做量化风控的人大概率都被问过类似的问题一个由几十只资产组成的组合单看每只资产的VaR和CVaR都算得清清楚楚为什么放到一起之后模型给出的99%置信度日损失和实际亏损总是对不上尤其遇到极端行情亏损来得比模型预测更集中、更猛烈。原因往往不在单资产的收益分布而在资产之间的相关性结构——平时看起来弱相关的资产一旦市场恐慌时可能同步下跌把“分散化”的假设直接击穿。我最近在Matlab里完整跑了一套市场风险管理流程覆盖的就是标题里这条链路先对金融时间序列做波动率估计与预测GARCH、EWMA、EqWMA等再用风险因子做降维用EVT处理尾部用Copulas刻画联合分布最后通过蒙特卡洛模拟计算出组合的VaR和CVaR。这套流程做完之后我再回头看单资产的波动率模型感觉它们只是“半成品”——边际分布做得再好没有联合分布和尾部建模风险数字依然是缺一块的。这篇文章想把整条链路拆开讲清楚每个环节解决什么问题、Matlab里怎么落地、哪些参数最敏感、实际跑数据时容易在什么地方翻车。适合正在做市场风险计量、准备搭建内部模型法框架或者想在工作中引入Copulas和极值理论的量化同学。1. 为什么组合风险不能只看单资产VaRCopulas和整套链路的作用1.1 单资产VaR/CVaR为什么会对组合产生失真先做一个思想实验。假设组合里只有两类资产单资产的日波动率都在1%左右历史收益率相关性为0.3。很多人第一反应是组合波动率大概是单资产的1.3倍左右风险不大。但实际上相关性0.3对应的只是“平均状态”一旦市场进入尾部区域收益率之间的相关性会快速跳升这个现象在学术上常被叫做“相关性传染”或“相关性恐慌”。为什么传统的多元正态模型捕捉不到因为在多元正态假设下资产之间的依赖结构完全由线性相关系数矩阵决定而正态分布的尾部是渐进独立的——两个变量要同时取到极端值的概率会随着极端程度的加深而快速衰减。但真实金融数据里极端下跌往往不是“各自跌”而是一起跌。这正好引出Copulas的用武之地。Copulas做的事情是把每个变量的边际分布和变量之间的“依赖结构”也就是相关性、尾部相依性分开建模。边际分布可以各自用GARCH、EVT去拟合依赖结构则通过Copula来刻画。这样做的好处非常直接你不会因为某只资产的边际分布偏态就污染了整体相关性估计也不会因为相关性结构复杂就强行套一个多元正态上去。1.2 标题背后的完整建模链路标题里串着一串关键词实际落地时它们之间的关系是分层的第一层是波动率模型。GARCH、EWMA、EqWMA这些模型用来估计每个风险因子的条件波动率并且可以外推预测。第二层是EVT极值理论它负责处理收益率分布的尾部因为GARCH模型即使用了t分布对极端事件的拟合依然不够稳。第三层是Copulas它把多个风险因子的边际分布连接成联合分布解决“同时出事”的问题。第四层是蒙特卡洛模拟从联合分布里抽样生成大量组合损益情景最后算出VaR和CVaR。这套链路里有一个容易被人忽略的细节Copulas并不是替代波动率模型的它是在波动率模型之上做“联合化”的。实际操作时我通常是先用GARCH类模型对每个因子单独建模、估计条件波动率然后把收益率标准化成残差序列用EVT拟合残差的尾部再用经验分布或参数分布把残差转成均匀分布最后把这组均匀分布序列丢给Copulas去做依赖结构拟合。这样生成的联合分布既能体现“收益率在时间序列上的波动聚集”又能体现“多个资产在极端行情下同时下跌”。1.3 适用场景与前置工具这套方案最适合的场景是你手里有一个多资产组合资产之间具有一定的相关性且你需要在日频或更高频尺度上给出风险限额。如果只是单一资产、或者资产数量很少直接用GARCH加蒙特卡洛就够了引入Copulas反而增加拟合误差。资产数量多但相关性又高度稳定时普通相关矩阵也能凑合只有当组合里存在“平时弱相关、恐慌时强相关”的结构Copulas的价值才凸显出来。关于工具我用的是Matlab的统计与机器学习工具箱和计量经济学工具箱。前者提供Copula相关的拟合与抽样函数copulafit、copularnd、copulapdf后者提供GARCH族模型garch、egarch、gjr。价格不便宜但胜在生态完整股权、商品、利率都能量。唯一要提醒的是Matlab的Copula函数只支持常用的Gaussian、t、Clayton、Gumbel、Frank这几类如果你想上混合Copula或者变结构Copula得自己写优化循环第二篇再展开聊。2. GARCH、EWMA和EqWMA的实测对比公式、Matlab代码与选择依据2.1 三个模型的数学本质差异先摆出三个模型的最简形式这里的符号统一r_t是第t期的对数收益率σ_t²是第t期条件方差。EqWMA等权重移动平均 σ_t² (1/n) × Σ_{i1}^{n} r_{t-i}²这是最简单的方法窗口内每一天的平方收益权重完全相同。它的隐含假设是过去n天的波动水平大致恒定。现实中这个假设通常是错的所以它的预测响应很慢——某天突然出现巨大波动模型要等好几天才会充分反映出来。