs a threshold choice (adds uncertainty); data nature decides.
multivariate EVT 多元 EVT — Tail dependence; elliptical/covariance assumptions limited; EV copulas required; joint extremes are rare: 2 vars 1-in-10,000; 3 vars 1-in-1,000,000.

📝 本章自测 · Self-Check

以下为自编练习题（非真题）：题干保留英文考试形态，解析为中文——先自己判断，再点开核对。共 4 题。

Q1. In the GEV framework, a heavy-tailed limiting distribution (such as the t-distribution case) corresponds to:

A. ξ = 0.

B. ξ > 0. ✅

C. ξ < 0.

D. ξ can be any real number — the tail thickness is set by σ instead.

B 正确。考点：GEV 三案例与尾部指数
ξ > 0 → Fréchet，厚尾（t、Pareto 类）——金融数据最常落在这一支。A 是 Gumbel（正态/对数正态那样的轻尾）；C 是 Weibull（比正态更轻、有上界，金融少见）；D 错——尾部厚度由 ξ 决定，σ 只是尺度。

Q2. A researcher using the POT approach observes β = 0.6, ξ = 0.2, u = 2%, and N_u/n = 4%. The 5% VaR (in percentage terms) is closest to:

A. 1.55

B. 1.72

C. 1.87 ✅

D. 2.24

C 正确。考点：POT-VaR 公式代入
VaR = u + (β/ξ){[(n/N_u)(1−conf)]^{−ξ} − 1} = 2 + (0.6/0.2){[(1/0.04)×0.05]^{−0.2} − 1}。括号内 = (1.25)^{−0.2} ≈ 0.9564 → 减 1 = −0.0436；×3 = −0.131；+2 = 1.869 ≈ 1.87。顺序：先算 n/N_u × 尾部概率、再取 −ξ 次方（注意是倒数的幂——值略小于 1），最后套外层。A/B/D 对应 n/N_u、指数符号或 β/ξ 的误用。

Q3. Given a VaR of 2.0, a threshold of 1%, ξ = 0.2, and β = 0.3, the expected shortfall is closest to:

A. 2.500

B. 2.550

C. 2.600

D. 2.625 ✅

D 正确。考点：POT-ES 公式代入
ES = VaR/(1−ξ) + (β − ξu)/(1−ξ) = 2/0.8 + (0.3 − 0.2×1)/0.8 = 2.5 + 0.125 = 2.625。A = 2.5 是只算了第一项（漏掉 (β−ξu)/(1−ξ)）；B/C 无来源。记忆：ES 把 VaR 放大 1/(1−ξ) 倍，再加一个修正项。

Q4. Compared with the POT approach, the GEV approach:

A. requires estimating an additional parameter and may lose valuable data. ✅

B. requires estimating fewer parameters than POT.

C. does not share the tail parameter with POT.

D. cannot be estimated using maximum likelihood.

A 正确。考点：GEV vs POT 的取舍
GEV 三宗"更贵"：多估一个参数、常见做法（只留每块最大）丢数据（A 对）。B 说反；C 错——两者共享尾部指数 ξ；D 错——两法都可用极大似然（POT 的 GP 参数也常按 ML 估计）。POT 的代价则在于"要选阈值"，引入额外不确定性。

市场风险 · 回测 VaR

4. 回测 VaR：Backtesting

要点：backtesting & exceptions · failure rate · z-score model verification · Type I / Type II errors · unconditional coverage (Kupiec LR_uc) · conditional coverage (Christoffersen LR_cc) · Basel penalty zones

🇨🇳 中文导览

模型建完要"体检"——回测就是拿实际损失和 VaR 预测对账。① 例外（exception）：实际损失超过 VaR 的天数；95% 模型一年该有 5% 左右的例外，太多=模型低估风险，太少=过于保守。② 失败率与 z 检验：N/T vs p=1−c；z = (x − pT)/√(p(1−p)T)，|z|>1.96（95% 口径）拒绝"模型无偏"。③ 两类错误：Type I = 冤枉好模型；Type II = 放过坏模型——回测规则就是在两者间找平衡。④ 无条件覆盖（Kupiec）：只看例外数量，LR_uc > 3.84 就拒绝（χ²₁ 在 95% 的临界值）。⑤ 条件覆盖（Christoffersen）：还要看例外的时间分布——扎堆 = 相关性变了：LR_cc = LR_uc + LR_ind，阈值 5.99 / 3.84。⑥ Basel 惩罚区：99% 口径、250 天、预期 2.5 个例外；绿 0–4（k=3.00）、黄 5–9（3.40–3.85，监管裁量）、红 ≥10（k=4.00）。

预期例外 = (1−c)×T；例：95%/252 天 → 12.6 个。z = (x−12.6)/3.4598。
LR_uc 非拒绝区间（T=252、95%）＝ 6 < N < 20；N≥20 低估风险、N≤6 过保守。
独立性：LR_ind > 3.84 或 LR_cc > 5.99 → 模型需按"时变相关性"重修。
Basel 数字：准确模型也会在 10.8% 的时候"踩雷"（Type I）；约 12.8% 的坏模型被漏过（Type II）。
口径提醒：回测的显著性水平（95%/97%）与 VaR 的置信水平（99%）是两件事，别混。

关键术语：exceptions / exceedances例外/超限、failure rate失败率、unconditional coverage无条件覆盖、conditional coverage条件覆盖、Type I / Type II error第一/二类错误、Basel penalty zonesBasel 惩罚区。

🧭 知识网位置前 3 章"建模型"（历史/参数/非参数/极值）→ 本章"验模型" → 第 6 章 PIT 全分布回测（更细的诊断）→ 第 14 章 FRTB（回测要求的升级）。相关章节第 3 章 · 极值理论第 6 章 · 模型验证 & PIT 第 14 章 · FRTB

4.1 回测与它的难点 backtesting & difficulties

回测 = 把 VaR 预测的损失与实际发生的损失对账：超出的次数就叫例外（exception / exceedance）。目标：确认实际损失不超过给定置信水平下的预期损失；例外率应当 ≤ (1−c)——95% 模型下例外应少于 5%。Basel 允许银行用内部 VaR 模型，但用回测来检验：250 个交易日里例外超过 4 个（即 ≥5）就罚资本。例外的水平过高 → 重新校准模型、复审假设与参数。四个难点：① VaR 基于静态组合，而实际组合天天在变（价格变动、买卖）；② 实际的损益里混着模型外的东西——盘中变化、佣金、费用、利息收入、买卖价差（用日频等短持有期回测可缓解）；③ 回测样本有限，不保证每期都出现"恰好预期"的例外数；④ 要区分 actual / hypothetical / cleaned returns：假设收益 = 组合在持有期内不变的理论收益；clean 收益 = 剔除融资成本、费用收入等"非盯市"变动后的实际收益——实际与假设口径都应回测，假设口径失败就必须改模型。

4.2 失败率与 z 检验 failure rate & model verification

失败率 = N/T（例外数 ÷ 样本数），无偏时应趋近 p = 1−c。检验模型是否"无偏"用 z 统计量：z = (x − pT)/√(p(1−p)T)，与 1.96（95% 检验口径）比较。教材例：252 天里出现 22 个例外（95% 口径）——预期 12.6 个、z = (22−12.6)/3.4598 = 2.72 > 1.96：拒绝"模型无偏"，例外超限。两处易错：分母用 √(p(1−p)T)（不是 √(pT)）；拒绝模型所用的显著性水平（如 95%/97%）与 VaR 本身的置信水平（如 99%）完全无关。

z 检验 ⭐ z = (x − pT) / √(p(1−p)T)　·　p = 1 − c
例：x=22、p=0.05、T=252 → z = 9.4/3.4598 = 2.72 → 拒绝。|z| > 1.96（95% 检验）即拒绝。

4.3 两类错误：冤枉与放过 Type I & Type II

任何样本都无法 100% 断定模型好坏——只能给出"出现这么多个例外的概率"。划定"可接受的例外区间"时要在两种错误间平衡：Type I（冤枉好模型）——拒绝了正确的模型；Type II（放过坏模型）——没有拒绝错误的模型。目标：低 Type I、对 Type II 也要有低调的检验门槛（用二项分布在不同样本量下算区间）。Basel 数字：250 天、99% 口径、预期 2.5 个例外——正确模型仍有 10.8% 概率出现 ≥5 个例外（Type I 风险）；反过来，错误模型（比如实际上是 97% 的模型冒充 99%）有 12.8% 概率躲过处罚（Type II 风险）。监管更怕后者——这正是资本乘数罚则存在的意义。

4.4 无条件覆盖：Kupiec 的 LR 检验 unconditional coverage

无条件覆盖只关心例外的总数（不管先后、不看独立性）。Kupiec（1995）用对数似然比把"模型正确"与"实际失败率 N/T"两个假设做比较：

LR_uc（Kupiec）⭐ LR_uc = −2·ln[(1−p)^(T−N) · p^N] + 2·ln{ [1−(N/T)]^(T−N) · (N/T)^N }
T 大时服从 χ²(1)；95% 检验的临界值 = 3.84（= 1.96²，正态统计量的平方）。LR_uc > 3.84 → 拒绝模型。

非拒绝区间（下表，看方向即可）：置信水平越高（p 越小），"允许区间"占比反而越窄——高置信度模型更难回测（例外的绝对数太少、信息量不够）；样本越大越容易识破错误模型（T 从 252 → 1000，区间收窄）。因此银行有时干脆用 p=5% 的口径验证模型，凑出足够的偏离数。

p	置信水平 c	T = 252	T = 1,000
0.01	99.0%	N < 7	4 < N < 17
0.025	97.5%	2 < N < 12	15 < N < 36
0.05	95.0%	6 < N < 20	37 < N < 65

教材例：T=252、p=0.05、N=12 的 LR_uc

LR_uc = −2·ln[(0.95)^(240)(0.05)^12] + 2·ln[(0.9524)^(240)(0.0476)^12] = 0.03。
0.03 < 3.84 → 不拒绝，模型通过；预期例外数 12.6，实测 12 个完全正常。
判读口径：N ≥ 20 → VaR 太低（低估风险）；N ≤ 6 → 模型过于保守。

4.5 条件覆盖：例外会不会"扎堆" conditional coverage

无条件覆盖不管时间——但例外扎堆本身就是信号：可能市场相关性变了、或交易头寸变了。Christoffersen 把检验拆成两段：LR_cc = LR_uc（数量）+ LR_ind（序列独立性）；两个分量各自服从 χ²，加总仍服从 χ²。判定：LR_ind > 3.84 → 独立性被拒；LR_cc > 5.99（95%）→ 整个模型被拒。若例外序列相关，必须把"当下条件下显现的相关性"纳入模型修订。考试口径：不用会算 LR_cc，但要理解"什么时候做这个检验"——当心例外聚集。

LR_cc（Christoffersen） LR_cc = LR_uc + LR_ind　·　LR_ind > 3.84 拒绝独立性；LR_cc > 5.99 拒绝模型（95% 口径）

4.6 Basel 回测规则与惩罚区 Basel penalty zones

Basel 要求市场风险 VaR 按 99% 置信水平计算、用过去一年（约 250 个交易日）回测；99% 口径下预期例外 = 2.5 个。为防止银行"乐见"Type II（明知模型差也不修），设了资本乘数 k 的三色区：

区	例外数（250 天）	乘数 k
🟢 绿区	0–4	3.00
🟡 黄区	5	3.40
🟡 黄区	6	3.50
🟡 黄区	7	3.65
🟡 黄区	8	3.75
🟡 黄区	9	3.85
🔴 红区	10 或更多	4.00

红区（≥10）自动顶格罚（k=4.00）；黄区（5–9）由监管斟酌——Basel 给出四类例外成因：① 模型基本完整性缺失（数据错误/程序 bug）→ 罚；② 模型精度不足 → 罚；③ 盘中交易（VaR 基于静态组合）→ 考虑罚；④ 坏运气（波动率与相关性大幅偏离常态）→ 不提供处罚指引（且利率/汇率意外变动、政治事件、自然灾害导致的例外可被豁免——监管故意把口径留得模糊，以便大动荡时调整）。注意经济学：99% vs 97% 口径的资本要求相差 1.24 倍——所以低置信度模型"省资本"的诱惑很大，这是 Basel 死盯 Type II 的原因。行业改良提案：降到 95% + 提高乘数 → 年预期例外 13 个、Type I 概率约 12.5%、Type II 降到 7.4%；或拉长回测期（缺点是市场/组合/风险结构随时间漂移）。

持有期的选择（补充考点）

两种理论：① 持有期 = 清仓或对冲组合所需的时间（VaR 衡量"来得及纠错之前"的损失）；② 持有期 = 组合因非风险活动（交易）而不变的时间窗。两者差别不大——很多银行就用日频 VaR 对齐日损益；应用上持有期比置信水平更重要。

🔑 英文要点速查 · English Essentials

backtesting 回测 — Compare actual losses with VaR predictions; exceptions should occur no more than (1−c) of the time; Basel penalizes >4 exceptions over 250 days.
difficulties 难点 — Static portfolio vs dynamic actual; extra P&L factors (fees, intraday, spreads); limited sample; track actual, hypothetical and cleaned returns; adjust the model if hypothetical fails.
failure rate — N/T; expected exceptions = p×T (12.6 at 95%, 252 days; 2.5 under Basel 99%).
z-test — z = (x − pT)/√(p(1−p)T); example z = 2.72 > 1.96 ⇒ reject; the rejection confidence level is unrelated to the VaR confidence level.
Type I / II — Type I: reject an accurate model (correct model yields ≥5 exceptions 10.8% of the time); Type II: fail to reject an inaccurate model (12.8%).
LR_uc (Kupiec) — Unconditional coverage: total count only; reject if LR_uc > 3.84 (χ²₁, 95%); N=12 example → 0.03.
nonrejection regions 非拒绝区间 — T=252: 6<N<20 at 95%; 2<N<12 at 97.5%; N<7 at 99%; longer samples narrow the interval; high-confidence models are harder to backtest.
LR_cc (Christoffersen) — LR_cc = LR_uc + LR_ind; reject independence if LR_ind > 3.84; reject model if LR_cc > 5.99; clustering signals changed correlations or positions.
Basel zones — 99%; ~250 days; green 0–4 (k=3.00); yellow 5–9 (3.40–3.85, supervisory discretion; four cause categories; bad luck exempt); red ≥10 (4.00).
economics — 99% vs 97% capital = 1.24×; proposed 95% + higher multiplier ⇒ Type II falls to 7.4%.
holding period — Either time-to-liquidate/hedge or the horizon over which the portfolio is unchanged; daily VaR matches daily P&L; horizon matters more than confidence level.

📝 本章自测 · Self-Check

以下为自编练习题（非真题）：题干保留英文考试形态，解析为中文——先自己判断，再点开核对。共 4 题。

Q1. A VaR model is constructed at the 98% confidence level and backtested over 500 days. The expected number of exceptions is closest to:

A. 5.

B. 10. ✅

C. 20.

D. 2.5.

B 正确。考点：预期例外数 = (1−c)×T
(1−0.98)×500 = 10。A = 把 500 当 1,000 或是 (1−0.99)×500；C = 0.04×500（取错尾部概率）；D = Basel 的 2.5（99%、250 天），串了场景。公式一句话：预期例外 = 尾部概率 × 天数。

Q2. A risk manager backtests at the 95% confidence level over 252 days and observes 18 exceptions. The z-score for model verification is closest to:

A. 0.98

B. 1.10

C. 1.56 ✅

D. 2.20

C 正确。考点：z 检验代入
z = (18 − 0.05×252)/√(0.05×0.95×252) = (18 − 12.6)/3.4598 = 5.4/3.4598 = 1.56。预期 12.6 个，分母 3.4598 固定。A ≈ x=16 时的值；B/D 是不同观测数的结果。判读：1.56 < 1.96 → 不拒绝（虽然例外偏多，但还没到统计显著）。

Q3. Which of the following is most accurate about conditional coverage in backtesting?

A. It evaluates whether exceptions are distributed independently over time, in addition to their total number. ✅

B. It ignores the number of exceptions and considers only their timing.

C. A model that passes the unconditional test necessarily passes the conditional test.

D. It sets the capital multiplier in the Basel penalty zones.

A 正确。考点：条件覆盖的定义
条件覆盖 = 数量 + 时间分布/独立性（A 对；B 错——它是"数量（LR_uc）+ 独立性（LR_ind）"的合成）。C 错——可能数量合格但扎堆（独立性被拒）；D 错——乘数由 Basel 例外数量分区决定，与统计检验无关。记忆：LR_cc = LR_uc + LR_ind。

Q4. Under the Basel backtesting framework (250 trading days), a bank that records 8 exceptions falls into which zone, with what capital multiplier?

A. Green zone, k = 3.00.

B. Yellow zone, k = 3.40.

C. Red zone, k = 4.00.

D. Yellow zone, k = 3.75. ✅

D 正确。考点：Basel 惩罚区对照
8 个例外 → 黄区、k = 3.75（D）。A 错（绿区 0–4）；B 的 3.40 对应 5 个例外；C 错（红区 ≥10、自动顶格）。黄区（5–9）由监管根据例外成因裁量，红区才自动罚——这个"裁量 vs 自动"的边界常考。

市场风险 · VaR 映射

5. VaR 映射 VaR Mapping

要点：mapping principles · general vs specific risk · principal / duration / cash flow mapping · undiversified vs diversified VaR · stress testing via mapping · tracking error VaR vs a benchmark · mapping linear derivatives (forwards, FRAs, swaps) and options

🇨🇳 中文导览

一个几千个头寸的组合没法逐个算风险——映射（mapping）就是"把组合翻译成少数风险因子的暴露"。① 原理：识别共同风险因子（利率、股指、汇率…），把每个头寸的市值分配到因子暴露上，按列汇总。② 一般 vs 特定风险：因子越精细，残留的特定（非系统性）风险越小——用久期做唯一因子的债券组合残留巨大，加信用、货币因子后渐小（股票版：5,000 只股的协方差项要 1,250 万个 → 映射到指数只留 β 与残差）。③ 固定收益三法：principal（最粗，只算本金、用平均期限）→ duration（映射到久期等长的零息债）→ cash flow（最精确：逐笔现金流 PV 映射 + 跨期相关矩阵）。④ 组合 VaR：undiversified = Σ|xᵢ|Vᵢ（完全相关假设）；diversified = √(xV)′R(xV)（带相关矩阵）。⑤ 跟踪误差 VaR：和基准组合对账；现金流结构最贴的跟踪误差最小（绝对 VaR 最小 ≠ 跟踪误差最小）。⑥ 衍生品：线性工具（远期/FRA/互换）拆成基础头寸用 delta-normal；期权非线性——短持有期还行，长期限里 delta 不稳就不准。

三法结果一眼记（$200M 组合）：principal $2.968M > duration $2.737M > cash flow $2.615M。
主公式两条：undiversified = Σ|xᵢ|Vᵢ；diversified = √(x×V)′R(x×V)。
压测联动：把每个零息按自己的 VaR% 打折 → 重估组合，差 = undiversified VaR（仅当相关性=1 才成立）。
跟踪误差：Portfolio C（2 年期权重最高）跟踪误差最小 $0.17M；E 杠铃绝对 VaR 最低（1.76）但跟踪误差最大（0.84）。
期权：−αSσ√T 一日例 = −$2.59；长期限用 Taylor/delta-gamma 近似。

关键术语：primitive risk factors基本风险因子、specific risk特定风险、principal / duration / cash flow mapping三种映射法、undiversified / diversified VaR未分散/分散 VaR、tracking error VaR跟踪误差 VaR、delta-normaldelta-正态法。

🧭 知识网位置前 4 章都在"测风险"——本章解决"怎么把复杂组合塞进模型"；后接第 6 章验证、第 11 章回归对冲（因子视角的应用）、第 14 章 FRTB（交易账户的因子化框架）。相关章节第 4 章 · 回测 VaR 第 6 章 · 模型验证 & PIT 第 14 章 · FRTB

5.1 映射的原理与流程 mapping principles

映射 = 用风险因子暴露替换组合的当前头寸：第一步给组合里所有头寸计量市值；第二步把它们分配到共同风险因子（因子暴露 xᵢⱼ），按因子列汇总成向量。五大原则：① 当头寸多到没法逐个算时，聚合暴露；② 简化成基本风险因子（几千个头寸可能系于同一个汇率 → 一个聚合因子）；③ 风险口径允许聚合、定价口径不允许（价格不能相加）；④ 用于特征随时间变化的头寸（债券到期、期权）；⑤ 没有历史数据时（如 IPO）照样能用因子的历史。红利的直觉：把 5,000 只股票逐个建模需 1,250 万个协方差项——映射到"市场指数 + β + 残差"后参数骤减。