EWMA指数加权移动平均 σ_t² λ × σ_{t-1}² (1-λ) × r_{t-1}²λ常用0.94日频或0.97月频。它的特点是“越近的数据权重越高”对市场变化的响应比EqWMA快得多。但EWMA本质上是一个没有均值回归项的模型长期来看条件方差会一直漂移没有一个“平均波动水平”把它拉回来。从数学上看EWMA相当于一个ω0、βλ、α1-λ的GARCH(1,1)也就是常说的IGARCH模型。GARCH(1,1) σ_t² ω α × r_{t-1}² β × σ_{t-1}²它比EWMA多了一个长期均值回归项。当αβ1时模型存在一个有限的无条件方差无条件方差 ω / (1 - α - β)。这意味着不管短期波动怎么飙升模型最终会“回到”一个长期平均水平。这个性质对风险管理的长期预测非常重要——你预测30天后的VaR时GARCH会收敛到长期波动而EWMA会一直停留在当前高波动状态。从风险管理的角度来看三者的差异可以这样总结EqWMA平滑但迟钝适合波动率变化不剧烈的低流动性资产EWMA响应快但没有均值回归适合高频监控短期风险不适合做长周期资本计量GARCH兼顾响应速度和均值回归是做监管资本和压力测试时的首选。2.2 Matlab实现与参数估计的踩坑记录在Matlab里拟合GARCH非常简单我直接建了一个garch模型对象% 假设 returns 是单个风险因子的日对数收益率列向量 mdl garch(GARCHLags, 1, ARCHLags, 1, Offset, NaN); est estimate(mdl, returns, Display, off); [sigma, ~] infer(est, returns); % sigma 是条件波动率序列注意Offset设为NaN意思是模型里带一个常数均值项。如果你处理的是近零均值的高频数据可以把Offset设为0减少一个参数后拟合更稳。EWMA更简单手写循环就行lambda 0.94; T numel(returns); sigma2 zeros(T, 1); sigma2(1) returns(1)^2; for t 2:T sigma2(t) lambda * sigma2(t-1) (1-lambda) * returns(t-1)^2; end sigmaEwma sqrt(sigma2);EqWMA则用一个带滞后窗口的均值运算win 252; % 一年交易日 sigma2Eq zeros(T, 1); for t win1:T sigma2Eq(t) mean(returns(t-win:t-1).^2); end sigmaEq sqrt(sigma2Eq);这三个模型跑同一段序列时我踩过最大的坑是GARCH估计的初值敏感性。Matlab的estimate默认用无约束优化但金融数据经常有尖峰厚尾和异常值如果收益率序列里有一个极端值优化器可能直接跑飞。我的做法是先对returns做一次粗略的缩尾处理比如把超过5倍标准差的点按5倍截断用处理后的序列跑出初值再用原始序列重新估计。另一个坑是在infer之前一定要确认模型收敛。看到estimate返回的loglikelihood是NaN或者警告说Hessian不是正定矩阵就直接放弃这组结果。不要相信默认的拟合成功标志手动打印参数和标准误确认α、β都在合理区间。2.3 到底哪个模型适合哪种资产我梳理了一张选择参考表不完全严谨但非常实用资产/场景推荐模型原因股票指数、大盘股GARCH(1,1)t残差波动聚集明显尾部偏厚国债收益率、利率互换EWMAλ0.94或GARCH国债波动率有均值回归效应两者皆可更看中响应速度选EWMA外汇EWMA汇率序列常有短期冲击EWMA能更快反应低流动性信用债EqWMA长窗口日频数据噪声极大短窗口稳定性差监管资本、30天以上预测GARCH均值回归特性让长端波动率预测更合理这里多说一句做风险预测时真正重要的不是选最复杂的模型而是选符合数据特征的模型。比如某类资产的收益序列极端值特别多GARCH配合学生t分布残差的拟合效果通常比GARCH加正态残差好不少。我见过很多团队在模型选型上花费大量精力最后发现主要误差来源根本不是模型类别而是数据清洗和异常值处理。3. 风险因子拆解与PCA降维把几十个资产换成五个因子3.1 为什么要用风险因子而不是直接用资产收益很多人做组合风险时习惯直接拿组合里每只资产的收益率去算相关性。问题在于几十只资产的相关性矩阵会引入两项误差一是估计误差样本量不够时矩阵里会出现大量噪声相关性二是维度灾难你把50维数据放进Copulas去拟合参数数量爆炸拟合结果几乎不可用。所以正确的做法是先做风险因子拆解。风险因子是指能够系统性影响资产价格的变量比如股票市场指数、长端国债收益率、信用利差、美元指数、商品价格。每只资产可以看成是若干个风险因子的线性组合这本质上是套用APT套利定价理论的思想。实际操作中风险因子拆解分为两步。第一步是把资产收益率对因子收益率做多元线性回归得到因子暴露也就是载荷系数。第二步是对因子收益自身做PCA降维——这一步的作用是把高度相关的原始因子比如10年期国债收益率和30年期国债收益率合并成少数几个相互正交的“主成分”减少后续建模的维度。3.2 PCA降维的具体操作与主成分选择Matlab里做PCA非常直接% factorReturns 是 T×K 的因子收益率矩阵 % 先标准化避免量纲影响 factorStd zscore(factorReturns); [coeff, score, latent] pca(factorStd); explained cumsum(latent) / sum(latent) * 100;我建议取累计解释方差达到95%以上的主成分个数。注意PCA的输入一定不能是原始收益率而是标准化后的收益率否则波动率大的因子会主导主成分方向这不是我们想要的。主成分的另一个用途是判断市场风险来源。比如某组合里股票因子和信用利差因子高度相关做主成分分析后第一个主成分可能同时承载了“股票市场整体下跌”和“信用利差走扩”的信息这其实反映了市场系统性风险。你在写风险归因报告时如果把主成分解释成“系统性风险因子”“利率因子”“商品因子”会比逐资产写原因是清晰很多的。3.3 因子得分与资产映射把组合损益表算回来PCA做完之后你会得到两样东西载荷矩阵coeff和主成分得分score。组合的损益就可以用主成分得分线性表示ΔP ≈ Σ (w_j × loading_j × PC_score)在Matlab里可以这样做nPC 5; % 依据累计解释方差确定 PC score(:, 1:nPC); Loading coeff(:, 1:nPC); % 组合权重 w列向量K×1 % 资产收益近似 Loading * PC assetRetApprox Loading * PC; % 组合损益 PnL assetRetApprox * w;这里有一个容易被忽略的细节PCA是对因子的标准化数据做的所以PC得分已经不再具备原始因子的单位。如果你要还原成“收益率”需要用latent里的特征值或标准差重新缩放。我一般在建模时干脆就用标准化后的PC得分来做蒙特卡洛最后再乘以标准差还原成收益率这样数值会稳定很多。4. EVT极值理论的核心落地问题阈值、GPD拟合与尾部分布拼接4.1 POT方法与GPD参数EVT在风险管理中主要用两类方法一类是分块极大值法BM按时间块取最大值来拟合广义极值分布另一类是阈值超越法POT也叫峰值超过阈值法。实际操作中我几乎只用POT因为它对数据的利用效率更高符合金融时间序列“大部分日子很平静少数日子暴跌”的特征。POT方法的核心定理是当阈值足够高时超过阈值的超量损失近似服从广义帕累托分布GPD。设u为阈值超量y X - u则G(x) 1 - (1 ξ × y / β)^(-1/ξ)ξ ≠ 0 G(x) 1 - exp(-y / β)ξ 0这里ξ是形状参数β是尺度参数。ξ0表示分布是厚尾的金融数据里通常能估出正的ξ这就是为什么正态分布永远低估极端风险。4.2 阈值选择的判断标准阈值u的选择是整个EVT落地时最主观的一步。取太大了超量样本太少参数估计方差高取太小了GPD假设不成立偏差高。我常用的几个判断标准第一种是“超量期望函数图法”也叫平均剩余寿命图。对每一个候选阈值u计算所有大于u的超量均值画出来。如果u足够高图形应当近似为一条直线出现明显转折的位置就是合适的阈值。Matlab里可以手算thresholds quantile(loss, 0.80:0.01:0.99); meanExcess zeros(size(thresholds)); for i 1:numel(thresholds) u thresholds(i); exceed loss(loss u) - u; meanExcess(i) mean(exceed); end plot(thresholds, meanExcess);第二种是参数稳定性图对一组阈值分别拟合GPD观察ξ和β估计值是否随阈值变化而基本稳定。如果ξ在某个阈值之后突然稳定、不再随阈值增加而单调变化通常可以认为那一带是合理的。我个人在实际建模时更倾向于一种“经验法则参数稳定性”的组合先把阈值设成90%分位数左右看看超量样本量是否足够一般至少要有300个以上的样本点。如果拟合出来的ξ在95%分位和90%分位之间变化不超过一个标准误就说明阈值选择基本合理。4.3 中心与尾部拼接的半参数分布构造EVT最核心的落地技巧在于我们不能简单地把整个分布都替换成GPD因为太浪费数据。标准做法是把收益分布分成三段——左尾、中心、右尾中心用经验分布或平滑核密度两端用GPD拟合。