单一指数模型 ⭐ R_i = α_i + β_iR_M + ε_i　·　β_p = Σw_iβ_i　·　V(R_p) = β_P²V(R_M) + Σw_i²σ_ε,i²
组合方差拆两块：一般市场风险（β²·市场方差）+ 特定风险（残差加权平方和）。α 项与风险无关、忽略；假设残差与市场及其他股票不相关。

5.2 一般风险与特定风险 general vs specific risk

选几个因子？太少 → 模型省事但特定风险大；太多 → 更精确但建模费时。特定风险 = 逐个头寸的非系统性/个体风险；定义越精细，特定风险越小——例：债券组合只用久期一个因子，评级/期限/币种差异全落进特定风险；加信用一个因子 → 变小；再加货币因子 → 更小。所以"特定风险"是相对于"一般市场风险"定义的：你拿什么当因子，决定了什么算残余。考试最爱的配对题：汇率（一般因子 ✓）、零息债（不是一个"风险因子"——它是映射工具；其利率才是因子）。

5.3 固定收益三法：从粗到精 principal / duration / cash flow

用两券组合演示（各 $100M：1 年期 3.5% + 5 年期 5%，零息 VaR% 表：1Y 0.4696、2Y 0.9868、3Y 1.4841、4Y 1.9714、5Y 2.4261）：

Principal mapping（本金法）：只认"本金什么时候还"——组合平均期限 = 0.5×1 + 0.5×5 = 3 年；把 $200M 都放在 3 年零息的风险上：VaR = 200M × 1.4841% = $2.968M。最粗糙（忽略一切中间现金流）。
Duration mapping（久期法）：把组合换成"久期等长的零息债"。Macaulay 久期 = Σt·PV(CF) / ΣPV(CF) = 553.69/200 = 2.768 年；2.768 年的 VaR% 用线性插值：0.9868 + (1.4841−0.9868)×(2.768−2) = 1.3687；VaR = 200M × 1.3687% = $2.737M。难点：未必存在"恰好等于久期"的零息风险点，插值是常态。
Cash flow mapping（现金流法）：最精确——逐笔现金流贴现（PV：104.83 / 4.63 / 4.42 / 4.24 / 81.88 = $200.00），各自乘对应零息的 VaR%，再带上跨期限相关矩阵：未分散 VaR = 0.4923+0.0457+0.0656+0.0836+1.9864 = 2.674；分散化 VaR = √6.840 = 2.615。

两口径 VaR ⭐ 必背 Undiversified VaR = Σ|x_i| × V_i　·　Diversified VaR = √(x×V)′R(x×V)
x = 现金流现值向量；V = 各零息 VaR%；R = 相关矩阵。完全相关（ρ=1）时两口径相等；相关性越低、分散化节省越多（2.674 → 2.615）。

教材例：三法对比（同两券组合）

方法	映射对象	VaR
Principal	平均期限 3 年、全部本金	$2.968M
Duration	2.768 年久期零息（插值 1.3687%）	$2.737M
Cash flow	逐笔 PV + 相关矩阵（√6.840）	$2.615M

精度递增、复杂度递增；考试重点是"三法的区别在于对现金流时点与金额的考虑程度"以及两口径公式——复杂矩阵演算不考。

5.4 用映射做压力测试 stress testing via mapping

假设所有期限完全相关（ρ=1）：把每个零息的现值因子按自己的 VaR% 打折（1 年：0.9662×(1−0.4696%) = 0.9616），再用调整后的因子重估组合：$200.00 → $197.33，差 2.67 = 未分散 VaR。这就是"按因子逐个施压"的压测思路——比搭相关矩阵简单，但只在相关性为 1 时成立；相关性稍低就会高估压力损失。

5.5 基准与跟踪误差 VaR benchmark & tracking error

常见用法：设一个基准组合，测其他组合相对基准的 VaR = 跟踪误差 VaR。构造"久期与基准相同"的两个零息组合（多种配对 A–E，久期都配到 4.77）后：基准月 VaR = $1.99M；各配对绝对 VaR（A 2.32 / B 2.24 / C 2.14 / D 2.05 / E 1.76）与跟踪误差（A 0.45 / B 0.31 / C 0.17 / D 0.21 / E 0.84）。三个考点结论：① 跟踪误差源于曲线的非平行移动；② 现金流结构最贴基准的组合跟踪误差最小（C——基准 2 年期权重最大，C 恰含 2 年零息）；③ 绝对 VaR 最低 ≠ 跟踪误差最小——E 是杠铃，绝对 VaR 全场最低（1.76）却有最大跟踪误差（0.84）。方差改善度：1 − (TE/基准VaR)² = 1 − (0.17/1.99)² = 99.3%。

Tracking error VaR TE VaR = α√( (x − x₀)′Σ(x − x₀) )　·　方差改善 = 1 − (TE / benchmark VaR)²

5.6 衍生品映射：线性 vs 非线性 derivatives mapping

线性工具（可用 delta-normal）——只要工具能拆成基础因子的线性组合，配好波动/相关矩阵就能算：• 远期：价值 = (F_t − K)e^{−rt}；买 EUR 的一年远期 ≈ "空 US T-bill + 多 EUR 一年票据 + 多 EUR 即期"三个头寸——未分散 VaR $6.010M、分散化 VaR $5.588M。• FRA：卖 6×12 FRA（$100M）= 借 6 个月 + 投 12 个月：PV = 100/1.0205 = $97.991M，远期利率 = [(1.045/1.0205)−1]×2 = 4.8%；未分散 VaR $0.620M、分散化 $0.348M。• 利率互换：付固定收浮动 = "空一只固定息票债 + 多一只浮息票据"（浮息部分价值 ≈ $100M 面值）——同样的"拆头寸 → |x|V → 矩阵"三步。
非线性工具（期权）：价值与标的是曲线关系（delta 只是切线）。delta-normal 仍可用——把期权折算成"delta 份标的"的线性暴露；但只在短持有期、delta 稳定时可靠：期限一长、delta 变化大，线性近似失效（正确做法：Taylor 展开 / delta-gamma）。一日范本：−αSσ√T = −1.645×100×0.25×√(1/252) = −$2.59（95% 一日最差损失，部位 100 → 97.41）。

拆解对照速记

远期(F−K)e^{−rt}：空本币 bill + 多外币 bill + 多外币即期。
FRA：借短（负 PV）+ 投长（正 PV）。
互换：固定腿 = 息票债（空），浮动腿 = 浮息票据（多）。
期权：delta 份标的（线性近似）+ 剩余曲率用 gamma 修。

🔑 英文要点速查 · English Essentials

mapping 映射 — Replace positions with risk-factor exposures; aggregates thousands of positions into primitive factors; aggregation is valid for risk measurement, not for pricing; useful for changing instruments and data-poor assets (e.g., IPOs).
general vs specific risk — Specific (unsystematic) risk shrinks as more general factors are defined; specific risk is defined relative to the chosen factors; exchange rates are factors, zero-coupon bonds are mapping instruments.
single-index model — R_i = α_i + β_iR_M + ε_i; β_p = Σwβ; V(R_p) = β_P²V(R_M) + Σw_i²σ_ε,i²; 5,000 stocks ⇒ 12.5 million covariances, collapsed by index mapping.
principal mapping — Principal only, at the average life: 0.50(1)+0.50(5) = 3 years ⇒ 200M × 1.4841% = $2.968M.
duration mapping — Zero with duration 2.768; interpolated VaR% = 1.3687% ⇒ $2.737M.
cash flow mapping — Most precise: PV of each cash flow mapped to zeros plus inter-maturity correlations; undiversified 2.674; diversified √6.840 = 2.615.
undiversified / diversified — Σ|x_i|V_i vs √(x×V)′R(x×V); equal only under perfect correlation.
stress testing — Reduce each zero by its VaR and revalue: 200.00 → 197.33 (Δ = 2.67); viable only if correlations equal 1.
tracking error VaR — Benchmark duration matched by two-zero portfolios; smallest TE for the best cash-flow match (C: $0.17M); E has the lowest absolute VaR (1.76) but the largest TE (0.84); variance improvement 99.3%.
forwards — (F_t−K)e^−rt; EUR example decomposes into three positions: undiversified $6.010M, diversified $5.588M.
FRAs & swaps — FRA = borrow short + invest long (F = 4.8%; undiversified $0.620M, diversified $0.348M); swap = short fixed-coupon bond + long floater.
options — Nonlinear; delta-normal acceptable for short horizons with stable delta; −αSσ√T = −$2.59 (one-day example); longer horizons need Taylor / delta-gamma.

📝 本章自测 · Self-Check

以下为自编练习题（非真题）：题干保留英文考试形态，解析为中文——先自己判断，再点开核对。共 4 题。

Q1. As more general risk factors are added to a VaR mapping process, the portfolio's specific risk:

A. increases.

B. is unaffected.

C. generally decreases. ✅

D. becomes the dominant variance term.

C 正确。考点：特定风险与因子数量的关系
因子越精细，"残余"越小——债券组合从"只用久期"到"加信用、加货币"的过程就是特定风险逐步收缩的过程（C）。A 反了；B 错——特定风险的定义取决于因子选择；D 只在因子极度贫乏时才可能（如只用久期），不是一般规律。口诀：你拿什么当因子，什么就不算残余。

Q2. A portfolio holds two par bonds, each worth $100 million: one maturing in 2 years, one maturing in 6 years. Using principal mapping and the zero-coupon VaR% table (1Y 0.4696, 2Y 0.9868, 3Y 1.4841, 4Y 1.9714, 5Y 2.4261 — assume the 4-year value applies), the portfolio VaR is closest to:

A. $3.94 million. ✅

B. $2.97 million.

C. $4.93 million.

D. $1.97 million.

A 正确。考点：principal mapping 代入
平均期限 = 0.5×2 + 0.5×6 = 4 年；VaR = $200M × 1.9714% = $3.94M（A）。B = 用了 3 年期 Va%（1.4841，即原教材例的平均期限）；C = 把 4 年 Va% 乘成 250M 之类的量级错；D = 只算单只债。记法：本金法 = 总市值 × 平均期限对应的 VaR%。

Q3. The difference between a portfolio's diversified VaR and its undiversified VaR is driven by:

A. the bid-ask spread of the underlying instruments.

B. the passage of time.

C. the number of positions in the portfolio.

D. the correlations among the mapped risk factors. ✅

D 正确。考点：两口径 VaR 的本质差异
未分散 VaR = Σ|xᵢ|Vᵢ 假设完全相关（ρ=1）；分散化 VaR = √(xV)′R(xV) 引入相关矩阵 R——两者之差全在相关结构（D）。A/B 与口径无关；C 错——头寸数量不改变"两个公式的差别来源"。例：2.674 → 2.615 的节省来自期限间相关系数低于 1。

Q4. For an option position, delta-normal VaR estimation is least reliable when:

A. the risk horizon is very short, such as one day.

B. the risk horizon is long, over which the option's delta changes substantially. ✅

C. the underlying asset pays no dividends.

D. the option is European rather than American.

B 正确。考点：非线性工具与 delta-normal 的边界
delta 是切线、只在"触点附近"有效——持有期越长、delta 漂移越大，线性近似越失真（B）。A 恰是最可靠的情形（一日内 delta 近似稳定）；C/D 与近似质量无关。进阶解法：保留曲率——用 delta-gamma（Taylor 展开）方法。

市场风险 · 模型验证与 PIT

6. VaR 模型验证 & PIT 回测

要点：conceptual soundness · pseudo-historical returns · sensitivity analysis & marginal VaR · VaR confidence intervals · benchmarking (positional vs P&L GARCH VaR) · exceedance properties (unconditional coverage / independence / conditional coverage) · probability integral transform (PIT) · goodness-of-fit: Kolmogorov-Smirnov / Anderson-Darling / Cramér-von Mises

🇨🇳 中文导览

本章把"验证"做深一层：从"数例外"升级到"检验整个预测分布"。上半部分（模型验证）：① 概念健全性——方法、数据、假设三轴都要经得起问，且模型必须对头寸变化有反应（用伪历史收益：按当前组合重算历史）；② 敏感性分析——每次动一个输入重算 VaR；边际 VaR = 头寸权重微动带来的组合价值变化（回归斜率）；③ 置信区间——数据质量/分布假设/历史发现三层挑战；④ 基准化——对比模型（positional VaR vs 损益 GARCH VaR）。下半部分（PIT）：⑤ 例外回测的三大属性（无条件覆盖/独立性/条件覆盖）；⑥ PIT 方法——把每天的实际损益按当天的预测分布换算成 [0,1] 分位数（例：−$250 落在 −0.5σ → PIT = 0.308），理想时 PIT 服从均匀分布且独立；⑦ 三大拟合检验——KS（最大垂直距离）/ A-D（重尾部）/ CVM（均方偏差）。

伪历史 vs 原始历史：用衍生品叠加降风险后，原始历史 VaR 纹丝不动（错的）、伪历史 VaR 会下降（对的）。
敏感性分析的敏感度取决于：① 头寸在组合中的份额；② 头寸价值对组合价值的敏感度。
CI 三条铁律：不对称；数据越多越窄；GARCH VaR 的 CI 比历史模拟更窄（更精确）；压力期历史模拟 CI 变宽。
PIT 四步：取当期分布 → 收当期观测 → 在 CDF 上定位得 PIT 值 → 检验均匀性/独立性/条件覆盖。
检验对号：KS = max 垂直距离；A-D = 尾部加权（风险管理最爱）；CVM = 均方差。
基准化结论：positional VaR 更保守（挂监管资本）却很少赢过损益 GARCH VaR 的准确性。

关键术语：conceptual soundness概念健全性、pseudo-historical returns伪历史收益、marginal VaR边际 VaR、positional VaR头寸 VaR、probability integral transform概率积分变换、goodness-of-fit拟合优度。

🧭 知识网位置第 4 章学了"数例外"（LR 检验）→ 本章升级为全面验证（过程健全性 + 全分布回测）→ 相关线：相关性/因子模型（第 8–10 章）、FRTB（第 14 章）。相关章节第 4 章 · 回测 VaR 第 8 章 · 相关性基础第 14 章 · FRTB

6.1 起点：VaR 作为监管资本的度量 setting

1996 年 Basel 协议把 VaR 定为银行市场风险监管资本的核心指标。VaR 三要素：损失规模（模型算）+ 概率 c（Basel 取 c = 1%）+ 时间窗（Basel 取 10 天）。实际损失超过 VaR 阈值 = 例外（exceedance）——例外越多，监管资本要求越高。技术路线两分：单变量法（给组合收益设一个分布、取最低 c% 分位）vs 多变量法（对每个成分分别设分布 + 波动率 + 成分间相关性——组合一大就难管）。历史数据法不含动态波动率 → 催生 GARCH VaR。研究还发现：银行用的历史 VaR 模型常常跑输对银行损益做 GARCH 的"朴素"模型——历史 VaR 的实用性因此被打上问号。

6.2 概念健全性：三轴验证 conceptual soundness

评估模型"概念上健不健全"，查三件事：① 方法论是否可靠；② 输入数据质量；③ 模型假设是否成立。还要问一句"模型为谁设计"——用途（算监管资本 vs 内部风险评估）决定评价标准。关键动作：伪历史收益（pseudo-historical returns）——按当前组合构成重算的历史收益，而非照搬当时的实际收益：若组合构成变化大（如用衍生品叠加削风险），原始历史 VaR 不会变（没反应=不合格），伪历史 VaR 会下降（反映现实）。缺数据的日常：大交易台的组合成分常有数据缺口（历史不足/估值缺失）；兜底做法是用代理数据 + 追踪不在模型里的风险。判死刑的一票：对头寸变化无反应的模型，直接挂在概念健全性检验上。

6.3 敏感性分析 sensitivity analysis

三步骤：① 识别关键输入（头寸、假设、伪历史中的简化——遗漏和简化会实质性影响输出，监管要求银行追踪代理数据与"模型外风险"）；② 一次动一个输入、重算 VaR（如把某头寸权重加减一定比例）——其中 边际 VaR = 权重微动引起的组合价值变化，可用"组合价值变化对成分价值变化"的回归斜率估计；③ 分析结果——新 VaR 与原 VaR 对比。VaR 的敏感度取决于两点：头寸占组合的份额 与 头寸价值对组合价值的敏感度。数据缺口：可用代理替代，但代理的波动/相关性可能不同——稳健做法是从历史关系"反推"缺失成分的敏感度（样本越大越稳）；或者直接检验"被省略的头寸/风险因子是否不重要"，不重要就记录在案。四大好处：风险评估（找出最具影响力的因子）、模型验证（稳健性）、监管合规、决策改善。

marginal VaR marginal VaR ≈ 组合价值变化对成分价值变化的回归斜率（权重微动 → 组合价值变化）
敏感度 = f(头寸份额，头寸价值对组合的敏感度)。

6.4 VaR 的置信区间 confidence intervals

思路：给 VaR 估计套一个区间，使"真 VaR"以极高概率（如 99%）落在其中。理论上计算不难——难在给 VaR 估计本身指定概率密度函数（多数情况直接假设正态）。三大挑战：① 数据质量与可得性——数据不全/过期/有错 → 区间不可靠；收益非正态（肥尾、偏斜）让正态统计工具失灵；② 模型假设——选错分布 = 大错；替代思路：不只盯一个分位点，而用伪历史收益分布的方差；或者上非参数法——排序统计（order statistics）与 bootstrap（有放回抽样生成"自举伪历史"，每个样本算 VaR，得到 VaR 的分布）；③ 历史发现——置信区间不对称；数据越多 → 区间越紧；GARCH VaR 的 CI 比历史模拟更紧；排序统计与 bootstrap 都不能更紧；压力期历史模拟的 CI 反而变宽（更不准）。

6.5 基准化与它的难题 benchmarking

基准化 = 拿本行模型与另一个模型对比——通常只在计划切换模型的短期内做（平白养第二个模型太贵，所以日常根本没有正式基准化机制）。常见做法只是把两条线画在一起看谁更保守（信息量很低）；正式的统计检验有硬伤：① 交易组合频繁变化 → 误差非 i.i.d.（回归类结果尤甚）；② 银行往往只有一个模型可测。务实替代：用回测当基准化——把银行的 positional VaR（头寸 VaR）与实际损益对账，等价于和"损益序列的 GARCH VaR"比较。实证结论两条：positional VaR 更保守（因为挂钩监管资本惩罚）；但因为保守，它的准确性很少赢过损益 GARCH VaR。

6.6 从例外法到 PIT：全分布回测 from exceedances to PIT

例外法只盯"预设的尾部截断点"，三大属性：① 无条件覆盖（总数对不对：95% 模型该有 5% 例外；Kupiec 检验、χ² 临界 3.84；252 个观测的非拒绝区间 6–20——≤6 过于保守、≥20 低估风险）；② 独立性（例外观测之间有没有"抱团"——把例外过程看作马尔可夫链，检验 π₀₁ = π₁₁；LR_ind 服从 χ²(1)，临界 3.84）；③ 条件覆盖（前两者合体：LR_cc = LR_uc + LR_ind，临界 5.99）。
PIT 法把视图扩展到整个预测分布，四步：① 取当期预测分布（例：明日损益 ~ N(0, $500)）；② 收当期实际观测（例：−$250）；③ 转成 [0,1] 的"等效均匀值"——看观测落在 CDF 的什么位置（−$250 = −0.5σ → 30.8% 分位 → PIT = 0.308）；④ 对 PIT 序列检验均匀性 / 独立性 / 条件覆盖。对应关系：PIT 的"均匀性" ↔ 无条件覆盖（但覆盖所有分位、不止尾部）；PIT 的"独立性" ↔ 例外法的独立性。

PIT 定义 ⭐ PIT_t = F_t(观测值)，其中 F_t 为当期预测 CDF
四步流程：取分布 → 收观测 → 定分位（得 PIT）→ 检验。理想模型下 PIT ~ U(0,1) 且独立。

教材例：连续多日的 PIT 序列（节选）

日	预期σ	实际损益	PIT	标准正态等效
1	2.00%	4.24%	0.983	2.12
3	1.65%	−0.70%	0.335	−0.43
5	3.25%	−5.48%	0.046	−1.68
7	1.85%	−3.03%	0.051	−1.64

读法：第 5 天实际跌了 −5.48%，以当天 σ=3.25% 计 = −1.69 个标准差 → 落在 CDF 前 4.6% → PIT=0.046（很低的 PIT 预示"接近尾部"）。每天的 PIT 拼起来就是检验对象。