在Matlab里我先定义左右阈值lowerT quantile(stdResid, 0.05); upperT quantile(stdResid, 0.95); % 对左尾取负值后拟合同样形式的GPD方便统一处理 leftExceed -(stdResid(stdResid lowerT) - lowerT); rightExceed stdResid(stdResid upperT) - upperT; pdLeft fitdist(leftExceed, GeneralizedPareto); pdRight fitdist(rightExceed, GeneralizedPareto);接下来要构造一个连续的累积分布函数F(x)。对于x在[lowerT, upperT]之间的部分我直接用经验CDF对x lowerT的部分F(x) P_low × GPD_cdf(-(x - lowerT))对x upperT的部分F(x) P_high (1-P_high) × GPD_cdf(x - upperT)。这样构造出来的F在临界点处需要保持连续如果直接用经验分位数去切可能会出现跳跃。我的做法是在连接点附近做一点线性插值平滑保证F在[lowerT, upperT]区间内单调且连续。构造好F之后就可以把每个标准残差r映射成均匀分布变量uF(r)直接作为Copula拟合的输入。这里有一个关键点一定要用标准残差而不是直接用原始收益率。因为GARCH模型已经剥离了条件波动率标准残差在时间上是近似独立的对Copula拟合来说独立同分布假设才基本成立。5. Copula怎么进入波动率模型相关性结构拟合与蒙特卡洛模拟5.1 为什么传统相关矩阵不够用经典的多元正态模型里相关性矩阵就是全部依赖结构但它有两个致命缺陷。第一它只能刻画线性相关性没法刻画“一个大跌时另一个也跟着大跌”这种非线性尾部依赖。第二金融数据的相关性本身是时变的用一个常数相关矩阵去做蒙特卡洛遇到极端行情时相关性往往会被低估。Copulas解决了第一个问题但第二个问题依然存在。所以实际落地时我通常是两种方式结合一种是用动态Copula比如DCC-GARCH先估计动态相关性再转换成Copula参数另一种是分段估计——把样本按波动率状态切成几段分别估计Copula参数再用压力测试场景去放大尾部。这篇先用最常用的静态t-Copula把流程走通。t-Copula比Gaussian Copula多了一个自由度参数ν。ν越小尾部相依性越强ν越大越接近Gaussian Copula。金融市场里的日频收益率序列拟合t-Copula时ν通常在3到8之间这本身就说明了资产间存在明显的尾部联动。5.2 Matlab里拟合t-Copula的完整步骤先准备数据对每个风险因子的标准残差用上一节构造的半参数分布映射成均匀分布U。Matlab代码U zeros(T, K); for j 1:K r stdResid(:, j); % 使用经验CDF把标准残差映射到(0,1) % 更严格的做法是用EVT拼接后的半参数CDF U(:, j) cdf(empiricalDist{j}, r); % 或者手动计算 end然后拟合t-Copula[rho, nu] copulafit(t, U);copulafit会返回相关矩阵rho和自由度nu。这里要留一个心眼如果数据中某些因子之间存在极端的同时很大或很小值拟合出来的nu可能非常小比如1.5此时t-Copula的尾部相依会非常重。需要检查rho矩阵是否正定非正定时可以考虑“收缩”处理比如加一个很小的对角扰动。5.3 对拟合Copula的“尾部相依”和自由度做出科学判断一个常见的误区是只看拟合出来的AIC或BIC觉得数字越小越好。其实对风险管理来说更要紧的是“尾部的极端事件是否能被合理外推”。我习惯做三件事第一比较t-Copula与Gaussian Copula的拟合优度。Matlab里可以用copulafit分别拟合然后计算对数似然再用AIC/BIC做比较。如果两者AIC差异很小我会偏向选择t-Copula因为它的尾部行为更谨慎对风险计量来说是偏保守的。第二画出两个因子的模拟散点图对比原始数据的散点图。用copularnd生成大量模拟U再用tcdf/Norm逆变换回标准残差然后画散点。如果模拟数据在左下角和右上角的聚集形态和实际数据明显不符说明Copula类型选错了。第三做条件尾部相关性的数值检验。简单一点的做法是在原始U数据里筛选出所有u1 0.1的样本计算这些样本中u2的中位数或均值和Copula模拟数据做同样的条件抽样比较差异。如果模拟数据的条件均值系统性低于实际数据说明你的Copula低估了尾部联动。这条做完之后你就有了一个完整的联合分布边际分布是“GARCH预测条件波动率×EVT尾部分布”依赖结构是“t-Copula相关矩阵”。下一节就可以做蒙特卡洛了。6. 蒙特卡洛情景到CVaR从联合分布生成组合损失曲线的实操流程6.1 情景生成的五步流程在Matlab里蒙特卡洛情景生成可以拆成五步。第一步从已拟合好的t-Copula中抽样生成Nsim行、K列的均匀分布模拟值rng(20240101, twister); % 固定随机种子方便审计 U_sim copularnd(t, rho, nu, Nsim);第二步把U_sim通过各因子的边际分布反变换回标准残差序列。