6.7 PIT 分布与三大拟合检验 goodness-of-fit

理想模型（预测完全准确）下，PIT 大样本应呈 均匀分布 U(0,1) 且相互独立——每个十分位里各 10%。不完美模型会"有的地方低估、有的地方高估"，QQ 图上偏离 45° 直线。三大检验（都基于"经验 CDF vs 理论直线"的 QQ 比较）：① Kolmogorov-Smirnov（KS）：取理论与实际之间最大垂直距离 D = max|zⱼ − Aⱼ|——越小越好，完美预测下随样本增大 D→0；对所有偏差一视同仁（不重视尾部）。② Anderson-Darling（A-D）：给尾部更高权重——风险管理者的最爱（我们关心尾部）。③ Cramér-von Mises（CVM）：不看最大距离，看均方偏差。独立性怎么测？Berkowitz 建议把 PIT 转成标准正态变量（避免 [0,1] 有界支集的处理麻烦），再用对数似然类方法检验序列独立性；条件覆盖可以画"PIT vs 滞后 PIT"散点图目测——理想是均匀铺开、无聚集。

三检验一句话对号

KS = 最大垂直距离（极值型）。
A-D = 尾部加权（风险视角最优）。
CVM = 均方偏差（整体型）。

🔑 英文要点速查 · English Essentials

VaR components — Loss size; probability c (Basel: c = 1%); time frame (Basel: 10 days); exceedances push regulatory capital higher.
conceptual soundness — Methodology soundness; input data quality; validity of assumptions; model must match its intended use; must respond to position changes (else it fails a crucial test).
pseudo-historical returns — Historical returns recalculated under the current portfolio composition; critical when composition changes (e.g., derivatives overlay lowers VaR); missing data handled with proxies and tracking of omitted risks.
sensitivity analysis — Identify key inputs → adjust one input and recompute → analyze; marginal VaR = change in portfolio value for a small weight change (regression slope); sensitivity depends on position share and position-value sensitivity.
sensitivity benefits — Risk assessment; model validation; regulatory compliance; improved decision-making (not reducing regulatory capital).
VaR confidence intervals — Rarely used; challenges: data quality/availability (nonnormal returns); model assumptions (distribution choice; alternatives: variance of pseudo-history; order statistics; bootstrap); findings: asymmetric, tighter with more data, GARCH VaR tighter than historical simulation; nonparametrics no tighter; stress periods widen historical-simulation CIs.
benchmarking — Short-term, model-transition driven; plotting reveals little; statistical tests suffer non-i.i.d. errors; alternative: backtest positional VaR vs P&L GARCH VaR; positional VaR is more conservative but rarely more accurate.
exceedance properties 三属性 — Unconditional coverage (count; 6–20 nonrejection at 95%/252); independence (Markov chain; π₀₁ = π₁₁; LR_ind > 3.84); conditional coverage (LR_cc = LR_uc + LR_ind; 5.99).
PIT steps — Forecast the distribution → collect the observation → locate it on the CDF (that percentile = PIT value; −$250 at −0.5σ ⇒ 0.308) → test uniformity/independence/conditional coverage.
PIT properties — Perfect forecasts ⇒ PITs uniform on [0,1] with independence; uniformity generalizes unconditional coverage to all levels; imperfect models over/under-forecast in places; QQ plot should be the 45° line.
KS / A-D / CVM — KS: max vertical distance (D → 0 as n grows for perfect forecasts); A-D: tail-weighted; CVM: mean squared deviation.
independence of PITs — Transform to standard normal (Berkowitz); evaluate with log-likelihood methods; conditional coverage via PIT-vs-lagged-PIT scatterplots (no clustering).

📝 本章自测 · Self-Check

以下为自编练习题（非真题）：题干保留英文考试形态，解析为中文——先自己判断，再点开核对。共 4 题。

Q1. A risk model forecasts tomorrow's P&L as normally distributed with mean $0 and standard deviation $400. The actual P&L turns out to be −$600. The PIT value for this observation is closest to:

A. 0.067 ✅

B. 0.933

C. 0.130

D. 0.500

A 正确。考点：PIT 的换算
−600/400 = −1.5 个标准差 → 查标准正态 CDF：N(−1.5) = 0.067。B = 1−0.067（符号搞反——PIT 记的是"落在何处"的左侧分位）；C 是把密度值（φ(1.5) ≈ 0.13）误当分位数；D 是"以为对称就 0.5"。口诀：先标准化、再查左侧分位；PIT 越低越接近左尾。

Q2. In exceedance-based backtesting, which property requires that the probability of an exceedance on any day is unrelated to an exceedance on the previous day?

A. Unconditional coverage.

B. Calibration.

C. Independence. ✅

D. Goodness-of-fit.

C 正确。考点：三属性对号
独立性（C）检验"例外扎堆"——用马尔可夫链框架检验 π₀₁ = π₁₁，LR_ind > 3.84 拒绝。A 只看总数（6–20 区间）；B = 无条件覆盖的别称；D 是 PIT 阶段的概念。三属性记序：数量 → 独立性 → 两合一（条件覆盖）。

Q3. Which goodness-of-fit test for the distribution of PITs places the highest emphasis on tail observations?

A. Kolmogorov-Smirnov test.

B. Cramér-von Mises test.

C. The chi-squared test of exceedances.

D. Anderson-Darling test. ✅

D 正确。考点：三大拟合检验的分工
A-D（D）给尾部更高权重——所以风险管理最爱（关心尾部）。A（KS）= 最大垂直距离、对所有偏差一视同仁；B（CVM）= 均方偏差；C 是例外法工具、不是 PIT 拟合检验。记忆表：KS 看最大、CVM 看均方、A-D 看重尾部。

Q4. A bank's VaR model shows no change in measured risk even after the portfolio's positions materially change. The model most directly fails:

A. the independence property of backtesting.

B. a crucial conceptual soundness test of model validation. ✅

C. the Basel penalty-zone test.

D. the PIT uniformity requirement.

B 正确。考点：概念健全性的核心测试
"对头寸变化无反应"是概念健全性的一票否决项（B）——正确做法用伪历史收益重算。A（独立性）和 D（均匀性）是统计回测属性、不由头寸反应性质决定；C 惩罚区只数例外个数。答题锚点：概念健全性 = 方法/数据/假设 + 模型要对现实变化有反应。

市场风险 · 相关性基础

8. 相关性基础：Correlation Basics

要点：financial correlation risk · static vs dynamic correlation · portfolio variance & covariance · correlation options (exchange / quanto) · correlation swaps · VaR & correlation · correlation in the 2007–2009 crisis · default correlation, systemic & concentration risk

🇨🇳 中文导览

本章是"相关性"的主场——它既是分散化的引擎，也是危机里集体失效的那根链条。① 金融相关性风险：资产间相关性向不利方向变化带来的损失；2007–09 是教科书案例——平时低相关/负相关的资产突然一起跌。② 组合数学：两资产方差公式、协方差、相关系数 ρ = cov/(σxσy)；相关性越低、分散化收益越大（收益/风险比越高）。③ 相关性期权：多资产策略里大多"低相关 = 高价格"（exchange、quanto 等），唯一例外是"取两者较差"的期权。④ 相关性互换：固定相关性 vs 实现相关性对赌，ρ_realized = 2/(n²−n)·Σρᵢⱼ。⑤ VaR 与相关性：σP = √(βhCβv)，相关性↑ → VaR↑ → 监管资本（3×10 日 VaR）↑。⑥ 危机复盘：CDO tranche 的对冲基金爆仓、2005 年 GM/福特降级传导、copula 与 7,750 个相关性、AIG 与雷曼。⑦ 延伸到信用：违约相关性、违约期限结构、系统性风险与集中度（P(AB) 公式）。

数字锚点：X/Y 例 ρ = −0.7501；等权组合 σ = 0.1464、收益/风险比 1.725。
相关系数口径：ρ 在 [−1, +1]；分散化靠低相关、盘点风险怕高相关——一句话主题。
交易例：相关性互换（0.28 vs 0.20 → $80k）；三资产 ρ_realized = 2/(9−3)×Σ。
VaR 例：$8M+$4M、ρ=0.6 → σP 17.98% → 10 日 99% VaR $1.3248M → 资本 $3.9744M。
危机锚点：CDO 市场 $64bn(2003)→$455bn(2006)；CDS $8tn→$60tn；AIG $500bn；雷曼杠杆 30.7×。
系统危机实证：美股相关性从 27% 升到 50%+；S&P500 只有 11 只上涨。

关键术语：correlation risk相关性风险、wrong-way risk (WWR)错向风险、correlation swap相关性互换、quanto option双币期权、concentration ratio集中度比率、default correlation违约相关性、systemic risk系统性风险。

🧭 知识网位置第 6 章刚做完"模型验证"，本章打开相关性这个贯穿全书的主线：→ 第 9 章（相关性的实证特征）→ 第 10 章（Copula 建模）→ 第 11 章（回归对冲与 PCA）。相关章节第 6 章 · 模型验证 & PIT 第 9 章 · 相关性实证第 10 章 · Copula

8.1 金融相关性风险与它的版图 correlation risk

相关性风险 = 金融/非金融资产之间相关性发生不利变化而造成损失的风险。教材五例：① 利率与商品价格的负相关——利率上升 → 商品持仓受损；② 2012 年希腊危机中墨西哥债券与希腊债券的正相关——希腊出事、墨西哥债券陪跌；③ 2007 年起全球市场相关性集体飙升——本来低相关/负相关的资产一起下跌；④ 非金融版：主权债务水平与汇率的相关（2012 年欧元贬值坑了美国出口商）；美国 GDP 走弱冲击依赖美国市场的亚欧出口商；⑤ 中东动荡 → 油价上升 → 航空出行减少。
静态 vs 动态：静态相关性不随时间变化、衡量特定期间的关系——例：VaR、CDO 的 copula 相关性、二项违约相关模型；动态相关性衡量资产随时间共同变动——例：配对交易（pairs trading）、确定性相关方法、随机相关过程。
CDS 与错向风险（WWR）：买法国债券 + 向德意志银行买 CDS 保护——定价取决于法国违约概率与德银–法国联合违约相关性：相关性上升（德银和法国更可能同时出事）→ CDS 价值下降（纸面亏损）→ 公平利差 s 下降；最坏情形两者同时违约 → 本金 $1M 全损。注意非单调：相关性在 −1 到 −0.4 区间时利差可能反而微升——高度负相关意味着"两国必倒其一而非两败"：法国倒了德银赔付；德银倒了则保护没了、还得花更高价重买 CDS。相关性风险的版图覆盖五大领域：投资、交易、风险管理、全球市场、监管。

8.2 组合视角：方差、协方差与 ρ portfolio mathematics

Markowitz（1952）的出发点：组合收益是加权平均，但风险不是——风险由方差、权重与协方差共同决定。两资产组合：

两资产组合 ⭐ μ_P = w_Xμ_X + w_Yμ_Y　·　σ_P = √( w_X²σ_X² + w_Y²σ_Y² + 2w_Xw_Ycov_XY )
cov_XY = Σ(X_t−μ_X)(Y_t−μ_Y)/(n−1)；ρ_XY = cov_XY/(σ_Xσ_Y)，取值范围 [−1, +1]。

教材演算（X、Y 五年收益）：均值 0.3019 / 0.2032；方差 0.1770 / 0.1655（离差平方和 0.7079 / 0.6620 ÷ (n−1)=4）；协方差 = −0.5135/4 = −0.1284；ρ = −0.1284/(0.4207×0.4068) = −0.7501。等权组合：σ_P = √(0.5²×0.4207² + 0.5²×0.4068² + 2×0.5×0.5×(−0.1284)) = √0.02142 = 0.1464；收益/风险比 = 0.2526/0.1464 = 1.725。教材图示结论：相关性越低、收益/风险比越高（高负相关如 −0.9 时比值 > 250%；高正相关如 +0.9 时接近 50% 口径的图例表述——记住方向：单调下降）。协方差的经济含义：它同时捕捉两资产变动的幅度与方向——反向变动的乘积为负。

8.3 相关性期权：多资产策略 correlation options

相关性交易 = 交易"价格取决于多资产共同变动"的工具；相关性期权（多资产/奇异期权）的价格对两资产相关性极其敏感。常见策略与支付（记方向：低相关 → 更可能一涨一跌 → 更可能有高额支付 → 期权更贵）：

策略	支付
取较高两只股票（option on higher）	max(S₁, S₂)
两股票最大值的看涨期权	max[0, max(S₁,S₂) − K]
交换期权（exchange）	max(0, S₂ − S₁)
价差看涨（spread call）	max(0, S₂ − S₁ − K)
双行权价看涨（dual-strike）	max(0, S₁−K₁, S₂−K₂)
一篮子期权组合（basket）	max[ΣnᵢSᵢ − K, 0]

唯一例外：'取两者较差（worse-of）'的期权——支付 = min(S₁, S₂)，低相关降低其价格（这是唯一一个"低相关不利"的品种）。交换期权的波动率 σ_E = √(σ_X² + σ_Y² − 2cov_XY)——正是 S₂/S₁ 的隐含波动率：ρ 越接近 1，价差越不动 → 期权越不值钱（价→0）；ρ 越低 → 价差越可能拉开 → 越贵。Quanto（双币）期权：投资人用固定汇率锁掉外币风险——例：美国投资者买日经指数 quanto 看涨（锁定 JPY/USD）。相关性越低 → quanto 越贵：若日经涨而日元跌，卖方需要更多日元才能把利润换成美元；正相关（日经↑日元↑）对卖方友好、负相关最伤——所以低相关 → 高价格。

Quanto 直觉口诀

买 quanto = "赚了外币资产、还想按签约汇率换回本币"。怕的是"资产涨、货币跌"（负相关）——卖方要对冲这条缝隙，负相关越大、对冲越贵、期权定价越高。方向判断与 exchange 一致：低相关抬价（worse-of 除外）。

8.4 相关性互换 correlation swaps

相关性互换交易"固定相关性 vs 实现相关性"：买方付固定相关性、到期收取（或支付）实现相关性差额。实现相关性把 n 个资产的所有配对相关系数取平均：

相关性互换 ⭐ ρ_realized = 2/(n² − n) × Σ_i>j ρ_i,j　·　买方支付 = 名义本金 × (ρ_realized − ρ_fixed)
例：3 资产、日对数收益配对相关 0.6 / 0.2 / 0.04；固定 0.20、$1M 名义 → ρ_real = 2/(9−3)×0.84 = 0.28 → 收益 = 1M×(0.28−0.20) = $80,000。实现相关性上升 → 买方赚钱。

另外两种"买相关性"的批发式做法：① 买指数 call + 卖成分股 call——成分间相关性上升 → 隐含波动率上升，而指数 call 的涨幅超过（空头）个股 call 的涨幅；② 付固定方差（买指数的方差互换）+ 收固定方差（成分股）——相关性上升 → 指数方差上升 → 方差互换买方获利。

8.5 VaR 与相关性：资本的正相关 VaR & correlation

风险管理的主线工具是 VaR（方差-协方差法，即 delta-normal 法）：

VaR（矩阵形式）⭐ VaR_P = σ_P × α × √x　·　σ_P = √( β_h × C × β_v )
α = 置信水平对应的 z 值；x = 交易天数；β_h/β_v = 投资金额的横向/纵向向量；C = 收益协方差矩阵（对角的方差 + 非对角的协方差——相关性就藏在这里）。

教材例：两资产 10 日 99% VaR

资产 A $8M、资产 B $4M；ρ = 0.6；日 σ：1.5% 与 2%；α = 2.33。

协方差矩阵：cov₁₁ = 0.000225；cov₂₂ = 0.0004；cov₁₂ = 0.6×0.015×0.02 = 0.00018。
β_hC = [8 4]×C = [0.00252, 0.00304]；再乘 β_v：(0.00252×8)+(0.00304×4) = 0.03232。
σ_P = √0.03232 = 17.98%；VaR = 0.1798×2.33×√10 = $1,324,800（约每四年一次，按 250 交易日/年）。
Basel：交易账户资本 ≥ 3 × 10 日 VaR → 1,324,800×3 = $3,974,400。

核心结论：相关性上升 → 组合 VaR 上升 → 资本要求上升——这是监管死盯相关性的原因。

8.6 相关性如何酿成 2007–09 危机 the GFC

背景条件叠加：互联网泡沫后风险偏好回升，低信用利差、低利率、低波动；房市过度乐观 + 过度举债买高估房产；CDO、CPDO、CDS 等新产品放大房地产投机；评级机构、风控、监管集体低估杠杆——导火索最终是次贷违约。机制要点：① copula 失灵——CDO 通常含多达 125 个资产，copula 模型要估 125×124/2 = 7,750 个相关性；② tranche 对冲爆仓——CDO 分档（equity 承担前 3% 违约、mezzanine 承担 3%–7%），大批对冲基金多 equity 空 mezzanine，以为两腿对冲；结果 2005 年 5 月评级机构把通用与福特降到垃圾级：equity tranche 利差暴涨（多头巨亏）、投资级 CDO 相关性下降让 mezzanine 利差收窄（空头也亏）——两边同时亏，多家大基金破产；③ 市场膨胀与坍塌——CDO 市场 $64bn(2003) → $455bn(2006)，2006 房价走平、违约潮起，2007 房市崩、CDO 崩、全球股商齐跌、相关性全线飙升；④ 损失超预期——连 AAA 档都亏掉 20% 价值（不再被劣后档保护），高杠杆标的的暴露是投资的 10–20 倍；⑤ AIG 卖出 $500bn CDS 而再保不足；雷曼 2008 年 9 月破产时杠杆达股本的 30.7 倍（还不算与 8,000 个对手方的衍生品）；⑥ 监管回应——Basel III 推进、流动性/杠杆率新标准、Gaussian copula 与 CVA、WWR 等新模型补课。

8.7 相关性 x 其他风险：信用、系统、集中度 credit, systemic & concentration

市场风险：VaR 与 ES 都吃协方差矩阵——相关性漂移 = 风险度量漂移。信用风险两块：迁移风险（评级下调 → 违约概率上升 → 现值下降）与违约相关性（同期违约的程度；越低越分散）。实证：跨行业违约相关性大多为正——能源行业例外（与其他行业几乎不相关，抗衰退）；行业内违约相关性高于跨行业 → 系统性因素比个体因素更重要（克莱斯勒倒了，福特和通用更可能跟着倒而不是捡便宜）→ 银行因此限制单一行业敞口。违约期限结构：投资级（如 A 级）违约概率随期限上升（时间越长变量越多）；非投资级（如 CC）短期违约概率更高——熬过近期困境后概率随期限下降。
系统性风险：2007/10–2009/3，道指跌超 50%，S&P 500 只有 11 只上涨（耐用品零售、教育、医药、农业、流媒体、能源、汽配——必需消费与医药抗周期、教育逆周期），其余 489 只下跌；股票间平均相关性从危机前的 27% 升到 50%+——"最需要分散化的时候分散化消失了"。
集中度风险：集中度比率 = 头寸数倒数（100 笔等额贷款 → 0.01；1 笔 → 1.0）。集中度下降 ↔ 违约相关性下降。三银行例（PD=5%、LGD=100%）：

联合违约概率 P(AB) ⭐ P(AB) = ρ_AB × √( PD_A(1−PD_A) × PD_B(1−PD_B) ) + PD_A × PD_B
例（各 $2.5M 贷款、PD=5%）：ρ=1.0 → P(AB)=0.05 → 最坏情形 EL = $250,000（=单笔 $5M 贷款）；ρ=0.5 → P(AB)=0.02627 → EL = $131,350；ρ=0 → P(AB)=0.0025 → EL = $12,500。相关性越低、最坏情形损失越小。集中度再降（1/3）→ 联合违约概率进一步下降。

🔑 英文要点速查 · English Essentials

correlation risk — Loss from adverse changes in correlations (financial or nonfinancial); examples: rates vs commodities (negative); Mexican vs Greek bonds (positive); GFC (everything co-moved down).
static vs dynamic — Static: VaR, copula correlations for CDOs, binomial default correlation model; dynamic: pairs trading, deterministic and stochastic correlation processes.
CDS & WWR — French bond + Deutsche Bank CDS: higher joint-default correlation ⇒ lower CDS value and spread (nonmonotonic for ρ in −1 to −0.4); worst case: both default ⇒ lose $1M.
portfolio math — σ_P = √(w_X²σ_X² + w_Y²σ_Y² + 2w_Xw_Ycov); X/Y example: cov −0.1284; ρ −0.7501; equal-weight σ 0.1464; return/risk 1.725; lower correlation ⇒ higher return/risk.
correlation options — Most multi-asset payoffs (higher-of, exchange, spread, dual-strike, basket) get MORE expensive as correlation falls; the sole exception is the worse-of option.
exchange option — σ_E = √(σ_X² + σ_Y² − 2cov_XY); price → 0 as ρ → 1.
quanto — Protects against FX risk at a fixed rate; lower correlation ⇒ higher price (Nikkei/yen example).
correlation swap — ρ_realized = 2/(n²−n)Σρ_i,j; payoff = notional × (ρ_realized − ρ_fixed); example: 0.28 vs 0.20 ⇒ $80,000. Other ways to buy correlation: index calls vs single-stock calls; variance swap positions.
VaR & correlation — VaR_P = σ_Pα√x; σ_P = √(β_hCβ_v); example σ_P = 17.98%, VaR = $1.3248M, capital = 3× = $3.9744M; higher correlation ⇒ higher VaR.
GFC — Copula: 125 assets ⇒ 7,750 correlations; equity tranche (0–3%) long / mezzanine (3–7%) short blew up in May 2005 (GM/Ford junk downgrades; equity spread ↑, mezz spread ↓); CDO market $64bn → $455bn; AAA tranches lost 20%; leverage 10–20×; AIG $500bn CDS; Lehman 30.7×.
credit risk — Migration risk; default correlations mostly positive across industries except energy; higher within industries; IG default term structure increases with maturity; non-IG peaks near-term.
systemic risk — DJIA −50%+ (Oct 2007–Mar 2009); only 11 S&P 500 stocks rose; average correlation 27% → 50%+.
concentration — Ratio = 1/(number of loans); lower concentration and lower correlation both reduce joint default probability; P(AB) formula; EL falls from $250,000 (ρ=1) to $131,350 (ρ=0.5) to $12,500 (ρ=0).