这里要用到前面构造的半参数CDF的反函数。对中心部分用经验CDF的反函数插值对尾部用GPD的反函数gpinv。Matlab里可以写成Z_sim zeros(Nsim, K); for j 1:K Z_sim(:, j) icdf(empiricalDist{j}, U_sim(:, j)); end第三步把标准残差序列通过波动率模型转换成因子收益率。这步要跟你用哪个波动率模型对齐。如果做的是1日风险直接用当前条件波动率乘上去retSim Z_sim .* sigmaNow; % sigmaNow 是当前各因子的条件波动率如果做的是10日风险就要先模拟未来的波动率路径再逐日生成收益率序列最后累加。GARCH模型在这里优势明显因为它有均值回归10天后的波动率不会停留在当前极端高值而EWMA则可能始终处于高位长周期VaR偏高。第四步把因子收益率通过PCA载荷映射成资产收益率再乘权重得到组合损益assetRetSim Loading * retSim; PnL assetRetSim * w; % w 是组合权重列向量 loss -PnL; % 以正数表示损失第五步计算组合VaR和CVaRalpha 0.99; VaR quantile(loss, alpha); tailLoss loss(loss VaR); CVaR mean(tailLoss);要注意VaR和CVaR的语义差异。VaR只是“阈值”它告诉你99%的情况下损失不会超过这个数但它不告诉你超过之后平均会亏多少。CVaR是“超过VaR后的平均损失”是比VaR更稳健的尾部风险度量。这也是为什么Basel框架里对内部模型法越来越强调预期损失ES本质上就是CVaR。6.2 VaR与CVaR的数值稳定性控制蒙特卡洛模拟得到的VaR和CVaR都存在抽样误差误差来源主要是尾部样本量少。如果你设置Nsim 10000α 0.99那么真正进入星部的样本只有约100个此时CVaR对极端值非常敏感。我通常把Nsim设到50000以上并且用分位数排序来控制极端值的影响。另一个提升稳定性的做法是“对偶变量法”。具体做法是生成一组标准正态随机数Z然后取-Z作为第二组两组的样本均值呈负相关能显著降低组合损益均值的方差。这个方法在Matlab里实现几乎零成本我强烈建议加上。另外一定要固定随机种子。我在最开始就用了rng固定种子这样每次计算的VaR完全可复现。风险部门或审计团队如果问起“为什么这次跑出来和上次不一样”你就能快速定位是参数变了还是随机数变了。6.3 蒙特卡洛模拟里的常见Bug与应对这节分享几个我实际踩过的坑。第一个是维度错配PCA保留5个主成分但retSim的列数还是原始因子数直接相乘会报错。每次建模前先打印size养成习惯。第二个是边际分布反函数出错。经验CDF在0和1附近会给出无穷值或0值导致模拟数据出现离谱的巨大收益率。我的解决办法是在映射到均匀分布时做一个极小幅度的截断比如把所有U限制在[1e-6, 1-1e-6]区间再去做反变换。第三个是忽略了资产收益和因子收益的方向。信用利差因子对债券资产价格的影响是负的——利差走扩债券价格下跌。如果你在映射时少了这个负号整个组合的风险方向就是反的。所以资产对因子的载荷矩阵一定要盯住符号不要只看绝对值。第四个是相关性时变问题。蒙特卡洛里如果你直接用静态t-Copula跑一年等于假设未来365天的相关性都和现在一样这通常是过于乐观的。我的折中方案是在模拟每个情景时对rho矩阵施加一个随机的“压力扰动”比如在rho上叠加一个均值为0、方差为0.05的随机噪声再对矩阵做特征值截断保证半正定。这样至少能粗糙地刻画出相关性不确定性。7. 回测与验证模型过不过得了关要看统计检验而不是拍脑袋7.1 Kupiec失败率检验与Christoffersen独立性检验模型建完之后最不能省的一步是回测。回测的核心思想很简单用历史数据滚动计算每天的VaR然后把实际损失和VaR比较。如果实际损失超过VaR记为一次“突破”或“失败”。理想情况下99%VaR的突破率应该接近1%。单看突破率还不够还要看突破是否“聚集”。如果一个月里连续三天突破说明模型没有捕捉到相关性突变或波动率突刺风险预警失效了。所以正式检验有两部分Kupiec测试用于验证失败率是否显著偏离期望Christoffersen测试用于验证失败是否独立。在Matlab里实现Kupiec测试的核心代码如下failures (loss VaR); T numel(failures); x sum(failures); alpha 0.01; lrUC -2 * log( ((1-alpha)^(T-x) * alpha^x) / ((1-x/T)^(T-x) * (x/T)^x) ); pValueUC 1 - chi2cdf(lrUC, 1);如果pValue小于5%说明突破率显著偏离设定置信水平模型需要重估。