📝 本章自测 · Self-Check

以下为自编练习题（非真题）：题干保留英文考试形态，解析为中文——先自己判断，再点开核对。共 4 题。

Q1. A correlation swap buyer pays a fixed correlation of 0.25 on a $1 million notional for one year. At maturity, the realized pairwise correlations for a three-asset portfolio are ρ₂,₁ = 0.5, ρ₃,₁ = 0.4, and ρ₃,₂ = 0.3. The buyer's payoff is closest to:

A. $50,000.

B. $150,000. ✅

C. $250,000.

D. $400,000.

B 正确。考点：相关性互换支付
ρ_realized = 2/(3²−3)×(0.5+0.4+0.3) = 2/6×1.2 = 0.40；支付 = 1M×(0.40−0.25) = $150,000。A = 把 2/(n²−n) 系数重复打了一次折（2/6×0.15 ≈ 0.05 → $50k）；C = 只拿单一配对 0.5 当实现相关性（0.5−0.25 → $250k）；D = 忘了减固定腿（0.4×1M → $400k）。要点：先算实现相关性（配对平均）、再减固定腿、最后乘名义本金。

Q2. A two-asset portfolio holds $6 million in A and $3 million in B. The correlation is 0.5; daily return standard deviations are 1% (A) and 2% (B). Using the variance-covariance method, the 10-day 99% VaR (α = 2.33) is closest to:

A. $0.383 million.

B. $0.500 million.

C. $0.649 million.

D. $0.766 million. ✅

D 正确。考点：矩阵法 VaR
cov₁₁ = 0.0001、cov₂₂ = 0.0004、cov₁₂ = 0.5×0.01×0.02 = 0.0001；β_hC = [6×0.0001+3×0.0001, 6×0.0001+3×0.0004] = [0.0009, 0.0018]；×β_v = 0.0009×6+0.0018×3 = 0.0108；σ_P = √0.0108 = 10.39%；VaR = 0.1039×2.33×√10 ≈ $0.766M。A/B/C 分别对应把 cov₁₂ 算成 0、把 σ 直接代入或漏乘 √10 的错误路径。核心链条：协方差矩阵 → βhCβv → σ_P → ×α√x。

Q3. A bank splits a $5 million exposure to one borrower (PD = 5%, LGD = 100%) into two $2.5 million loans to two different borrowers in the same industry. Which statement is most accurate?

A. Splitting lowers the concentration ratio and — with positive-but-imperfect default correlation — lowers the worst-case expected loss. ✅

B. Splitting raises the concentration ratio because there are more loans.

C. The default correlation between borrowers has no effect on the worst-case expected loss.

D. Lower default correlation raises the worst-case expected loss.

A 正确。考点：集中度 × 违约相关性
集中度比率 1.0 → 0.5（下降）；ρ=1.0 时最坏损失 = $250,000（等同单笔），ρ=0.5 → $131,350，ρ=0 → $12,500——正相关但不满时最坏情形损失下降（A 对）。B 反了；C 错（ρ 直接进 P(AB) 公式）；D 反了——相关性越低、联合违约概率与损失越小。三步公式：P(AB) = ρ×√(PD_A(1−PD_A)PD_B(1−PD_B)) + PD_A×PD_B。

Q4. For which of the following correlation strategies is a LOWER correlation not desirable (i.e., it reduces the option's price)?

A. Exchange option.

B. Quanto option.

C. Option on the worse of two stocks. ✅

D. Option on the higher of two stocks.

C 正确。考点：多资产策略的唯一例外
worse-of（取较差价）支付 = min(S₁,S₂)，低相关会提高"两者都拖后腿"的概率区间、压低其价值——唯一低相关不利的品种（C）。A/B/D 都是低相关抬价：交换期权价差更易拉开；quanto 怕"资产涨货币跌"；higher-of 靠一涨一跌抬支付。口诀：除 worse-of 外，低相关 = 更贵。

市场风险 · 相关性的实证特征

9. 相关性的实证特征：Empirical Properties of Correlation

要点：correlations across economic states · correlation volatility · mean reversion & regression estimate (β = −a) · autocorrelation (sums to one) · best-fit distributions for equity / bond / default correlations

🇨🇳 中文导览

上一章说"相关性对冲、分散化靠它"——本章用 1972–2017 年道指 30 只成分股的大样本告诉你"相关性在真实世界里长什么样"。① 经济状态与相关性：衰退期平均相关性最高（37.0%）＞常态（33.0%）＞扩张期（27.5%）；而相关性本身的波动率却在常态期最高（83.0%）——衰退时方向预期一致（同跌），常态时方向最迷茫。② 均值回归：相关性会向长期均值回归——回归式 ΔS = a(μ − Sₜ₋₁)；用回归斜率估计 a（β = −a）；道指实证均值回归率高达 79.03%。③ 自相关：与均值回归互补——均值回归率 + 一阶自相关 = 100%（79% + 21%）；滞后越长自相关越低（2 个月峰值 26%，10 个月降到约 10%）。④ 最优拟合分布：权益相关性 ≈ Johnson SB；债券相关性 ≈ GEV（正态也不错）；违约相关性 ≈ Johnson SB。

三状态数字：相关性 37.0/33.0/27.5%；相关性波动率 80.5/83.0/71.2%（衰退/常态/扩张）。
公式两条：ΔS = a(μ − Sₜ₋₁)（忽略随机项）；回归 Y = α + βX 中 β = −a。
两率互补：均值回归率 + 一阶自相关 = 100%——考到任一个，另一个立刻可推。
分布对号：权益/违约 = Johnson SB；债券 = GEV（正态也可）。
样本口径：30×30 相关系数矩阵 × 534 个月 = 480,600 个相关性；（77% 为正）。

关键术语：correlation volatility相关性波动率、mean reversion rate均值回归率、autocorrelation自相关、Johnson SB distributionJohnson SB 分布、GEV distribution广义极值分布。

🧭 知识网位置第 8 章讲相关性的"功能"（组合/期权/互换/VaR）→ 本章讲相关性的"性格"（状态依赖、均值回归、分布形态）→ 第 10 章 Copula 相关建模 → 第 11 章回归对冲与 PCA。相关章节第 8 章 · 相关性基础第 10 章 · Copula 第 11 章 · 回归对冲与 PCA

9.1 不同经济状态下的相关性与相关性波动率 correlations across states

研究设计：1972–2017 年，道指 30 只成分股，每月构建一个 30×30 相关系数矩阵——每月 30×30 = 900 次相关性计算，534 个月共 480,600 个月度相关性。经济状态按 GDP 增速划分：扩张期 > 3.5%；常态期 0–3.5%；衰退期 = 连续两个季度负增长（样本内 6 次衰退、5 段扩张、5 段常态）。两类指标、三状态下：

状态	平均相关性	相关性波动率
衰退 recession	37.0%（最高）	80.5%
常态 normal	33.0%	83.0%（最高）
扩张 expansionary	27.5%（最低）	71.2%

两条解读：① 相关性在衰退期最高——市场同跌；扩张期最低——个股估值更多由行业与公司自身信息决定，而非宏观因子。② 相关性波动率"意外地"在常态期最高——衰退时大家"预期下跌"（方向清楚）、扩张时"预期上涨"，反而常态期方向最不确定，相关性更飘。实践含义：校准风险管理模型时，要特别注意衰退与极端困境期的高相关性与高波动。补充细节：样本期三次轻度衰退（1980、1990–91、2001）与三次严重衰退（1973–74、1981–82——均为油价暴涨所致；2007–09 最严重）；衰退前相关性波动率的变化除 1990–91 外全为负——与"扩张期（常在衰退前）相关性波动率低"一致。

9.2 均值回归与自相关 mean reversion & autocorrelation

均值回归：统计上定义为"变量变化量 ΔS = Sₜ − Sₜ₋₁ 与前期值 Sₜ₋₁ 呈负向关系"——前期偏高，则下一期倾向于回落到长期均值。利率、信用利差、股价、波动率、相关性等都被实证发现存在均值回归。完整式（含随机项）：

均值回归 ⭐ S_t − S_t−1 = a(μ − S_t−1)Δt + σ_Sε√Δt　→（忽略随机项、Δt=1）→ S_t − S_t−1 = a(μ − S_t−1)
a = 均值回归率（"重力/速度"）。例：现值 50、长期均值 80 → a = 0 时变动 0；a = 0.5 时变动 0.5×(80−50) = 15；a = 1.0 时变动 30。

用回归估 a：把式子展开 D = aμ − a·Sₜ₋₁ = α + βX，于是回归斜率 β = −a（做 ΔS 对 Sₜ₋₁ 的回归）。道指 1972–2017 实证回归：Y = 0.256 − 0.7903X → 均值回归率 a = 79.03%——相当高：某月相关性大幅偏离均值，下月会有大幅回拉。
自相关：衡量现值与过去值的相关程度，与均值回归"互补"：均值回归拉向长期均值、自相关黏住近期值——均值回归率 + 一阶自相关 = 100%（79.03% → 20.97%，即"1 减去均值回归率"）。道指样本一阶自相关 = 20.97%；滞后结构：2 个月滞后最高（26%），之后逐渐衰减，10 个月约 10%。实践上自相关常用 ARCH/GARCH 类模型度量（也等价于对 ρₜ 与 ρₜ₋₁ 做回归）。

教材例：预测下月相关性（均值回归）

10 月平均相关性 30%、长期均值 35%、回归式 Y = 0.273 − 0.78X（a = 78%）：

偏离 = 35% − 30% = 5%；下月回补 78%×5% = 3.9%；
S_t = 0.78×(35%−30%) + 30% = 33.9%——预测 11 月相关性。

公式变形：S_t = a(μ − S_t−1) + S_t−1；关键是"β 取相反数得 a"。

A 与 AC 的仪表盘

均值回归率高（如权益 79%）= 偏离后快速拉回——短期预测"回归主导"。
自相关率高（=100% − a，如债券/违约更低 a 对应更高 AC）= 近期值更黏——趋势延续更强。
考试两句话：β = −a；a + AC(1 期) = 100%。

9.3 三类相关性的分布画像 best-fit distributions

道指样本中 77% 的个股相关性为正。用 KS、A-D、卡方三类拟合检验筛选：权益相关性的最优拟合是 Johnson SB 分布（两个形状参数 + 位置 + 尺度；分经济状态的稳健性检验也通过）；正态、对数正态、beta 都拟合不佳。债券（7,645 个相关性）：平均 42%、相关性波动率 64%、均值回归率仅 26%——最优拟合为 GEV（广义极值），但正态也是不错的拟合。违约相关性（4,655 个）：平均 30%、波动率 88%、均值回归率 30%——最优拟合同样为 Johnson SB（与权益同族）。汇总表：

相关性类型	平均相关性	相关性波动率	均值回归率	最优拟合分布
权益 Equity	35%	80%	78%	Johnson SB
债券 Bond	42%	64%	26%	GEV（正态亦可）
违约 Default	30%	88%	30%	Johnson SB

对比记忆点：权益相关性"爱回归"（a 高）、债券相关性"更黏"（a 低、AC 高）；相关性波动率以违约相关性最高（88%）。⚠️ 勘误提示：源教材小结处把权益均值回归率印为「29%」——与正文 79.03%（回归 β = −0.7903）、例题 78%/22% 以及"两率相加 = 100%"规则相矛盾（29% + 21% ≠ 100%），按正文口径（≈78–79%）掌握。

🔑 英文要点速查 · English Essentials

study design — 30 DJIA stocks; monthly 30×30 matrix ⇒ 900 correlations per month; 534 months ⇒ 480,600 correlations; states: expansion >3.5% GDP; normal 0–3.5%; recession = two consecutive negative quarters; 6 recessions / 5 expansions / 5 normals.
levels by state — Average correlation: recession 37.0% > normal 33.0% > expansionary 27.5%.
volatility by state — Correlation volatility: normal 83.0% > recession 80.5% > expansionary 71.2%; normal periods carry the most directional uncertainty.
recessions — Mild: 1980, 1990–91, 2001; severe: 1973–74, 1981–82 (oil-driven); worst: 2007–09; pre-recession correlation volatility generally negative except 1990–91.
mean reversion — ΔS = a(μ − S_t−1); ignore the stochastic term; example 50→80: a = 0/0.5/1.0 ⇒ Δ = 0/15/30.
regression — ΔS = aμ − aS_t−1; β = −a; DJIA: Y = 0.256 − 0.7903X ⇒ a = 79.03%.
correlation forecast — October 30% with mean 35% and a = 78% ⇒ November = 0.78×5% + 30% = 33.9%.
autocorrelation — AC = cov(ρ_t,ρ_t−1)/(σ_tσ_t−1); same formula as the correlation coefficient; one-period lag = 20.97% = 1 − 79.03%; peak 26% at a two-month lag; decays to ~10% at ten months; a + AC = 100%.
equity fit — 77% of correlations positive; Johnson SB best (2 shape + location + scale; robust across states); normal/lognormal/beta poor; tests: KS, A-D, chi-squared.
bond fit — 7,645 correlations; average 42%; vol 64%; reversion 26%; GEV best (normal also good).
default fit — 4,655 correlations; average 30%; vol 88%; reversion 30%; Johnson SB best.

📝 本章自测 · Self-Check

以下为自编练习题（非真题）：题干保留英文考试形态，解析为中文——先自己判断，再点开核对。共 4 题。

Q1. In the 1972–2017 DJIA study (expansionary = GDP growth above 3.5%; normal = 0–3.5%; recession = two consecutive negative quarters), average correlation levels were highest in ____, while correlation volatility was highest in ____:

A. recessions; normal periods. ✅

B. normal periods; recessions.

C. expansionary periods; recessions.

D. recessions; expansionary periods.

A 正确。考点：两指标 × 三状态的错位
相关性：衰退 37.0% 最高（同跌）；相关性波动率：常态 83.0% 最高（方向最不确定）——两个"最高"不在同一状态（A）。B 是把两者互换（最常见错误）；C/D 的扩张期相关性最低（27.5%）、波动率也最低（71.2%）。记法：水平看衰退、波动看常态。

Q2. A variable is currently at 45; its long-run mean is 60. Ignoring the stochastic term, the expected change over the next period with a mean reversion rate of 0.3 is closest to:

A. −4.5

B. 3.0

C. 4.5 ✅

D. 15.0

C 正确。考点：均值回归代入
ΔS = a(μ − Sₜ₋₁) = 0.3×(60−45) = 0.3×15 = +4.5——低于均值、预计向上回补（C）。A 是符号误用；B = 0.2×15（把率取错）；D = 忘了乘 a（直接用全差 15）。符号先判方向：现价低于均值 → 变化量为正。

Q3. A regression of the change in correlations on the previous period's correlation produces a slope coefficient of −0.65. The estimated one-period autocorrelation is closest to:

A. 65%.

B. 35%. ✅

C. 30%.

D. 100%.

B 正确。考点：β = −a 与两率互补
两步：① 斜率 β = −0.65 → 均值回归率 a = 65%；② 一阶自相关 = 1 − a = 35%（B）。A 是只做到第一步（拿 a 当 AC——最常见的半程错）；C 无来源；D 是"两率之和"本身。口诀：读斜率取反得回归率，再用 100% 减法得自相关。

Q4. The best-fit distributions for equity, bond, and default probability correlations, respectively, are:

A. Johnson SB, normal, beta.

B. lognormal, GEV, normal.

C. beta, normal, beta.

D. Johnson SB, GEV, Johnson SB. ✅

D 正确。考点：三类相关性的分布对号
权益 = Johnson SB；债券 = GEV（正态也"不错"但不是最优）；违约 = Johnson SB（D）。B/D 的差别就在"债券用 GEV 还是 normal"——教材明确最优是 GEV。记忆钩子："权益与违约同族（JSB），债券独用极值（GEV）"。

市场风险 · Copula 相关建模

10. 相关性建模：Copula 函数

要点：copula functions · mapping marginals to a known joint distribution · Gaussian copula · Gaussian default time copula · joint probability of default (bivariate example) · estimating default time (Cholesky, random sampling)

🇨🇳 中文导览

相关性一旦"形状怪异"（非正态、厚尾……），相关系数就不够用——Copula 出场：把两个（或多个）"长得任意"的边缘分布，逐百分位地搬到"性格良好"的已知分布（标准正态）上，从而在保留原边缘分布的前提下定义相关性。① 一般形式：C[G₁(u₁),…,Gₙ(uₙ)] = Fₙ[F₁⁻¹(G₀),…; ρ_F]——每个 Gᵢ 是边缘分布、Fₙ 是联合 CDF，ρ_F 是相关矩阵。② 高斯 Copula：把每个变量逐百分位映射到标准正态（如第 5 百分位 → −1.645），再套多变量正态的相关结构。③ 联合违约概率：把各公司的累计违约概率 Q(t) 映射到正态分位（N⁻¹(Q)），用二元正态得出"两家一年内同时违约"的概率（教材例：B/C 两公司 = 3.4%，ρ=0.4）。④ 违约时间估计：资产多了就用 Cholesky 分解抽样：令 Mₙ(•) = Qᵢ(τᵢ)、反复抽 10 万次找 τ——没有解析解，靠 Newton-Raphson/数值方法。⑤ 历史注脚：2000 年前后因"一个函数搞定 100+ 资产的 CDO"而风靡，2007–09 危机后跌落神坛——模型本身没错，错在把相关性当常数用。

核心一句话：copula = "保留边缘、重构依赖"——百分位对百分位的搬运工。
关键公式：C_GD[Q₁(t),…,Qₙ(t)] = Mₙ[N₁⁻¹(Q₁(t)),…, Nₙ⁻¹(Qₙ(t)); ρ_M]。
两资产简化：只剩单个相关系数 ρ（无需 ρ_M 矩阵）。
违约时间：Cholesky 抽样 → Mₙ(•) = Qᵢ(τᵢ) → 重复 100,000 次。
考试边界：不考查百分位映射的计算与二元正态联合概率的数值——考"概念与公式结构"。

关键术语：copula连接函数、marginal distribution边缘分布、joint cumulative distribution联合累积分布、Gaussian copula高斯连接函数、Cholesky decomposition乔尔斯基分解、default time违约时间。

🧭 知识网位置第 8–9 章讲了相关性的"功能"与"性格"→ 本章给相关建模装上通用引擎（Copula）→ 第 11 章回归对冲与 PCA（线性世界的对应工具）。相关章节第 9 章 · 相关性实证第 11 章 · 回归对冲与 PCA 第 14 章 · FRTB

10.1 Copula 的目的与一般形式 purpose & general form

要解决什么：直接定义两个"非良态"分布之间的相关性很难——把两者的观测逐百分位映射到一个"良态"分布（如标准正态）后，相关性就变得可以定义了。Copula 就是这台"搬运机"：在保持各自边缘分布不变的前提下，把它们拼成一个联合（多变量）分布。一般公式（n 维）：

Copula 一般式 ⭐ C[G₁(u₁), …, Gₙ(uₙ)] = F_n[F₁⁻¹(G₁(u₁)), …, Fₙ⁻¹(Gₙ(uₙ)); ρ_F]
G_i(u_i) = 各边缘分布；F_n = 联合累积分布函数；F₁⁻¹ = 映射用的逆函数；ρ_F = 联合分布的相关系数矩阵。几何上：C 把 [0,1]ⁿ 映到 [0,1]。

行业小史：Copula 在 2000 年前后走红——卖点是"用简单方法解复杂问题"：一个多维函数就能给含 100+ 个资产的 CDO 结构建立相关性；2007–2009 危机后，这类"灵活"函数失宠（教训：不是数学错了，而是把相关性静态化、忽略了尾部联动）。