Christoffersen独立性检验则基于一个马尔可夫链思路统计“昨天没突破但今天突破”和“昨天突破今天也突破”的转移频率检验两者的差异是否显著。实际做法是把失败序列01化然后跑一个一阶自回归Logit模型看上一期失败状态是否显著影响当前失败概率。Matlab里可以用fitglm实现failLag failures(1:end-1); failCur failures(2:end); mdl fitglm(failLag, failCur, Distribution, binomial); pValInd mdl.Coefficients.pValue(2);7.2 我在回测中实际踩过的坑回测最容易踩的坑是“前视偏差”。比如你用全样本估计的Copula参数去回测样本内的VaR结果会好得离谱因为模型“见过了未来”。正确做法是滚动窗口比如用过去750天的数据估计GARCH和Copula参数预测第751天的VaR然后再滚动一天重新估计。这个过程在Matlab里写循环就行但很耗时我建议先用一段子样本验证逻辑再跑全量。第二个坑是“波动率预测的响应滞后”。GARCH模型在真实波动率突变的初期会严重低估风险。比如某一天指数暴跌5%当天收盘后模型算出的条件波动率还停留在过去几天的低水平导致第二天VaR模型给出一个偏小的值。解决方式之一是引入当日收益率信息用收盘后级别更高的数据做日内更新也就是“无条件波动率预测日终调整”。第三个坑是忘记对极端行情做“压力情景叠加”。纯粹依赖统计模型的回测很难覆盖那些历史样本里没有出现过的极端情况。我通常会在蒙特卡洛环节里额外叠加几个压力情景比如相关性矩阵整体上移0.3、某类因子波动率放大两倍等确保CVaR对压力情景的敏感度也在可控范围内。7.3 模型部署后的维护节奏模型不是建完就结束的。我有几个常规动作每周检查一次GARCH参数和Copula自由度的稳定性如果某段时间ν大幅下降说明市场尾部联动在增强需要尽快审查组合风险集中度。每月重新跑一遍Kupiec和Christoffersen检验并有条件地用失效天数倒推模型偏差来源。每季度重新做一次PCA降维看主成分是否还是那几个经济含义清晰的因子。最后一件事也是我觉得最重要的一件事模型计算出来的VaR和CVaR一定要能和业务前线的人对话。我在实际工作中发现最复杂的量化模型往往不是输在数学上而是输在“解释性”上——交易员不信任黑箱风控总监看不懂参数含义。所以我会刻意保留一些诊断输出比如“当前组合的CVaR主要来自哪两个风险因子”以及“如果相关性上升0.1CVaR会增加多少”。这些信息比单纯汇报一个风险数字有用得多。回到文章最开始的那个问题为什么单看每只资产的VaR组合起来总是对不上因为组合风险不是各个资产风险的简单加总而是边际分布、依赖结构和尾部行为三者作用的结果。GARCH管的是“每个因子自身的波动状态”EVT管的是“极端事件发生的概率”Copulas管的是“极端事件是否同时发生”蒙特卡洛则把这三块拼成一个可计算的风险数值。把这套链路在Matlab里跑通应该是我最近做得最值的一件事。你们如果也在搭自己的市场风险模型建议不要急着上最复杂的模型先把这五个环节各自跑稳再去做联合你会发现大多数风险模型的误差其实出在连接处而不是单个模型内部。 
长河君 · 2026/10/12 20:02:58 · 阅读 1.2k 组合VaR为何对不上？GARCH+EVT+Copula的Matlab实战链路
做量化风控的人大概率都被问过类似的问题一个由几十只资产组成的组合单看每只资产的VaR和CVaR都算得清清楚楚为什么放到一起之后模型给出的99%置信度日损失和实际亏损总是对不上尤其遇到极端行情亏损来得比模型预测更集中、更猛烈。原因往往不在单资产的收益分布而在资产之间的相关性结构——平时看起来弱相关的资产一旦市场恐慌时可能同步下跌把“分散化”的假设直接击穿。我最近在Matlab里完整跑了一套市场风险管理流程覆盖的就是标题里这条链路先对金融时间序列做波动率估计与预测GARCH、EWMA、EqWMA等再用风险因子做降维用EVT处理尾部用Copulas刻画联合分布最后通过蒙特卡洛模拟计算出组合的VaR和CVaR。这套流程做完之后我再回头看单资产的波动率模型感觉它们只是“半成品”——边际分布做得再好没有联合分布和尾部建模风险数字依然是缺一块的。这篇文章想把整条链路拆开讲清楚每个环节解决什么问题、Matlab里怎么落地、哪些参数最敏感、实际跑数据时容易在什么地方翻车。适合正在做市场风险计量、准备搭建内部模型法框架或者想在工作中引入Copulas和极值理论的量化同学。1. 为什么组合风险不能只看单资产VaRCopulas和整套链路的作用1.1 单资产VaR/CVaR为什么会对组合产生失真先做一个思想实验。假设组合里只有两类资产单资产的日波动率都在1%左右历史收益率相关性为0.3。很多人第一反应是组合波动率大概是单资产的1.3倍左右风险不大。