10.2 高斯 Copula 与联合违约概率 Gaussian copula

高斯 Copula：把每个变量的边缘分布映射到标准正态（均值 0、标准差 1）——映射规则是百分位对百分位：把 X 分布的第 5 百分位观测映射到标准正态分布的第 5 百分位点（值 = −1.645），逐点重复；Y 同样处理。映射后得到多变量标准正态联合分布，相关性就可以在其上定义。金融中最常用它测违约风险——高斯违约时间 Copula：

高斯违约 Copula ⭐ C_GD[Q₁(t), …, Qₙ(t)] = M_n[N₁⁻¹(Q₁(t)), …, Nₙ⁻¹(Qₙ(t)); ρ_M]
Q(t) = 各资产累计违约概率（固定期限 t）；M_n = n 元标准正态联合分布；N₁⁻¹ = 单变量标准正态逆函数（百分位映射）；ρ_M = n×n 违约相关矩阵。

教材例：两公司一年内联合违约概率（B、C 级）

两家非投资级公司 B（评级 B）与 C：一年期违约概率分别是 0.065 与 0.238；一年期高斯违约相关系数 ρ = 0.4。

映射到标准正态：N⁻¹(0.065) = −1.513；N⁻¹(0.238) = −0.712（Excel = NORMINV(Q(t))）。
二元版本只需一个 ρ（不需要相关矩阵）：C_GD[Q_B(t), Q_C(t)] = M₂[N⁻¹(Q_B(t)), N⁻¹(Q_C(t)); ρ]。
联合概率：Q(t_B≤1 ∩ t_C≤1) ≡ M(X_B≤−1.513 ∩ X_C≤−0.712, ρ=0.4) = 3.4%。

配套直觉：非投资级公司在"危机状态"下近期违约概率高——熬过去后逐年下降（表内 B 从 0.065 一路累计到 0.341、C 从 0.238 累计到 0.667）。考试不要求手算映射值与联合概率，要求认得出"哪一步在做什么"。

10.3 违约时间估计：Cholesky 与随机抽样 default time estimation

资产多于两个时，怎么求"某资产 i 的违约时间 τ"（与组合里全部 n 个资产相关）？流程：① Cholesky 分解——从多变量 Copula 中抽出样本 M_n(•)（样本的相关性由违约相关矩阵 ρ_M 决定）；② 令样本等于该资产累计违约概率：M_n(•) = Q_i(τ_i)；③ 反解 τ（无解析解——用 Excel 或 Newton-Raphson 数值搜索）；④ 反复抽样求期望违约时间。教材例：抽到一个 25% 的累计违约概率样本 → 对应违约时间 τ = 3.5 年；此类过程重复 100,000 次，估计出资产 i 的违约时间。对照记忆：Copula 家族给 n 个资产"逐个对赌违约时间 + 相关结构"；矩阵 ρ_M 是它区分于单资产模型的唯一额外输入。

四步流程卡

①映射：边缘分布 → 标准正态（逐百分位；第 5 百分位 = −1.645）。
②构造：多变量正态 + 相关矩阵 ρ_M（两资产 → 单系数 ρ）。
③解违约概率：M(X_B ≤ N⁻¹(Q_B) ∩ X_C ≤ N⁻¹(Q_C))（例：3.4%）。
④解违约时间：Cholesky 抽样 → M_n(•) = Q_i(τ_i) → 10 万次。

🔑 英文要点速查 · English Essentials

copula purpose — Joint multivariate distribution linking variables from their marginals; maps unknown marginal distributions to a well-known distribution; preserves the original marginals while defining dependence (percentile-to-percentile); C: [0,1]ⁿ → [0,1].
general formula — C[G₁(u₁),…,Gₙ(uₙ)] = F_n[F₁⁻¹(G₁(u₁)),…,Fₙ⁻¹(Gₙ(uₙ)); ρ_F]; G_i(u_i) = marginals; F_n = joint CDF; F₁⁻¹ = inverse mapping; ρ_F = correlation structure.
history — Popular around 2000 (single multidimensional function for 100+-asset CDOs); fell out of favor after 2007–2009.
Gaussian copula — Maps each marginal to the standard normal (mean 0, sd 1); 5th percentile → −1.645; correlation between ill-behaved distributions defined indirectly.
Gaussian default copula — C_GD[Q₁(t),…,Qₙ(t)] = M_n[N₁⁻¹(Q₁(t)),…,Nₙ⁻¹(Qₙ(t)); ρ_M]; bivariate case needs only a single ρ.
joint default example — B (0.065) → N⁻¹ = −1.513; C (0.238) → N⁻¹ = −0.712; joint one-year probability with ρ = 0.4 = 3.4%.
default time — Cholesky decomposition draws M_n(•); equate M_n(•) = Q_i(τ_i); no closed form (Newton-Raphson); repeat 100,000 draws; 25% sample ⇒ τ = 3.5 years (example).
exam scope — No manual calculation of percentile mappings or bivariate joint probabilities; focus on recognizing the framework.

📝 本章自测 · Self-Check

以下为自编练习题（非真题）：题干保留英文考试形态，解析为中文——先自己判断，再点开核对。共 4 题。

Q1. The key property of a copula function is that it:

A. requires all marginal distributions to be normal before use.

B. replaces each marginal distribution with the joint distribution.

C. defines dependence between variables while preserving their original marginal distributions. ✅

D. works only for two variables at a time.

C 正确。考点：Copula 的核心性质
"保留边缘、定义依赖"（C）——映射是逐百分位搬到标准正态，但 Gᵢ(uᵢ) 本身不变（B 错，是"拼接"不是"替换"；A 错，边缘分布恰恰是"任意的"；D 错，n 维通用，n 维需要相关矩阵、两维退化为单个 ρ）。

Q2. In a Gaussian copula, each variable's marginal distribution is mapped to:

A. the standard normal distribution on a percentile-to-percentile basis. ✅

B. a uniform distribution on [0,1].

C. the empirical joint distribution of the sample.

D. the multivariate t-distribution.

A 正确。考点：高斯 Copula 的映射目标
高斯 Copula 的"已知良态分布"就是标准正态（均值 0、σ=1），逐百分位映射（A）；例：第 5 百分位 → −1.645。B 是 copula 定义域层面的均匀边缘——是中间产物不是最终映射目标；C/D 与高斯 copula 不符。

Q3. When a Gaussian copula is used to derive default times for a portfolio with more than two assets, which technique is used to derive the required samples from the multivariate copula?

A. Newton-Raphson search.

B. Regression analysis.

C. Historical simulation.

D. Cholesky decomposition. ✅

D 正确。考点：违约时间估计的工具链
抽样本 Mₙ(•) 用 Cholesky 分解（D）；Newton-Raphson（A）是后续"令 Mₙ(•) = Qᵢ(τᵢ) 反解 τ"时用的数值搜索——顺序别倒。B/C 与 copula 抽样无关。流程口诀：Cholesky 抽样 → 等值 → 反解违约时间 → 重复十万次。

Q4. Which statement about the use of copulas in finance is most accurate?

A. Copulas became more popular after the 2007–2009 financial crisis.

B. Copulas gained popularity around 2000 for handling structures with 100+ assets via a single multidimensional function, but fell out of favor after the 2007–2009 crisis. ✅

C. Copula models require ordinal-only data and cannot use market prices.

D. Copula functions cannot preserve the marginal distributions of the variables.

B 正确。考点：Copula 行业史
2000 年前后走红（一个函数覆盖 100+ 资产的 CDO 相关性）、2007–09 后失宠（B 对）。A 方向反了；C 错——映射用的是完整分布信息（百分位）；D 与核心性质相反（保留边缘分布是它的卖点）。教训一句话：错不在数学，在把相关结构当成了静态常数。

市场风险 · 回归对冲与 PCA

11. 回归对冲与主成分分析

要点：drawbacks of DV01-neutral hedges · regression hedge & hedge adjustment factor β · face value of offsetting position · two-variable regression hedge · level vs change regressions · reverse regressions · principal component analysis (PCA)

🇨🇳 中文导览

第 8 章用 DV01 喂饱了对冲的第一课——但 DV01 对冲有个隐含假设：目标券和对冲工具的收益率"同升同降同样的基点"。现实里不成立（名义收益率每变动 1bp，实际收益率可能只动不到 1bp）——本章教你把 DV01 对冲"升级"成回归对冲，再用 PCA 把整个期限结构压缩成三个因子。① DV01 中性对冲的缺陷：一对一假设太天真；名义 vs 实际（T-bond vs TIPS）实证"名义动得多"。② 回归对冲：用最小二乘拟合历史收益率变化 Δy^N = α + βΔy^R + ε，把 DV01 对冲乘上调整系数 β：F^R = F^N × (DV01^N/DV01^R) × β。③ 两变量回归：用 10 年和 30 年互换拼出 20 年互换的对冲（β 就是风险权重：22.21% + 77.65% ≈ 1）。④ 水平 vs 变化回归：两种都无偏一致，但误差项都随时间相关（变化回归"完全相关"）→ 不有效。⑤ 反向回归：交换自变量/因变量——对冲目标不一样，选法不一样。⑥ PCA：把 30 个利率的变动说成"3 个不相关因子"的事——前三个主成分近似全部波动。

核心公式：F^R = F^N × (DV01^N/DV01^R) × β——"标量 + 相对 DV01 + β"三层。
数字锚点：DV01 中性 $80.95M → 回归对冲 $82.55M（β=1.0198）；反向回归例：$90M/$71.25M。
回归优势：自带"对冲组合波动率"估计；但要警惕 β 非常数的假设。
PCA 三性质：方差守恒、成分互不相关、逐个"吃最大剩余方差"。
考试边界：重点是 β 的估计与代入、两变量权重、反向回归的差异、PCA 的性质。

关键术语：DV01-neutral hedgeDV01 中性对冲、hedge adjustment factor对冲调整系数、risk weight风险权重、reverse regression反向回归、principal component analysis主成分分析。

🧭 知识网位置第 10 章（Copula）从"分布"角度建相关模型；本章从"收益率线性关系"角度升级对冲工具——两者都服务第 8–9 章的相关性主线，并直达第 12 章期限结构建模。相关章节第 10 章 · Copula 第 12 章 · 期限结构模型第 14 章 · FRTB

11.1 DV01 中性对冲的缺陷 drawbacks of DV01-neutral

标准 DV01 中性对冲假设：目标债券与对冲工具的收益率同幅度升降。现实中并非如此——经典反例：用 TIPS（实际收益率）对冲 T-bond（名义收益率）。实证规律：实际收益率每变动 1bp，名义收益率的变动往往大于 1bp，且名义收益率变动的离散度更大（同样的实际收益率变化对应多种名义收益率变化）。DV01 类指标只盯"利率相对变动"，处理不了这种离散——改进之道是把历史收益率差异的波动性纳入，用回归分析调校 DV01 对冲。

11.2 回归对冲：β 调整与对冲头寸计算 regression hedge

回归对冲 = 在 DV01 对冲基础上，按"名义收益率变化 vs 实际收益率变化"的历史关系做调整。最小二乘回归：

对冲调整系数 ⭐ Δy_t^N = α + βΔy_t^R + ε_t
β = 对冲调整系数。若 β = 1.0198：实际收益率每变动 1bp，名义收益率平均变动 1.0198bp。

对冲头寸面值 ⭐ F^R = F^N × (DV01^N / DV01^R) × β
F^R/F^N = 实际/名义债券面值；DV01^R/DV01^N 为各自每 1bp 的价格敏感度。

教材例：卖出 $100M T-bond、买入 TIPS 对冲

TIPS：收益率 1.325%、DV01 = 0.084；T-Bond：收益率 3.475%、DV01 = 0.068；回归 β = 1.0198。

DV01 中性：F^R × (0.084/100) = 100M × (0.068/100) → F^R = 100M × (0.068/0.084) = $80.95M。
回归对冲：F^R = 100M × (0.068/0.084) × 1.0198 = $82.55M——每卖 $100M T-bond，买 $82.55M TIPS。
本例 β 接近 1，调整不大（$80.95 → $82.55M）；若 β 显著偏离 1，差别就大了。

配套两个体检指标：R²（名义收益率变动被实际收益率解释的比例）与回归标准误（已实现误差项的标准差）。并且记住假设的软肋：β 被假定为常数——现实中会变，最好用不同时段分别估计、做比较。

11.3 两变量回归对冲 two-variable regression hedge

场景：交易员在 20 年期（流动性差）欧元互换上收取固定利率，想对冲；直接卖 20 年互换不现实——用 10 年 + 30 年互换组合来逼近。两变量回归：

两变量回归 ⭐ Δy_t²⁰ = α + β¹⁰Δy_t¹⁰ + β³⁰Δy_t³⁰ + ε_t
β 系数即风险权重：(−F¹⁰×DV01¹⁰)/(F²⁰×DV01²⁰) = β¹⁰；(−F³⁰×DV01³⁰)/(F²⁰×DV01²⁰) = β³⁰。

五年数据的回归输出：样本 1,281 个观测；R² = 99.8%；标准误 0.14；系数：α = −0.0014（SE 0.0040）、10 年 = 0.2221（SE 0.0034）、30 年 = 0.7765（SE 0.0037）。解读：用 10 年互换对冲 20 年互换 DV01 的 22.21%、用 30 年冲 77.65%；两权重之和 ≈ 1，所以回归对冲的 DV01 与 20 年互换 DV01 非常接近。两变量法比单变量法的 R² 更高；但回归对冲不是精确科学——金融危机等极端时期不适用的情形（单一证券 DV01 对冲或任意权重的两变量对冲都可能失灵）。

11.4 水平回归 vs 变化回归 level vs change regressions

两条技术路线：变化对变化（change-on-change）：Δy_t = α + βΔx_t + Δε_t；水平对水平（level-on-level）：y_t = α + βx_t + ε_t。两者估计的系数都无偏（unbiased）且一致（consistent）；问题出在误差项：两种方法的误差项都不太可能相互独立——随时间序列相关（水平回归"有些相关"、变化回归"完全相关"）→ 系数不有效（not efficient）。第三种建模方式（相关性 < 1 时）：ε_t = ρε_t−1 + v_t（今天的误差 = 昨天误差的一部分 + 新随机扰动）。

11.5 反向回归：换个方向对冲 reverse regressions

反向回归 = 把自变量与因变量对调：回归对冲把"目标债券（如 XYZ 公司债）的收益率变化"回归在"对冲工具（如 T-bond）的收益率变化"上；反向回归则把 T-bond 的收益率变化回归在 XYZ 公司债上。用途取决于交易目标。

教材例：两个方向、两种风险

设回归 β = 0.75、DV01_XYZ = 0.30、DV01_T = 0.25、需对冲 XYZ $100M：

回归对冲：卖 T-bond = 100M × (0.30/0.25) × 0.75 = $90M；对冲比率 1.2（=0.30/0.25）、风险权重 75%。
反向回归（同一 $90M T-bond 头寸的视角，β = 0.95）：买 XYZ = 90M × (0.25/0.30) × 0.95 = $71.25M；对冲比率 0.83（=0.25/0.30）、风险权重 105.3%（=1/0.95）。
波动率也两样：设两者标准误均为 2bp——回归对冲标准差 = 100M × (0.30/100) × 2bp = $600,000；反向回归 = 90M × (0.25/100) × 2bp = $450,000。

选哪种：要最小化对冲 XYZ 头寸的方差 → 回归对冲；优先管理 Treasury 敞口并保持 T-bond 头寸固定 → 反向回归。结论先行：先明确目标，再选工具。

11.6 主成分分析（PCA） PCA

回归分析只盯"少数几只债券之间的收益率变化"；PCA 不同——它给整个期限结构一个统一的经验描述，可应用于所有债券：用少数几个不相关的因子解释全部因子暴露。例：1–30 年、每年一个点的互换利率集合 → PCA 生成 30 个利率因子（成分），每个成分描述 30 个利率各自的变动（与回归分析看"方差与成对相关"不同）。PCA 的三大性质：① 30 个主成分的方差之和 = 30 个利率各自的方差之和（成分捕捉了整个利率集合的波动）；② 各主成分互不相关；③ 每个主成分在给定前面成分后，包含尽可能大的方差。实用结论：只需描述前三个主成分的波动与结构，就足以近似所有利率的方差总和——30 个利率的变动 → 3 个因子的变动，"维度坍缩"完成。（三个主成分的直观图景——水平/斜率/曲率——与 Part I《估值与风险模型》中非平行移动章的 PCA 内容互为镜像，可对照复习。）

🔑 英文要点速查 · English Essentials

DV01-neutral drawback — Assumes both yields move by the same number of basis points; empirically the nominal yield adjusts by more than one basis point per basis point of real yield; dispersion is large.
regression hedge — Least squares regression Δy^N = α + βΔy^R + ε; improves the DV01 hedge; advantage: provides an estimate of the hedged portfolio's volatility.
β example — β = 1.0198 ⇒ nominal yield rises 1.0198bp per 1bp of real yield.
face value — F^R = F^N × (DV01^N/DV01^R) × β; example: DV01-neutral = $80.95M; regression hedge = $82.55M.
caveats — Assumes constant β (estimate across periods); check R² and standard error of the regression.
two-variable hedge — Δy²⁰ = α + β¹⁰Δy¹⁰ + β³⁰Δy³⁰ + ε; betas are risk weights; example: 22.21% / 77.65%; R² = 99.8%; not exact science (crises).
level vs change — Change-on-change: Δy = α + βΔx + Δε; level-on-level: y = α + βx + ε; both unbiased and consistent; error terms serially correlated in both (completely correlated in change form) ⇒ not efficient; third model: ε_t = ρε_t−1 + v_t.
reverse regression — Swaps dependent/independent variables; example: sell $90M T-bonds vs buy $71.25M of XYZ; hedge ratio 1.2 vs 0.83; risk weight 75% vs 105.3%; SD $600,000 vs $450,000; choose by objective.
PCA — Single empirical description of term structure across all bonds; 30 rates ⇒ 30 components; variances sum preserves total; components uncorrelated; maximum remaining variance; the first three components approximate everything.

📝 本章自测 · Self-Check

以下为自编练习题（非真题）：题干保留英文考试形态，解析为中文——先自己判断，再点开核对。共 4 题。

Q1. In a two-variable regression hedge, the estimated beta coefficients are best interpreted as:

A. hedge ratios of the target bond's face value.

B. forecast slopes of the yield curve.

C. standard errors of the regression.

D. risk weights applied to the DV01 of the target position. ✅

D 正确。考点：β 的解读
两变量回归里 β¹⁰、β³⁰ 直接就是风险权重——(F¹⁰×DV01¹⁰)/(F²⁰×DV01²⁰) 的镜像（D）。例：0.2221/0.7765 表示用 10 年、30 年互换分别承担 20 年互换 DV01 的 22.21%、77.65%。A 混淆"对冲比率"（DV01 之比）与"风险权重"；C 是另一个输出列（标准误）。

Q2. A trader hedges a short nominal position of $200 million face. DV01^N = 0.052 and DV01^R = 0.065 (per $100 face). A regression gives β = 1.10. The face value of the offsetting real-yield bond under the regression hedge is closest to:

A. $160.0 million.

B. $176.0 million. ✅

C. $180.0 million.

D. $200.0 million.

B 正确。考点：F^R 三件套
F^R = 200 × (0.052/0.065) × 1.10 = 200 × 0.8 × 1.10 = $176M。A = 忘了乘 β（只做 DV01 中性）；D = 完全没调整；C = 计算误差干扰项。三步固定顺序：相对 DV01 → 乘 β → 乘面值；先别动笔，检查 β 该乘还是该除（乘）。

Q3. Which statement correctly distinguishes a regression hedge from a reverse regression?

A. A regression hedge regresses changes in the target bond's yield on changes in the hedging instrument's yield; a reverse regression swaps these roles. ✅

B. A reverse regression always uses a smaller face amount, so it is always preferred.

C. Both approaches produce identical risk exposures by construction.

D. A reverse regression uses yield levels instead of yield changes.

A 正确。考点：反向回归的定义
核心差别就是"谁回归在谁上"（A）。B 错——教材明确"选择取决于目标"（反向的对冲比率 0.83、风险权重 105.3%，面值小≠更好）；C 错——教材例里两者标准差 $60w vs $45w，风险敞口不同；D 混淆了"水平 vs 变化回归"（那是另一组对立）。

Q4. Which statement about the error terms of change-on-change and level-on-level regressions is most accurate?

A. Error terms are completely uncorrelated in both approaches.

B. Error terms are uncorrelated in the change-on-change approach but completely correlated in the level-on-level approach.

C. Error terms are correlated over time in both approaches. ✅

D. Error terms are completely correlated in both approaches, so neither is consistent.

C 正确。考点：误差项的序列相关
两种方法的系数都无偏且一致，但误差项都随时间相关（水平回归"有些相关"、变化回归"完全相关"）→ 估计不有效（C）。B 把两种情形对调了；D 错在"都完全相关"且推论错误（失效的是"有效性"不是"一致性"）。补救思路：ε_t = ρε_t−1 + v_t。

市场风险 · 期限结构模型

12. 利率期限结构模型

要点：binomial interest rate trees · backward induction · risk-neutral pricing · CMT swap & OAS · expectations, convexity & return decomposition · drift models (Model 1 / Model 2 / Ho-Lee) · Vasicek mean reversion · time-dependent volatility, CIR & lognormal · Black-Karasinski · Gauss+

🇨🇳 中文导览

这是全册篇幅最大的一章——把"利率怎么动"变成可计算的模型。分四层：① 定价机器：二项利率树 + 回溯归纳（backward induction）+ 风险中性定价——期权、CMT 互换、OAS 都在这台机器上算。② 曲线为什么长这样：预期、风险溢价、凸性三力合成（Jensen 不等式）；收益三段分解。③ 模型进化史：无漂移 Model 1 → 常数漂移 Model 2 → 时变漂移 Ho-Lee → 均值回归 Vasicek → 时变波动 Model 3 → CIR → 对数正态 → Black-Karasinski。④ 当代主力：Gauss+ 三因子级联（短→中→长逐层回归），"政策利率→商业周期→通胀/生产率"的经济对应。

数字锚点：树例 $90.006（套利自由）；call $0.45；CMT 互换 $1,466.63；OAS 20bp → $1,464.40。
凸性会压低收益率：2 年 1.84bp → 3 年 5bp；波动加大 → 4.2bp（凸性随期限与波动上升）。
公式记忆链：dr = σdw → +λdt → +λ(t)dt → +k(θ−r)dt → σe^−αt → σ√r → σr → Gauss+ 三因子。
Vasicek 三件套：θ≈r₁+λ/k（18%）；T 年预期（9.26%）；半衰期 ln2/k（23.1 年）。
考试边界：期权/联合分布数值不手算；重点是"每个模型解决什么问题、留下什么毛病"。

关键术语：backward induction回溯归纳、risk-neutral pricing风险中性定价、option-adjusted spread (OAS)期权调整利差、mean reversion均值回归、half-life半衰期、time-dependent volatility时变波动率、cascade级联。

🧭 知识网位置第 11 章用回归与 PCA 描述"收益率怎么联动"；本章把联动写进模型：从可复制的树到可校准的多因子过程。下一章（波动率微笑）继续加工"波动率"这个零件。相关章节第 11 章 · 回归对冲与 PCA 第 13 章 · 波动率微笑第 14 章 · FRTB

12.1 二项利率树与回溯归纳 binomial trees & backward induction

二项模型假设利率下一期只取两个值（上行 U / 下行 L）——上、下路径的集合叫利率树。节点处的利率是该期的 1 期远期利率；同一期各利率之间的差距由模型的波动率假设决定。建树有一条铁律：树对在售债券（on-the-run）生成的估价值必须等于市价——不留套利机会。回溯归纳（backward induction）：从最后一期开始，逐节点向前折——因为要算 0 节点的价值，先要知道 1 节点的价值…… 一层层回滚到根。

教材例：2 年期零息债 $90.006

面值 $100、2 年到期、市价 $90.006 的零息债树（各节点：价值 + 远期利率）：

上行节点：V_1,U = (100×0.5 + 100×0.5) / 1.071826 = 93.299（远期 7.1826%）。
下行节点：V_1,L = 100 / 1.053210 = 94.948（远期 5.3210%）。
今日：V₀ = (93.299×0.5 + 94.948×0.5) / 1.045749 = 90.006 = 市价 → 树套利自由。

节点价值通式（背下来）：某节点价值 = 下一期两个可能价值的现值之平均；贴现率 = 该节点处的 1 期利率。带息债券：每个节点的价格要加上票息再往上折。

两种风险中性定价做法（结果完全一样）：① 调利率——从即期/远期曲线出发，调整树上利率直到模型值等于在售债券市价（树变"套利自由"），再用树逐节点折算衍生品；② 调概率——利率照搬，把上下行概率调成"风险中性概率"使模型值 = 市价，再以风险中性概率回溯定价。0.5/0.5 是真实概率的假设；风险中性概率与真实概率之差 = 利率漂移（drift）——这是把"溢酬"藏进概率或藏进利率的两种等价手法。重结合（recombining）：上-下与下-上到同一节点（本例中节点都是 6.34%）；若波动率随状态变化（如利率高于某水平时变动固定基点、低于时变动更小即 state-dependent volatility），树会变成非重组树——经济上更合理，但多期计算极其困难。

12.2 定价应用：期权与 CMT 互换 options & CMT swap

用树给固收衍生品定价的三步：① 算出各节点债券价值（含票息）→ ② 算到期日各节点的期权内在价值 → ③ 用风险中性概率回溯折算期权价值。注意：期权不能只靠"期望折现值"一步到位——它的价值依赖利率路径，必须逐节点做。

教材例：3 年期 7% 债券上的 2 年期欧式 call（执行价 $100）

风险中性上概率：第 1 年 0.76、第 2 年 0.60。标的债券在树上的价格（含票息）：

第 2 年：中间节点 $100.62（N=1, I/Y=6.34, PMT=7, FV=100）；下节点 $102.20（I/Y=4.70）。
第 1 年上节点：V_1,U = (105.56×0.6 + 107.62×0.4) / 1.0599 = $100.37。
第 1 年下节点：V_1,L = (107.62×0.6 + 109.20×0.4) / 1.0444 = $103.65。
期权：到期日内在价值 0 与 $2.20（=102.20−100）；第 1 年上节点 = (0×0.6 + 0.62×0.4)/1.0599 = $0.23；今日 = (0.23×0.76 + 1.20×0.24)/1.03 = $0.45。

欧式期权其实只需到期日附近的债券价格，但教材建议把整棵树都算出来——练习手感，也防漏。

教材例：CMT 互换（浮动 ↔ 10 年期国债利率）

每半年支付：($1,000,000/2) × (y_CMT − 7%)。上/下概率：6 个月 0.76、1 年 0.60。半年与 1 年的支付：

第 1 期：上 7.25% → +$1,250；下 6.75% → −$1,250。
第 2 期：上 7.50% → +$2,500；中 7.00% → $0；下 6.50% → −$2,500。
半年节点：V_1,U = (2,500×0.6 + 0)/1.03625 + 1,250 = $2,697.53；V_1,L = (−2,500×0.4)/1.03375 − 1,250 = −$2,217.35。
今日：V₀ = (2,697.53×0.76 + (−2,217.35)×0.24)/1.035 = $1,466.63。

口径细节：贴现用"1 + 半年的即期利率/2"；每次节点要先加当期的互换支付再回折。

12.3 OAS、时间步与固收期权的边界 OAS, time steps & embedded options

期权调整利差（OAS） = 让模型价值等于市价的利差——加到树上所有用于贴现的利率上（不影响计算现金流的利率）。例：CMT 互换市价 $1,464.40，比模型值 $1,466.63 低 $2.23 → 需要 20bp 的 OAS：贴现率 7.25%→7.45%、6.75%→6.95%、7%→7.2%，重算得 V_1,U = $2,696.13、V_1,L = −$2,216.42、V₀ = $1,464.40 = 市价。市价低于模型价 → 该证券"交易便宜（cheap）"；高于 → "贵（rich）"。
时间步：步长越小（如日频）→ 模型越精确，但计算越复杂——精度与算力的权衡。为什么 BSM 不能给固收衍生品定价——三条假设全不成立：① BSM 假设标的价格无上限，而债券价格有上限（利率为 0 时零息债=面值、付息债=票息之和+面值）；② 假设无风险利率恒定，而短期利率会动、带动整条曲线与债券价格；③ 假设价格波动率恒定，而债券的波动率随临近到期而下降。
含权债券：可赎回（callable）——发行人有权按约定价买回，投资者等于"空头 call"：收益率降至 y' 以下时价格涨势放缓、被赎回价压顶（负凸性）、资本利得被封顶，且再投资风险上升（收回来的不止票息还有赎回价，要按低利率再投）；收益率高于 y' 时表现与普通债无异（正凸性）。可回售（putable）——持有人有权卖回：收益率升破 y' 后，跌势比普通债缓，因为回售价构成价格地板。

12.4 曲线形状、凸性与收益分解 expectations, convexity & returns

在确定性的世界里，预期决定曲线形状：预期 1 年期利率 8%/8%/8% → 平价曲线平坦（零息债价 0.92593 / 0.85734 / 0.79383）；预期 8%/10%/12% → 上斜：2 年即期 = √(1.08×1.10) − 1 = 8.995%、3 年 = ∛(1.08×1.10×1.12) − 1 = 9.988%；预期 8%/6%/4% → 下斜：6.995% / 5.987%。通式：r̂(n) = [∏(1+rₜ)]^1/n − 1。短期：预期主导形状；长期：没人能对 30 年后的 1 年期利率有把握——长期利率水平由"实际利率 + 通胀"的长期恒定性锚定。
波动率 → 凸性 → 压低未来即期利率：设下一期 1 年期利率 50% 概率 10%、50% 概率 6%（期望 8%）。先算一年后的期望价格 E[1/(1+r)] = 0.5/1.10 + 0.5/1.06 = 0.92624；而 1/E[1+r] = 1/1.08 = 0.92593——Jensen 不等式：E[1/(1+r)] > 1/E[1+r]。折到今日：0.92624/1.08 = 0.85763 > 1/1.08² = 0.85734。价格的"多出来"意味着隐含即期利率更低：ŕ(2) = √(1/0.85763) − 1 = 7.9816%，凸性价值 = 8% − 7.9816% = 1.84bp。扩展到 3 年（14%/10%/6%/2%）→ 价 0.79493 → ŕ(3) = 7.95%，凸性价值 5bp（>1.84bp：随期限上升）；把波动拉到 2%–14% → 2 年价 0.858 → ŕ(2) = 7.958% → 凸性价值 4.2bp（>1.84bp：随波动上升）。两句话结论：凸性价值随期限增加、随波动上升。

收益分解与远期利率拆解 ⭐ return = f(t) − DΔr + ½Cσ_r²　·　E(return) = r₀ + λD（风险规避者）　·　f(t) = [r₀ + D×E(Δr)] + λD − ½Cσ_r²
债券收益三段：① 远期利率（时间流逝的回报）；② 利率变化（−DΔr）；③ 波动率变化（+½Cσ²，凸性让波动两端都受益）。例：r₀=2.5%、D=7、λ=15bp/单位久期 → 风险中性者期望回报 2.5%；风险规避者 = 2.5% + 7×0.15% = 3.55%。远期利率 = 2.5% + 7×0.3%（预期变化）+ 7×0.15%（风险溢价）− 0.65%（凸性效应）= 5%——注意：凸性抬收益、压远期利率，两者在期望收益式里相互抵消。

12.5 漂移模型：Model 1 → Model 2 → Ho-Lee drift models

Model 1（无漂移）：dr = σdw——利率正态分布、漂移为零、每期上下 50/50、树重组。例：r₀=6%、年波动 120bp、dt=1/12；若 dw 实现值 0.2 → dr = 1.2%×0.2 = 24bp → 新利率 6.24%；利率变动的标准差 = σ√dt = 1.2%×√(1/12) = 34.6bp。两期树：6.692% / 6% / 5.308%（上=+2×0.346%、中=不变、下=−2×0.346%）。负利率问题：正态分布总有正概率取负——期限越长、起始利率越低越严重（10 年期的终端标准差 = 1.2%×√10 = 3.79%）。两个补法：① 用非负分布（对数正态/卡方）——代价是引入偏度等新毛病；② 树把负利率强制归零——只改极端环境、不动全局，通常更受欢迎。取哪种取决于用途：给付息债定价看平均利率、负利率影响小；给非对称支付的期权定价则敏感得多。
Model 1 的四个毛病：① 不足以刻画基本曲线形状（因凸性效应更大而倾向预测下斜曲线）；② 波动率期限结构被预测为平坦（实测是"驼峰形"）；③ 单因子（只有短期利率）；④ 任何短期利率变动都给出平行移动（实测是非平行）。
Model 2（常数漂移）：dr = λdt + σdw——加入正漂移，把曲线拉上斜（漂移 = 预期变化 + 风险溢价，如 2bp 月漂移 = 1.5bp 预期 + 0.5bp 溢价）。例：r₀=5%、λ=0.24%、σ=1.5%、dw=0.2 → dr = 0.24%/12 + 1.5%×0.2 = 0.02% + 0.30% = 0.32% → 5.32%；月标准差 43bp。树上每期多加一个 λdt：2 期中节点 = r₀ + 2λdt。缺点：校准出的漂移往往偏大；若把漂移全当溢价，就得接受"第 10 年预期利率高于第 9 年"这种长期不现实的推断。
Ho-Lee（时变漂移）：dr = λ(t)dt + σdw——每期漂移可不同、可正可负；若 λ₁=λ₂ 就退回 Model 2。校准是"逐期套"：r₀ 取观测 1 期即期；λ₁ 使模型等于 2 期市场利率；λ₂ 再套 3 期……中节点 = r₀ + (λ₁+λ₂)dt。套利自由 vs 均衡模型：需要"与市价对齐"（给流动性差/定制的证券报价、给衍生品定价）→ 用套利自由模型（先用流动性好的债券校准，再把树用到非标证券上）；其软肋有二：校准仍依赖原模型是否合适（假设错了，拟合再好也白搭）；假设市价是对的（被迫抛售等外生冲击下会失真）。做相对分析（比较两只证券谁贵谁便宜）→ 用均衡模型——因为套利自由模型默认大家都"定价正确"，比价失去意义。

12.6 Vasicek：均值回归的力量 Vasicek model

Vasicek：dr = k(θ − r)dt + σdw——经济有均衡利率（长期货币供给、技术进步等基本面决定）；高于均衡 → 负向调整，低于 → 正向调整。k 是调整速度（越大越快）；θ 是风险中性口径的长期水平：θ ≈ r₁ + λ/k（r₁ = 真实长期利率）。例：k=0.03、σ=150bp、r₁=6%、r₀=6.2%、λ=0.36% → θ ≈ 6% + 0.36%/0.03 = 18%；下月预期变动 = 0.03×(18%−6.2%)×(1/12) = 0.0295%；月波动 43bp。一期树：上 6.663% / 下 5.796%。二期起不再重组——下侧的均值回归调整更大（离长期值更远）：上节点分叉 7.124% / 6.258%，下节点分叉 6.260% / 5.394%；上-下（6.258%）与下-上（6.260%）路径差一点点——这就是"非重组"。
修成重组树的办法：把两个中节点平均（6.259%）、放弃 50/50 概率，改用 (p, 1−p)、(q, 1−q)，再用两个方程解出 p、q 与 r^uu、r^dd：① 均值方程——上支期望 = 6.663% + 0.03×(18%−6.663%)/12 = 6.691%；② 标准差方程——两叉值对 6.691% 的加权标准差 = 1.5%×√(1/12)。
预测与半衰期（三件套）：T 年后预期利率 = r₀e^−kT + θ(1−e^−kT)——差距按 e^−kT 指数衰减。例：11.8%（=18%−6.2%）×e^−0.03×10 = 8.74% → 10 年后 = 18% − 8.74% = 9.26%。半衰期 τ：走完"当前值→长期值"一半距离的时间 = ln2/k = 0.6931/0.03 = 23.1 年（k 越大半衰期越短）。
Vasicek 的效果与形象：产生下斜的波动率期限结构（短期波动被高估、长期被低估；对比 Model 1 的平坦结构）；短期冲击对短期利率影响大于长期——非平行移动；k 大 → 经济消息被快速消化（短命冲击），k 小 → 消息长期驻留。

12.7 波动率与分布：Model 3、CIR、对数正态、Black-Karasinski volatility & distribution

通用时变波动模型：dr = λ(t)dt + σ(t)dw（Ho-Lee 再加上波动时变）。Model 3 取波动指数衰减：dr = λ(t)dt + σe^−αtdw。例：r₀=5%、λ=0.24%、σ=1.5%、衰减 0.3 → dr = 0.02% + 1.5%×e^−0.3/12×0.2 = 0.02% + 0.29% = 0.31% → 5.31%（略低于常数波动的 5.32%）。对利率上/下限（caps/floors）很关键——每个 caplet/floorlet 的支付依赖未来各期的短期利率与波动。与 Vasicek 的关系：若初始波动相同、衰减率=均值回归率 → 两者终端分布标准差相同；若 Model 3 的时变漂移又等于 Vasicek 的平均路径 → 连分布本身都相同。但 Model 3 是平行移动（Vasicek 不是）；用途定选择：给期权定价插值多用波动类模型，给债券/对冲用均值回归类。批评点：市场不可能对未来 20 年的短期波动有预测——折中方案是让波动趋向常数（Model 3 里趋向 0 是它的问题，均值回归模型的下斜结构反而是卖点）。
CIR：dr = k(θ−r)dt + σ√r dw——基点波动 σ√r 随利率水平上升（递减地上升），利率越高波动越大（高通胀），且非负。例：r₀=5%、θ=24%、k=0.04、σ=1.5%、dw=0.2 → dr = 0.04×(24%−5%)/12 + 1.5%×√0.05×0.2 = 0.063% + 0.067% = 0.13% → 5.13%。对数正态模型（Model 4）：dr = ar dt + σr dw——基点波动 = σr（随利率线性上升），但收益率波动率 σ 恒定。CIR 与对数正态在利率非负时都不会取负值——但非正态性会让期权（特别是价外期权）定价出现明显偏差（右偏分布 vs 正态的左尾），这是使用非负分布的代价。
对数正态的两种形态：① 确定性漂移版：d[ln r] = a(t)dt + σdw——在 ln r 上做树，漂移是乘性（Ho-Lee 是加性），所以所有利率恒正；exp 变换后 r₀e^σ ≈ r₀(1+σ)：σ=20% → 上节点比现利率高 20%（波动是利率的百分比）。② 均值回归版（Black-Karasinski）：d[ln r] = k(t)[lnθ(t) − ln r]dt + σ(t)dw——在 ln r 上做均值回归、波动时变，最灵活的家族成员之一；但它不天然重组，重组条件是 k(2) = [σ(1)−σ(2)]/[σ(1)dt]，要强行重组需重校时间步：k(2) = (1/dt₂)[1 − σ(2)√dt₂/(σ(1)√dt₁)]。

12.8 Gauss+：三因子级联模型 Gauss+ model

Gauss+ 把 Vasicek 升级为三因子：短期利率 r_t、中期因子 m_t、长期因子 l_t，三者级联回归——r 追 m、m 追 l、l 追常数 μ：

Gauss+ 三因子 ⭐ dr_t = −α_r(r_t − m_t)dt　·　dm_t = −α_m(m_t − l_t)dt + σ_m(ρdw_t¹ + √(1−ρ²)dw_t²)　·　dl_t = −α_l(l_t − μ)dt + σ_ldw_t¹
α = 正的均值回归速度（短端最快、长端最慢）；μ = 含预期与风险溢价的常数目标；两个随机源互不相关（E[dw¹dw²]=0），只有 m 与 l 通过 ρ 相关。唯一固定的是 μ——其他都是"移动靶"。

经济对应：r = 央行政策利率（对 m 反应快）；m = 商业周期与货币政策效果（较慢）；l = 通胀与生产率等长期趋势（最慢）。四大设计目标：均值回归、因子间相关、与驼峰形波动率期限结构一致（短低、中高、长降——复刻经验形态）、定价一致性（债券/互换与 caps/floors 都能校准）。算例（美债 2014–2022 校准）：α_r=1.0547、α_m=0.6358、α_l=0.0165、σ_m=1.092%、σ_l=0.964%、ρ=0.212、μ=10.555%；起点 r=4.50%、m=5.25%、l=4.00%，步长 1 个月（0.083 年），抽到 dw¹=0.55、dw²=−0.95（×√0.083 → 0.1585、−0.2737）：

因子	变化计算	结果
dr	−1.0547×(4.50%−5.25%)×0.083 = +0.0007	4.50% → 4.57%
dm	−0.6358×(5.25%−4.00%)×0.083 + 0.0192×(0.212×0.1585 + 0.9773×(−0.2737)) = −0.0052	5.25% → 4.73%
dl	−0.0165×(4.00%−10.555%)×0.083 + 0.00964×0.1585 = +0.0016	4.00% → 4.16%