但实际上相关性0.3对应的只是“平均状态”一旦市场进入尾部区域收益率之间的相关性会快速跳升这个现象在学术上常被叫做“相关性传染”或“相关性恐慌”。为什么传统的多元正态模型捕捉不到因为在多元正态假设下资产之间的依赖结构完全由线性相关系数矩阵决定而正态分布的尾部是渐进独立的——两个变量要同时取到极端值的概率会随着极端程度的加深而快速衰减。但真实金融数据里极端下跌往往不是“各自跌”而是一起跌。这正好引出Copulas的用武之地。Copulas做的事情是把每个变量的边际分布和变量之间的“依赖结构”也就是相关性、尾部相依性分开建模。边际分布可以各自用GARCH、EVT去拟合依赖结构则通过Copula来刻画。这样做的好处非常直接你不会因为某只资产的边际分布偏态就污染了整体相关性估计也不会因为相关性结构复杂就强行套一个多元正态上去。1.2 标题背后的完整建模链路标题里串着一串关键词实际落地时它们之间的关系是分层的第一层是波动率模型。GARCH、EWMA、EqWMA这些模型用来估计每个风险因子的条件波动率并且可以外推预测。第二层是EVT极值理论它负责处理收益率分布的尾部因为GARCH模型即使用了t分布对极端事件的拟合依然不够稳。第三层是Copulas它把多个风险因子的边际分布连接成联合分布解决“同时出事”的问题。第四层是蒙特卡洛模拟从联合分布里抽样生成大量组合损益情景最后算出VaR和CVaR。这套链路里有一个容易被人忽略的细节Copulas并不是替代波动率模型的它是在波动率模型之上做“联合化”的。实际操作时我通常是先用GARCH类模型对每个因子单独建模、估计条件波动率然后把收益率标准化成残差序列用EVT拟合残差的尾部再用经验分布或参数分布把残差转成均匀分布最后把这组均匀分布序列丢给Copulas去做依赖结构拟合。这样生成的联合分布既能体现“收益率在时间序列上的波动聚集”又能体现“多个资产在极端行情下同时下跌”。1.3 适用场景与前置工具这套方案最适合的场景是你手里有一个多资产组合资产之间具有一定的相关性且你需要在日频或更高频尺度上给出风险限额。如果只是单一资产、或者资产数量很少直接用GARCH加蒙特卡洛就够了引入Copulas反而增加拟合误差。资产数量多但相关性又高度稳定时普通相关矩阵也能凑合只有当组合里存在“平时弱相关、恐慌时强相关”的结构Copulas的价值才凸显出来。关于工具我用的是Matlab的统计与机器学习工具箱和计量经济学工具箱。前者提供Copula相关的拟合与抽样函数copulafit、copularnd、copulapdf后者提供GARCH族模型garch、egarch、gjr。价格不便宜但胜在生态完整股权、商品、利率都能量。唯一要提醒的是Matlab的Copula函数只支持常用的Gaussian、t、Clayton、Gumbel、Frank这几类如果你想上混合Copula或者变结构Copula得自己写优化循环第二篇再展开聊。2. GARCH、EWMA和EqWMA的实测对比公式、Matlab代码与选择依据2.1 三个模型的数学本质差异先摆出三个模型的最简形式这里的符号统一r_t是第t期的对数收益率σ_t²是第t期条件方差。EqWMA等权重移动平均 σ_t² (1/n) × Σ_{i1}^{n} r_{t-i}²这是最简单的方法窗口内每一天的平方收益权重完全相同。它的隐含假设是过去n天的波动水平大致恒定。现实中这个假设通常是错的所以它的预测响应很慢——某天突然出现巨大波动模型要等好几天才会充分反映出来。EWMA指数加权移动平均 σ_t² λ × σ_{t-1}² (1-λ) × r_{t-1}²λ常用0.94日频或0.97月频。它的特点是“越近的数据权重越高”对市场变化的响应比EqWMA快得多。但EWMA本质上是一个没有均值回归项的模型长期来看条件方差会一直漂移没有一个“平均波动水平”把它拉回来。从数学上看EWMA相当于一个ω0、βλ、α1-λ的GARCH(1,1)也就是常说的IGARCH模型。GARCH(1,1) σ_t² ω α × r_{t-1}² β × σ_{t-1}²它比EWMA多了一个长期均值回归项。当αβ1时模型存在一个有限的无条件方差无条件方差 ω / (1 - α - β)。这意味着不管短期波动怎么飙升模型最终会“回到”一个长期平均水平。这个性质对风险管理的长期预测非常重要——你预测30天后的VaR时GARCH会收敛到长期波动而EWMA会一直停留在当前高波动状态。从风险管理的角度来看三者的差异可以这样总结EqWMA平滑但迟钝适合波动率变化不剧烈的低流动性资产EWMA响应快但没有均值回归适合高频监控短期风险不适合做长周期资本计量GARCH兼顾响应速度和均值回归是做监管资本和压力测试时的首选。2.2 Matlab实现与参数估计的踩坑记录在Matlab里拟合GARCH非常简单我直接建了一个garch模型对象% 假设 returns 是单个风险因子的日对数收益率列向量 mdl garch(GARCHLags, 1, ARCHLags, 1, Offset, NaN); est estimate(mdl, returns, Display, off); [sigma, ~] infer(est, returns); % sigma 是条件波动率序列注意Offset设为NaN意思是模型里带一个常数均值项。