（算例口径注：dm 行随机项系数按教材演算 0.0192 代入；表列 σ_m=1.092% 与演算数值口径略有出入——按演算流程理解方向即可。）参数怎么估（六步简法）：① 选短期利率代理（如联邦基金利率）；② 把短期利率变化回归到中期（如 2 年）与长期（如 10 年）利率变化上；③ 由回归敏感度反推 α_r、α_m、α_l（回归系数只依赖均值回归参数、不依赖波动参数）；④ 从市场数据确定波动率期限结构；⑤ 用 σ_m、σ_l、ρ 复刻该结构；⑥ 用"观测收益率与模型收益率的最小平方误差"定 μ。Vasicek vs Gauss+：Vasicek 单因子、常数波动、只能校准曲线一个点、形状灵活性有限、主要给简单债券定价与基础对冲；Gauss+ 三因子、驼峰波动、高度贴合历史形态，能服务利率衍生品、风险管理与宏观分析——是当今"可交易级"的期限结构工具。

模型速查表（八位成员）

模型	方程	一句话特征
Model 1	dr = σdw	无漂移、正态；四大毛病；可能负利率
Model 2	dr = λdt + σdw	常数漂移；中节点 r₀+2λdt；漂移常偏大
Ho-Lee	dr = λ(t)dt + σdw	时变漂移、逐期校准；λ₁=λ₂ 退回 Model 2
Vasicek	dr = k(θ−r)dt + σdw	均值回归；θ≈r₁+λ/k；非重组树；下斜波动结构
Model 3	dr = λ(t)dt + σe^−αtdw	波动指数衰减；cap/floor 定价利器
CIR	dr = k(θ−r)dt + σ√r dw	基点波动 σ√r 递减上升；非负；期权定价偏差
对数正态/BK	dr = ardt + σrdw；d[ln r] = k(t)[lnθ−ln r]dt + σ(t)dw	基点波动 σr 线性；收益率波动恒定；BK 最灵活但不天然重组
Gauss+	三因子级联 r→m→l→μ	驼峰波动、可交易级；政策利率/周期/趋势三段经济含义

🔑 英文要点速查 · English Essentials

tree valuation — Node value = average of the present values of the two possible values from the next period; discount at the node's one-period rate; backward induction; on-the-run tree must be arbitrage-free; recombining vs nonrecombining (state-dependent volatility).
risk-neutral pricing — Two equivalent methods (adjust rates vs adjust probabilities); 0.5/0.5 = true probability assumption; difference between risk-neutral and true probabilities = interest rate drift.
option pricing steps — ① bond value at each node ② intrinsic value at maturity ③ expected discounted value backward with risk-neutral probabilities; call example $0.45.
CMT swap — Pays (1,000,000/2)×(y_CMT−7%); tree value $1,466.63; OAS 20bp added only to discount rates ⇒ $1,464.40 = market; market below model = cheap.
time steps — Smaller steps = more accurate, more complex/expensive.
BSM inadequacy — No upper price bound (bonds are capped), constant risk-free rate, constant bond volatility (falls with maturity).
embedded options — Callable: negative convexity below y′, gains capped, higher reinvestment risk; putable: put price floors the bond.
expectations — Spot rates from expected 1-year rates: r̂(3) = ∛[(1.08)(1.10)(1.12)]−1 = 9.988%; up/down slopes work the same way.
convexity — Jensen: E[1/(1+r)] > 1/E[1+r] (0.92624 > 0.92593); value of convexity: 1.84bp (2y) → 5bp (3y) → 4.2bp when volatility doubles; increases with maturity and volatility.
return decomposition — return = f(t) − DΔr + ½Cσ²; risk-averse expected return = r₀ + λD (2.5% + 7×0.15% = 3.55%); forward rate = 2.5% + 7×0.3% + 7×0.15% − 0.65% = 5%.
Model 1 / 2 / Ho-Lee — No drift (6%→6.24%; sd 34.6bp; negative-rate problem, solutions); constant drift (5%→5.32%; middle node r₀+2λdt; calibrated drift often too high); time-dependent drift (λ₁≠λ₂; iteratively calibrated).
arbitrage-free vs equilibrium — Arbitrage models for illiquid/custom securities & derivatives; weaknesses: model suitability, assumes correct prices; equilibrium models for relative analysis.
Vasicek — dr = k(θ−r)dt + σdw; θ ≈ r₁ + λ/k (18%); forecast 9.26% in 10 years; half-life = ln2/k = 23.1; declining volatility term structure; nonparallel shifts; nonrecombining (fix by averaging middle nodes and re-solving p, q, r^uu, r^dd).
Model 3 / CIR / lognormal — σe^−αt (5.31% vs 5.32%); CIR bp vol σ√r at a decreasing rate (5.13% example); lognormal bp vol σr linear, yield vol constant; nonnegative but can misprice options (skewness); BK recombination: k(2) = [σ(1)−σ(2)]/[σ(1)dt].
Gauss+ — Three-factor cascade: r→m→l→μ; economics: policy rate / business cycle / long-run trends; hump-shaped volatility; calibration six-step; simulated path: 4.50→4.57%, 5.25→4.73%, 4.00→4.16%.

📝 本章自测 · Self-Check

以下为自编练习题（非真题）：题干保留英文考试形态，解析为中文——先自己判断，再点开核对。共 4 题。

Q1. In a binomial interest rate tree, the value of a bond at any given node equals:

A. the present value of the sum of the two possible values from the next period.

B. the average of the future values of the two possible values from the next period.

C. the average of the present values of the two possible values from the next period. ✅

D. the sum of the present values of the two possible values from the next period.

C 正确。考点：回溯归纳的通式
"先折现、再平均"——每个节点的价值 = 下一期两个可能价值各自折现后的平均（C）；贴现率 = 该节点的 1 期利率。A/D 错在"求和"（会重复计数）；B 错在"未来值"（没有折现）。数字例：V₀ = (93.299×0.5 + 94.948×0.5)/1.045749 = $90.006。

Q2. Under Model 2 (constant drift), the current short-term rate is 6% and the annual drift is 0.3%. Using annual periods, the interest rate at the middle node at the end of Year 2 is closest to:

A. 6.0%

B. 6.6% ✅

C. 6.9%

D. 6.3%

B 正确。考点：漂移树的节点
Model 2 每期叠加一个 λdt：2 期后的中节点 = r₀ + 2λdt = 6% + 2×0.3% = 6.6%（B）。D = 只加了一期漂移；A = 无漂移（Model 1 的中节点）；C = 加了 3 期（错误周期数）。对比记忆：Model 1 中节点 = r₀；Model 2 = r₀ + 2λdt；Ho-Lee = r₀ + (λ₁+λ₂)dt。

Q3. In the Vasicek model, with a mean reversion speed k = 0.05, the half-life — the time needed to close half the distance between the current rate and the long-run level — is closest to:

A. 6.9 years.

B. 10.0 years.

C. 20.0 years.

D. 13.9 years. ✅

D 正确。考点：半衰期公式
τ = ln2 / k = 0.6931 / 0.05 = 13.86 ≈ 13.9 年（D）。A = 0.6931/0.1；B = 1/k 的一半式干扰（数错）；C = 2/k。口诀：半衰期与 k 成反比——k 越大，半衰期越短（教材例 k=0.03 → 23.1 年）。

Q4. Which statement about the Gauss+ model is most accurate?

A. It is a three-factor cascade model: the short rate reverts to a medium-term factor, which reverts to a long-term factor, which reverts to a constant target μ. ✅

B. It is a single-factor model whose volatility is calibrated to one point on the curve.

C. Its three factors are independent random walks without any mean reversion.

D. It cannot reproduce the hump-shaped volatility term structure observed in markets.

A 正确。考点：Gauss+ 的结构
级联回归：r→m→l→μ，只有 μ 是固定靶（A）。B 说的是 Vasicek 的局限；C 反了（三因子全部均值回归）；D 反了——驼峰波动率恰恰是 Gauss+ 的设计目标之一（短低、中高、长降）。经济对应：政策利率 → 商业周期 → 长期通胀/生产率趋势。

市场风险 · 波动率微笑与曲面

13. 波动率微笑与波动率曲面

要点：put-call parity & implied volatility · volatility smiles (currency) · volatility skew (equity) · leverage & crashophobia · alternative volatility measures (X, X/F, delta) · volatility term structure & surfaces · minimum variance delta · price jumps & the frown

🇨🇳 中文导览

前几章把"波动率"当成一个数；本章告诉你它是一整片会变形的曲面。① 平价约束：买卖权平价（c−p = S−PV(X)）与分布无关——所以同一执行价、同一到期的 call 与 put，隐含波动率必然相等。② 外汇微笑：深度实值与深度虚值的隐含波动率都比平值高（U 形）——交易员认为极端波动比对数正态更频繁；期限越长微笑越淡。③ 股票斜笑（smirk）：低执行价的隐含波动率更高——隐含分布左偏；两大解释：杠杆效应（股价跌→杠杆升→波动升）与 crashophobia（1987 崩盘后的"怕崩症"，Rubinstein 命名）。④ 替代坐标：X、X/F、delta 三种画法各有用途。⑤ 曲面 = 微笑 × 期限结构：用于检查模型定价一致性。⑥ 希腊值修正：把波动率曲线的移动算进 delta → 最小方差 delta（低于 BSM 的 delta）。⑦ 价格跳跃：会产生"皱眉"（frown）——平值波动率反而最高。

一句话主线：微笑 = 市场对"极端事件概率"的报价修正。
方向记忆：外汇 = 两边翘（微笑）；股票 = 左边翘（斜笑）；跳跃 = 中间鼓（皱眉）。
两大理由：杠杆（跌出来的风险）+ 怕崩（买保险的溢价）。
增量公式：p_mkt − p_BSM = c_mkt − c_BSM（偏离对称 → 隐含波动率相等）。
考试边界：会判"形状—成因—对期权价格与希腊值的含义"，不要求拟合曲面。

关键术语：volatility smile波动率微笑、volatility skew / smirk波动率斜笑、crashophobia怕崩症、minimum variance delta最小方差 delta、volatility surface波动率曲面、price jump价格跳跃。

🧭 知识网位置第 12 章把波动率"装进"期限结构模型；本章处理"市场怎么报价波动率"——微笑/斜笑/曲面是第 14 章 FRTB 中市场风险内部模型检查的背景知识。相关章节第 12 章 · 期限结构模型第 14 章 · FRTB 第 6 章 · 模型验证

13.1 隐含波动率与买卖权平价 put-call parity

买卖权平价是一条无套利均衡关系（欧式期权）：c − p = S − PV(X)，连续时间下 PV(X) = Xe^−rT。关键性质：它与标的分布是不是对数正态无关（BSM 才要求对数正态）。把市价与 BSM 价的平价式相减：

偏离对称性 ⭐ p_mkt − p_BSM = c_mkt − c_BSM
同一执行价、同一到期：call 与 put 的价格偏离（相对 BSM）大小相同 → 反推的隐含波动率也必然相同。所以"微笑"不是 call/put 各自的事，而是同一执行价上的共同修正。

13.2 外汇期权的波动率微笑 currency smile

外汇交易员定价用的模式：深度实值（deep ITM）与深度虚值（deep OTM）的隐含波动率都高于平值（ATM）——即标准的"U 形微笑"。直觉：call 只有在汇率高于执行价时才有支付、put 反之——若离开平值的方向波动率更高，说明交易员认为极端价格波动比对数正态预测的更常见（实证支持）。成因：汇率波动率不是常数、会在不同水平间跳跃，从而抬高极端汇率的出现概率。缓和因素：长期限期权的微笑明显弱于短期限——时间越长，偏离越可能被抹平。

13.3 股票期权的波动率斜笑 equity smirk

股票不一样：隐含波动率与执行价（相对股价）呈反向关系——低执行价（实值 call / 虚值 put）的隐含波动率更高，高执行价（实值 put / 虚值 call）更低。所以股票上它不是"微笑"，而是半张脸的"斜笑（smirk）"。含义：隐含价格分布左偏——交易员认为"大幅下跌"的概率高于"大幅上涨"（相对对数正态）。两大解释：① 杠杆效应：股价下跌 → 公司杠杆上升 → 股权风险（波动率）上升；股价上涨 → 杠杆下降 → 波动率下降——波动率与股价估值天然反向。② 怕崩症（crashophobia）：Rubinstein 在 1987 年崩盘后提出——市场单纯害怕再来一次暴跌，因此对深度虚值 put（下跌保护）支付高溢价。旁证：股票市场下跌时斜笑加剧，上涨时没那么明显。

13.4 替代坐标、期限结构与曲面 alternatives & surface

除标准坐标 X/S₀ 外，还有三种画法（都是替换自变量）：① 只用执行价 X——依赖资产价格水平、曲线不稳定；② 用 X/F₀（与期权同到期的远期价）——远期价反映理论预期股价，交易员视为更好的平值判断基准；③ 用期权 delta——可以研究欧式/美式之外的品种。波动率期限结构 = 平值期权的隐含波动率对到期时间的函数：短端波动率低（历史口径）时，随期限上升；短端波动率高时，随期限下降（反向）——与"波动率均值回归"相关但含义略有区别。波动率曲面 = 期限结构 × 微笑（全部执行价的隐含波动率）：给任意执行价/任意到期的期权定价提供指引；核心用途是校验模型的定价一致性——就算从 BSM 换到别的模型、隐含波动率数值变了，也要求模型产生的价格与市场保持一致。

13.5 微笑对希腊值的影响与价格跳跃 Greeks & jumps

希腊值的问题：delta、vega 等公式隐含"标的变动时隐含波动率不变"——但微笑曲线让这不成立。两种效应：① 沿曲线移动——股价涨 → X/S 下降 → 在斜笑曲线上滑到另一个波动率点位；② 整条曲线平移——股价与波动率负相关：股价涨时曲线整体下移、跌时上移。实战结论：第二种效应主导第一种。把曲线的上下移动纳入计算的 delta 叫最小方差 delta（minimum variance delta）；注意：BSM 口径的 delta 高于最小方差 delta。价格跳跃：预期重大消息（可能跳涨或跳跌）会让价格变动分布变成双峰（期望与标准差可保持不变）。对隐含波动率的影响：平值期权的隐含波动率高于两侧（实值/虚值）——微笑反转成"皱眉（frown）"。一句话：跳跃让"正中间最贵"，而不是"两侧翘"。

🔑 英文要点速查 · English Essentials

put-call parity — c − p = S − PV(X); PV(X) = Xe^−rT; holds regardless of lognormality; p_mkt − p_BSM = c_mkt − c_BSM ⇒ same implied volatility for calls and puts at the same strike and maturity.
currency smile — Higher implied vol for deep ITM and deep OTM than ATM; traders expect more extreme moves than lognormal; exchange-rate volatility jumps between levels; long-dated options exhibit less smile.
equity smirk — Higher implied vol for low strikes (ITM calls / OTM puts); inverse relationship vs X/S; left-skewed implied distribution; reasons: leverage and crashophobia (Rubinstein, post-1987); skew widens when markets decline.
alternatives — Replace X/S₀ with X (less stable); with X/F₀ (forward price as ATM gauge); with option delta (extends beyond European/American options).
term structure & surface — ATM implied vol vs maturity: increasing when short rates low, inverse when short rates high; surface = term structure × smile; used to confirm/disprove model pricing consistency.
Greeks — Two effects: moving along the smile curve; shifting the whole curve (equity price vs vol negatively correlated); shifting dominates; minimum variance delta incorporates curve movements; BSM delta is higher.
price jumps — Bimodal distribution (same mean/sd); result: ATM implied vol exceeds wings ⇒ a volatility "frown" instead of a smile.

📝 本章自测 · Self-Check

以下为自编练习题（非真题）：题干保留英文考试形态，解析为中文——先自己判断，再点开核对。共 4 题。

Q1. Given the same strike price and time to expiration, the implied volatilities of a call and a put on the same underlying are:

A. higher for the call.

B. higher for the put.

C. equal. ✅

D. equal only when the option is at the money.

C 正确。考点：平价的隐含波动率含义
买卖权平价的偏离对称性：p_mkt−p_BSM = c_mkt−c_BSM，两边偏离相同 → 反推的隐含波动率相同（C）。D 是常见误解——平价与是否平值无关。注意：平价成立不需要对数正态假设，这正是它成为隐含波动率换算桥梁的原因。

Q2. An empirical distribution with a fatter right tail than the lognormal would be reflected in option prices as higher implied volatility for:

A. low strike prices.

B. strikes near the middle of the range.

C. all strikes equally.

D. high strike prices. ✅

D 正确。考点：尾部方向 → 哪边执行价更贵
右尾更肥 = 大涨概率更高 → 高执行价的 call（也就是"往上赌"的合约）被抬价 → 高执行价的隐含波动率更高（D）。镜像规则：左尾肥 → 低执行价贵（股票斜笑）；右尾肥 → 高执行价贵（外汇里那种"涨势微笑"的另一端）。

Q3. The equity option volatility smirk (higher implied volatility at low strikes) is most commonly attributed to:

A. put-call parity violations.

B. leverage effects and crashophobia. ✅

C. exchange-rate volatility jumps.

D. bid-ask spread differences across strikes.

B 正确。考点：斜笑的两大成因
① 杠杆：股价跌 → 杠杆升 → 波动率升；② 怕崩：1987 后的"崩盘恐惧溢价"（深度虚值 put 高需求）（B）。A 错——平价恰恰保证 call/put 隐含波动率一致，斜笑不是平价问题；C 是外汇微笑的成因；D 无此说法。旁证记忆点：市场跌时斜笑更陡。

Q4. A single anticipated price jump (large move up or down) in the underlying tends to produce which implied volatility pattern across strikes?

A. Higher implied volatility for at-the-money options than for away-from-the-money options — a "frown." ✅

B. Higher implied volatility for out-of-the-money options — a "smile."

C. A flat implied volatility across all strikes.

D. No change in implied volatility; only the underlying price changes.

A 正确。考点：跳跃 → 皱眉
跳跃把分布变成双峰（均值/标准差不变）——平值附近"事件价值"最高 → 平值隐含波动率高于两侧，即"皱眉"（A）。B 是常规外汇微笑；C/D 与跳跃效应矛盾。三形状口诀：外汇微笑（U）、股票斜笑（左翘）、跳跃皱眉（中间鼓）。

市场风险 · FRTB 交易账簿基础审查

14. FRTB 交易账簿基础审查

要点：Basel I → Basel II.5 → FRTB 的资本计量演变 · 弃用 99% VaR、改用 97.5% ES 的动机 · 流动性期限（5 档：10/20/40/60/120 天）与流动性调整 ES · 内部模型法（IMA）嵌套 ES 瀑布 · 交易账簿 vs 银行账簿的分类与防套利 · 回测阈值 · 损益归因 · 增量风险资本（IRC/IDR）· 证券化转标准法

🇨🇳 中文导览

本章是市场风险模块的制度收口：前 13 章讲「怎么量风险」，FRTB 讲「监管要求银行怎么算市场风险资本」。三大变化先记牢：

① 计量指标换人：从 Basel I 的 10 天 99% VaR（Basel II.5 再叠加 250 天压力 VaR），改为 97.5% ES。原因：VaR 只回答「损失最多到哪」，不告诉你越过阈值之后有多惨——正态下两者近似（μ+2.326σ vs μ+2.338σ），但厚尾下 ES 明显更狠。
② 流动性期限（LH）：不同风险因子的「平仓耗时」不同，分 5 档（10/20/40/60/120 天）；内部模型法把 ES 按类别做嵌套瀑布，再用 √(期限差/10) 放大，惩罚非流动持仓。
③ 账簿边界规则化：交易账簿须同时满足「能交易 + 交易台管理风险」，且不得随意在账簿间搬家（防监管套利）。

一句话主线：FRTB = 用 ES 抓尾部 + 用流动性期限惩罚非流动 + 用规则堵套利。
数字锚点：5 档期限、250 天压力窗、97.5% ES、回测例外阈值（99% 层 >12 或 97.5% 层 >30 → 退回标准法）。
易错点：压力期 ES 不做回测（回测的是普通 VaR）；IDR 用 99.9% VaR / 1 年，不是 97.5% ES。

关键术语：FRTB交易账簿基础审查、expected shortfall (ES)期望损失／预期尾部损失、liquidity horizon流动性期限、internal models approach (IMA)内部模型法、incremental risk charge (IRC)增量风险资本、P&L attribution损益归因。

🧭 知识网位置第 1 章建立 ES 概念、第 4 章做 VaR 回测、第 6 章做全分布验证——本章把这些要求升级成监管资本规则（FRTB）：ES 取代 VaR、回测阈值化、账簿边界规则化。相关章节第 1 章 · ES 与一致性测度第 4 章 · 回测 VaR 第 6 章 · 模型验证与 PIT

14.1 从 Basel I 到 FRTB：为什么弃用 VaR why expected shortfall

监管资本口径演进三步：① Basel I——10 天期、99% 置信水平的 VaR，结果「很新」是因为 10 天窗嵌在最近 1–4 年的样本里；② Basel II.5——在当前 VaR 之上叠加一个 250 天「压力期」的 VaR（银行自行挑选对本组合最不利的那 250 天）；③ FRTB——彻底换指标。FRTB 的批评是：VaR 只问「情况能坏到什么程度」，即给定置信度下损失不超过某阈值，但对越过阈值之后的规模一无所知。设想某行 10 天 99% VaR 是 \$2,500 万，可那 1% 的情景若是 \$7 亿 的巨亏呢？于是改用 ES——它问的是「一旦变坏，P&L 上估计会亏多少」，即尾部条件平均损失。

正态下两口径近似 ⭐ 99% VaR = μ + 2.326σ
97.5% ES = μ + 2.338σ
正态分布下两者几乎相等；但分布比正态更厚尾时，97.5% ES 可显著大于 99% VaR——这正是 FRTB 想要捕捉的尾部风险。

教材例：\$950 百万债券组合的 VaR 与 ES

某行持有 \$950 百万 债券组合，违约概率 2%。违约日程：95%–98% 置信水平下不违约、99% 及以上违约。95% VaR 仍为 \$0（第 95 百分位没有违约）。95% ES 则看尾部：最差 5% 里，有 2% 的情景是全额违约，故 ES =（2% ÷ 5%）× \$950 百万 = 40% × \$950 百万 = \$380 百万。

一句话：同样一个组合，VaR 报「\$0 损失」，ES 报「\$380 百万」——尾部视角完全不同。

FRTB 要求银行放弃「10 天 99% VaR + 250 天压力 VaR」的组合，改为只用 250 天压力期计算 97.5% ES。压力窗同样由银行自选一段对本组合「异常艰难」的 250 天。时间换算要熟：250 个交易日 ≈ 12 个月；120 天 ≈ 6 个月、60 天 ≈ 1 季、20 天 ≈ 1 个月、10 天 ≈ 2 周。

14.2 流动性期限与流动性调整 ES liquidity horizons

流动性期限（LH）的定义：在压力市场条件下，不推动对冲工具价格即可「执行交易以消除某风险因子敞口」所需的时间。统一的 10 天期限不足以反映底层交易真实流动性的差异，于是 FRTB 启用 5 档：10 / 20 / 40 / 60 / 120 天。以 60 天为例，它约等于一个季度的交易日数——按 60 天计提资本，意在让银行「撑过三个月的价格波动恢复期」。

每个风险因子都要指派一个流动性期限。例：投资级主权信用价差指派 20 天，非投资级公司信用价差指派 60 天。下表为一份样本指派清单。

风险因子 Risk Factors	期限（天）Horizon
利率（视币种而定）Interest rate (currency dependent)	10–60
利率波动率 Interest rate volatility	60
信用价差：主权、投资级	20
信用价差：主权、非投资级	40
信用价差：公司、投资级	40
信用价差：公司、非投资级	60
信用价差波动率 Credit spread: volatility	120
股票价格：大盘 Equity price: large cap	10
股票价格：小盘 Equity price: small cap	20
股票价格：大盘波动率	20
股票价格：小盘波动率	60
外汇波动率 FX volatility	40
能源价格 Energy price	20
贵金属价格 Precious metal price	20
能源价格波动率	60
贵金属波动率	60

巴塞尔委员会最初的设想是用重叠时间窗做压力测试：把短期限用一系列试算「放大」到长期限——例如对 10 天的大盘股、60 天的非投资级公司信用价差，第一次试算测第 0→10 天与第 0→60 天的压力 P&L 变化，第二次测第 1→11 天与第 1→61 天……最后一次测第 249→259 天与第 249→309 天，再取 250 次试算分布下 2.5% 尾部的平均损失作为 ES。2014 年 12 月修订后改为上文 5 个类别（类别 1–5 分别对应 10/20/40/60/120 天），主要目的是降低实施成本，并承认「风险因子的冲击在不同流动性期限之间未必相关」。

内部模型法（IMA）的嵌套 ES 瀑布

IMA 把 ES 建立在 10 天基准期限上，用五次「连续冲击」按嵌套配对方式算出 ES_1–5：

ES₁：类别 1–5 全部变量高强度波动（10 天冲击）；
ES₂：类别 2–5 受冲击，类别 1 固定不变；
ES₃：类别 3–5 受冲击，类别 1–2 固定；
ES₄：类别 4–5 受冲击，类别 1–3 固定；
ES₅：仅类别 5 受冲击，类别 1–4 固定。

整体 ES 由这条「瀑布」汇总，并按嵌套风险因子期限长度差的平方根缩放——见下式。

流动性调整 ES ⭐ ES = √( ES₁² + Σ_j=2..5 [ ES_j × √( (LH_j − LH_j−1) / 10 ) ]² )
即：把各档 ES 按「期限差 / 10」开方放大后再平方相加、最后开方。若风险因子只落在类别 1 与类别 2，公式退化为 ES = √(ES₁² + ES₂²)（假设两类在 10 天窗上的行为相互独立）。

14.3 交易账簿 vs 银行账簿：分类与防套利 trading book vs banking book

历史口径：交易账簿 = 银行打算交易的资产，按期盯市；银行账簿 = 打算持有至到期的资产，按成本记账。二者适用不同资本规则——银行账簿受更严格的信用风险资本约束，交易账簿受市场风险资本约束。于是滋生了监管套利：把信用类资产放进交易账簿以放松资本要求。

FRTB 的分类规则

双标准（缺一不可）：① 银行能够交易该资产；② 相关风险由银行的交易台实际管理。仅「有意愿交易」不够。
附加条件：资产的日常价格波动必须影响银行权益并对偿付能力构成风险。
再分类路障：资产一经初始归入某账簿，除极端情形外不得再分类（如全行会计政策变更这类「公司级」转变）。
禁止事后得利：从「搬家后类别」算出的资本优惠不被承认——仍须保留原方法的资本要求。

14.4 回测、损益归因、信用风险与证券化 backtesting · attribution · credit · securitizations

① 回测：压力期 ES 不做回测——压力情景用的极值在未来未必以同样频率出现，且 VaR 比 ES 更容易回测。FRTB 规定回测 VaR 用 1 天期限 + 最近 12 个月数据，置信水平可用 99% 或 97.5%；若 99% 层例外数 >12 或 97.5% 层例外数 >30，则必须改用标准法计算资本。

例：回测阈值判断

某行用最近 12 个月数据回测 1 天期 VaR，记录到 14 个例外。因 14 > 12（99% 层阈值），该行必须退回标准法计算市场风险资本。注意：阈值随置信水平不同——97.5% 层的容忍上限是 30。

② 损益归因（P&L attribution）：监管用两个比率把实际损益与模型预测损益作对比。记 D = 当日实际损益 − 模型损益，A = 当日实际损益：第一个比率须落在 ±10% 以内，第二个须低于 20%；若 12 个月内有 4 次或以上越界，则必须改用标准法。

③ 信用风险：Basel II.5 引入增量风险资本（IRC），识别信用类资产的两类风险——信用价差风险（价差变动使盯市价值变化，可用 ES 流程覆盖）与跳跃违约风险（发行人违约导致即时重大损失）。IRC 允许银行假设风险水平恒定（如 A 级债券三个月期限受损后，假定到期即以另一只 A 级债券替换）——这是一个简化假设，FRTB 改为不假设替换的增量盯市。跳跃违约风险另计 增量违约风险（IDR）费用，覆盖所有可能违约的风险资产（含股票），按 99.9% VaR、1 年期计算。

④ 证券化：Basel II.5 对证券化产品（ABS、CDO 等）引入综合风险计量（CRM）费用，但允许银行用自建内部模型，导致各行资本费用差异巨大。FRTB 因此规定证券化一律改用标准法。

三个「信用/证券化」费用速记

IRC（增量风险资本）：信用价差风险 + 跳跃违约风险；Basel II.5 口径假设风险水平恒定。
IDR（增量违约风险）：跳跃违约；99.9% VaR、1 年；含股票。
CRM（综合风险计量）：证券化；Basel II.5 允许内部模型 → FRTB 改标准法。

🔑 英文要点速查 · English Essentials

evolution — Basel I: 10-day 99% VaR (recent 1–4 years); Basel II.5: add a 250-day stressed VaR; FRTB: replace with 97.5% expected shortfall over a self-selected 250-day stressed period.
why ES — VaR only asks "how bad can things get?" and says nothing beyond the threshold; ES asks "if things get bad, what is the estimated loss?" Normal: 99% VaR = μ + 2.326σ ≈ 97.5% ES = μ + 2.338σ; fatter tails ⇒ ES larger.
ES example — \$950m portfolio, 2% PD ⇒ 95% VaR = \$0; 95% ES = (2%/5%) × \$950m = 40% × \$950m = \$380m.
liquidity horizon — "time required to execute transactions that extinguish an exposure to a risk factor, without moving the price of the hedging instruments, in stressed market conditions"; five buckets 10/20/40/60/120 days.
IMA — base 10-day horizon; nested waterfall ES_1–5 (ES₁ shocks all categories, ES₅ only category 5); liquidity-adjusted ES scales each by √((LH_j − LH_j−1)/10).
trading vs banking book — dual criteria: able to trade and risks managed on the trading desk; day-to-day price moves must affect equity/solvency; reclassification barred except extraordinary (firm-wide) circumstances; no benefit from the post-shift category.
backtesting — stressed ES is not backtested; VaR backtest = 1-day horizon, latest 12 months, 99% or 97.5%; >12 exceptions (99%) or >30 (97.5%) ⇒ standardized approach.
P&L attribution — two ratios on D = actual − model P&L and A = actual P&L; first within ±10%, second under 20%; 4+ breaches in 12 months ⇒ standardized approach.
credit & securitization — IRC (credit spread + jump-to-default; constant level of risk ⇒ replaced by incremental mark-to-market); IDR at 99.9% VaR, 1-year; CRM for securitizations replaced by the standardized approach.

📝 本章自测 · Self-Check

以下为自编练习题（非真题）：题干保留英文考试形态，解析为中文——先自己判断，再点开核对。共 4 题。

Q1. A bank holds a \$750 million bond portfolio with a 4% probability of default. Using the illustrative approach in the FRTB framework, the 95% value at risk (VaR) and the 95% expected shortfall (ES) are closest to:

A. VaR = \$30 million; ES = \$600 million.

B. VaR = \$0; ES = \$600 million. ✅

C. VaR = \$0; ES = \$30 million.

D. VaR = \$600 million; ES = \$0.

B 正确。考点：VaR 与 ES 的尾部差异
违约概率 4% 低于 5% ⇒ 第 95 百分位不违约，95% VaR = \$0。ES 看尾部条件损失：最差 5% 中违约占比 4%/5% = 80% ⇒ ES = 0.8 × \$750 百万 = \$600 百万（B）。A 的 \$30 百万 = 4% × 750 是无条件期望损失，不是 ES——常见错法：把「平均违约损失」当成尾部条件平均；C 把两者量级对调。

Q2. Under the internal models approach (IMA) of FRTB, the liquidity-adjusted expected shortfall is obtained by:

A. averaging the five horizon-specific ES figures and multiplying the result by √250.

B. applying a single Basel-set correlation factor to a weighted average of the five liquidity horizons.

C. backtesting stressed ES over a rolling 250-day window.

D. scales each category's ES by the square root of the difference in horizon lengths and combines the scaled figures in a nested waterfall (ES₁ spanning categories 1–5 down to ES₅ spanning category 5 only). ✅

D 正确。考点：IMA 流动性调整 ES 的构造
IMA 用嵌套瀑布：ES₁ 冲击类别 1–5、ES₂ 冲击 2–5（类别 1 固定）……ES₅ 只冲击类别 5；整体 ES = √(ES₁² + Σ[ES_j×√((LH_j−LH_j−1)/10)]²)（D）。A 错在「平均 + √250」；B 是臆造的「委员会相关因子」（错法：把瀑布当加权平均）；C 错——压力 ES 不做回测。

Q3. A bank plans to classify a newly acquired credit instrument in its trading book. The instrument can be traded readily, but its risks are managed by the banking-book credit team rather than a trading desk. Under FRTB's classification criteria, the instrument:

A. qualifies because it is readily tradable.

B. qualifies as long as the bank intends to trade it within one quarter.

C. does not qualify — both tradability and trading-desk risk management are required (with value changes affecting equity/solvency). ✅

D. may be placed in either book at the bank's discretion once supervisors are notified.

C 正确。考点：交易账簿分类双标准
FRTB 要求同时满足「可交易」+「风险在交易台层面实际管理」（另需价格波动影响权益/偿付能力）——本例风险归银行账簿团队，不能入交易账簿（C）。A/B 只满足一半，「有意愿交易」是旧口径；D 错在「由银行自选」。

Q4. A bank backtests its 1-day VaR at the 99% level using the latest 12 months of data and records 14 exceptions. Under FRTB, the bank must:

A. use the standardized approach to compute market risk capital. ✅

B. do nothing, because 14 exceptions are within tolerance.

C. switch to a 97.5% confidence level and re-test before taking any action.

D. add a stressed VaR charge on top of its expected shortfall.

A 正确。考点：回测例外阈值 → 退回标准法
FRTB 回测口径：1 天期、最近 12 个月；99% 层例外 >12（本例 14）或 97.5% 层 >30 ⇒ 必须改用标准法（A）。B 错（14 > 12 已越阈）；C 错（置信水平由规则规定，不能靠「重测」规避）；D 错——FRTB 恰恰不再叠加压力 VaR（那是 Basel II.5 的做法）。

Interactive Tools · 交互计算器

🧮 交互计算器 Calculators

输入数字，点击按钮即得结果（默认使用考试常用口径）。

① 参数法（正态）VaR

均值 μ（亿元，负收益用负号，如 −15）波动率 σ（亿元）置信水平（0.95 / 0.99）

② 正态 ES（日，乘子法）

日波动率 σ（货币单位）置信水平（0.95 → 乘子≈2.063；0.99 → 乘子≈2.665）

③ 历史模拟法 VaR 定位（常用口径）

观测数 n 置信水平（0.95 / 0.99）

④ 相关系数与均值回归恒等式

一阶自相关 ρ₁ 均值回归速率 a（= 1 − ρ₁）

Formula Sheet · 公式速查

⭐ 市场风险核心公式速查

按章节组织，考前冲刺一目了然。

公式	含义 / 中文
历史法 VaR：第 k 个最差，k=(1−c)·n+1	把收益排序取分位；常用口径 +1
参数法正态：VaR(α) = −μ + σ·Z_α	Z: 95%→1.65, 97.5%→1.96, 99%→2.33
对数正态：VaR(α) = 1 − e^(μ_r−σ_rZ)	连续收益，占比表示
ES(α) = E[ L \| L>VaR(α) ]	尾部平均损失；正态乘子 φ(z)/(1−c)
Kupiec POF：LR=−2ln[(1−p)^(N−x)·p^x]+2ln[(1−x/N)^(N−x)·(x/N)^x]	失败率检验，卡方分布
Kupiec 置信：−p·N ± z·√(N·p(1−p)) 见注	失败率置信区间
均值回归：S_t−S_t−1 = a(μ−S_t−1)	回归斜率 β = −a
a（均值回归）+ ρ₁（自相关）= 1	恒等式，必背
已实现相关：2/(n²−n)·Σ_i>jρ_ij	相关互换标的
相关互换买方：Notional×(ρ_realized−ρ_fixed)	做多已实现相关
Gaussian copula 联合违约：Φ₂(Φ⁻¹(PD₁),Φ⁻¹(PD₂);ρ)	双资产同违约概率
回归对冲面值：F^R=F^N×DV01^N/DV01^R×β	改进 DV01 中性对冲
二项树节点：V=[pV_u(1−p)V_d]/(1+r)	风险中性向后递推
Model 1/2: dr=σdw; dr=λdt+σdw	无漂移 / 常数漂移
Ho-Lee: dr=λ(t)dt+σdw	时变漂移拟合曲线
Vasicek: dr=k(θ−r)dt+σdw	均值回归、可负利率
CIR: dr=k(θ−r)dt+σ√r dw	均值回归、利率非负
Model 3: dr=λ(t)dt+σe^(−αt)dw	波动随时间衰减
Put-Call parity: c−p=S−Xe^(−rT)	期权平价（衍生品基础）
组合 σp²=Σw²σ²+ΣΣ w_iw_jρσ_iσ_j	相关→组合 VaR 方向

注：Kupiec 失败率置信区间约为 −p·N ± z·√(N·p(1−p))（异常数上下界），用于判断失败数是否落在期望范围内；实际考试常给数字让判断是否拒绝。其余公式以通用惯例为准。

1. 估计市场风险度量：历史法与参数法

1.1 收益与损益的度量（预备）returns & P/L

1.2 历史模拟法 Historical Simulation 历史模拟法

教材例：从直方图读 VaR

例题（考试风格）：历史法定位与口径

1.3 参数法：正态分布 Parametric (Normal) 参数法（正态）

教材例：XYZ 的年度 VaR

教材例：算术收益版本

1.4 参数法：对数正态 Lognormal 对数正态

教材例：对数正态 VaR

1.5 期望损失 / 尾期望 ES（Expected Shortfall）ES / CVaR

为什么要 ES？—— VaR 的根本缺陷

一致性风险测度 Coherent Risk Measure

配套练习（正态 ES 乘子法 · 自编）

1.6 分位数估计的精度：标准误 standard error

标准误与置信区间（教材口径）

教材例：5% VaR 的 90% 置信区间（n=500、bin=0.1）

1.7 QQ 图（Quantile-Quantile Plot）分位数-分位数图

QQ 图的读法与结论

📝 本章自测 · Self-Check

2. 非参数方法 Non-Parametric Approaches

2.1 方法定位：让数据说话 non-parametric estimation

2.2 Bootstrap 历史模拟 bootstrap historical simulation

2.3 非参数密度估计：给直方图"抹平" surrogate density

2.4 四大改良方法 four refinements

（1）年龄加权 Age-Weighted（别名：hybrid 混合法）

自编演算：λ = 0.95 的年龄权重表（长样本）

（2）波动率加权 Volatility-Weighted（Hull–White）

（3）相关性加权 Correlation-Weighted

（4）过滤历史模拟 FHS Filtered Historical Simulation

2.5 优缺点清单 advantages & disadvantages

📝 本章自测 · Self-Check

3. 极值理论 Extreme Value Theory (EVT)

3.1 极端值：重要且难缠 the challenge

3.2 GEV 与 Fisher-Tippett 定理 generalized extreme value

3.3 POT 与广义帕累托分布 peaks-over-threshold & GP

3.4 落点：用 POT 算 VaR 与 ES VaR & expected shortfall

教材例：POT 参数算 1% VaR 与 ES

3.5 GEV vs POT：怎么选 comparison

3.6 多元 EVT 与尾部相依 multivariate EVT

📝 本章自测 · Self-Check

4. 回测 VaR：Backtesting

4.1 回测与它的难点 backtesting & difficulties

4.2 失败率与 z 检验 failure rate & model verification

4.3 两类错误：冤枉与放过 Type I & Type II

4.4 无条件覆盖：Kupiec 的 LR 检验 unconditional coverage

教材例：T=252、p=0.05、N=12 的 LRuc

4.5 条件覆盖：例外会不会"扎堆" conditional coverage

4.6 Basel 回测规则与惩罚区 Basel penalty zones

持有期的选择（补充考点）

📝 本章自测 · Self-Check

5. VaR 映射 VaR Mapping

5.1 映射的原理与流程 mapping principles

5.2 一般风险与特定风险 general vs specific risk

5.3 固定收益三法：从粗到精 principal / duration / cash flow

教材例：三法对比（同两券组合）

5.4 用映射做压力测试 stress testing via mapping

5.5 基准与跟踪误差 VaR benchmark & tracking error

5.6 衍生品映射：线性 vs 非线性 derivatives mapping

拆解对照速记

📝 本章自测 · Self-Check

6. VaR 模型验证 & PIT 回测

6.1 起点：VaR 作为监管资本的度量 setting

6.2 概念健全性：三轴验证 conceptual soundness

6.3 敏感性分析 sensitivity analysis

6.4 VaR 的置信区间 confidence intervals

6.5 基准化与它的难题 benchmarking

6.6 从例外法到 PIT：全分布回测 from exceedances to PIT

教材例：连续多日的 PIT 序列（节选）

6.7 PIT 分布与三大拟合检验 goodness-of-fit

三检验一句话对号

📝 本章自测 · Self-Check

8. 相关性基础：Correlation Basics

8.1 金融相关性风险与它的版图 correlation risk

8.2 组合视角：方差、协方差与 ρ portfolio mathematics

8.3 相关性期权：多资产策略 correlation options

Quanto 直觉口诀

8.4 相关性互换 correlation swaps

8.5 VaR 与相关性：资本的正相关 VaR & correlation

教材例：两资产 10 日 99% VaR

教材例：T=252、p=0.05、N=12 的 LR_uc