如果你处理的是近零均值的高频数据可以把Offset设为0减少一个参数后拟合更稳。EWMA更简单手写循环就行lambda 0.94; T numel(returns); sigma2 zeros(T, 1); sigma2(1) returns(1)^2; for t 2:T sigma2(t) lambda * sigma2(t-1) (1-lambda) * returns(t-1)^2; end sigmaEwma sqrt(sigma2);EqWMA则用一个带滞后窗口的均值运算win 252; % 一年交易日 sigma2Eq zeros(T, 1); for t win1:T sigma2Eq(t) mean(returns(t-win:t-1).^2); end sigmaEq sqrt(sigma2Eq);这三个模型跑同一段序列时我踩过最大的坑是GARCH估计的初值敏感性。Matlab的estimate默认用无约束优化但金融数据经常有尖峰厚尾和异常值如果收益率序列里有一个极端值优化器可能直接跑飞。我的做法是先对returns做一次粗略的缩尾处理比如把超过5倍标准差的点按5倍截断用处理后的序列跑出初值再用原始序列重新估计。另一个坑是在infer之前一定要确认模型收敛。看到estimate返回的loglikelihood是NaN或者警告说Hessian不是正定矩阵就直接放弃这组结果。不要相信默认的拟合成功标志手动打印参数和标准误确认α、β都在合理区间。2.3 到底哪个模型适合哪种资产我梳理了一张选择参考表不完全严谨但非常实用资产/场景推荐模型原因股票指数、大盘股GARCH(1,1)t残差波动聚集明显尾部偏厚国债收益率、利率互换EWMAλ0.94或GARCH国债波动率有均值回归效应两者皆可更看中响应速度选EWMA外汇EWMA汇率序列常有短期冲击EWMA能更快反应低流动性信用债EqWMA长窗口日频数据噪声极大短窗口稳定性差监管资本、30天以上预测GARCH均值回归特性让长端波动率预测更合理这里多说一句做风险预测时真正重要的不是选最复杂的模型而是选符合数据特征的模型。比如某类资产的收益序列极端值特别多GARCH配合学生t分布残差的拟合效果通常比GARCH加正态残差好不少。我见过很多团队在模型选型上花费大量精力最后发现主要误差来源根本不是模型类别而是数据清洗和异常值处理。3. 风险因子拆解与PCA降维把几十个资产换成五个因子3.1 为什么要用风险因子而不是直接用资产收益很多人做组合风险时习惯直接拿组合里每只资产的收益率去算相关性。问题在于几十只资产的相关性矩阵会引入两项误差一是估计误差样本量不够时矩阵里会出现大量噪声相关性二是维度灾难你把50维数据放进Copulas去拟合参数数量爆炸拟合结果几乎不可用。所以正确的做法是先做风险因子拆解。风险因子是指能够系统性影响资产价格的变量比如股票市场指数、长端国债收益率、信用利差、美元指数、商品价格。每只资产可以看成是若干个风险因子的线性组合这本质上是套用APT套利定价理论的思想。实际操作中风险因子拆解分为两步。第一步是把资产收益率对因子收益率做多元线性回归得到因子暴露也就是载荷系数。第二步是对因子收益自身做PCA降维——这一步的作用是把高度相关的原始因子比如10年期国债收益率和30年期国债收益率合并成少数几个相互正交的“主成分”减少后续建模的维度。3.2 PCA降维的具体操作与主成分选择Matlab里做PCA非常直接% factorReturns 是 T×K 的因子收益率矩阵 % 先标准化避免量纲影响 factorStd zscore(factorReturns); [coeff, score, latent] pca(factorStd); explained cumsum(latent) / sum(latent) * 100;我建议取累计解释方差达到95%以上的主成分个数。注意PCA的输入一定不能是原始收益率而是标准化后的收益率否则波动率大的因子会主导主成分方向这不是我们想要的。主成分的另一个用途是判断市场风险来源。比如某组合里股票因子和信用利差因子高度相关做主成分分析后第一个主成分可能同时承载了“股票市场整体下跌”和“信用利差走扩”的信息这其实反映了市场系统性风险。你在写风险归因报告时如果把主成分解释成“系统性风险因子”“利率因子”“商品因子”会比逐资产写原因是清晰很多的。3.3 因子得分与资产映射把组合损益表算回来PCA做完之后你会得到两样东西载荷矩阵coeff和主成分得分score。组合的损益就可以用主成分得分线性表示ΔP ≈ Σ (w_j × loading_j × PC_score)在Matlab里可以这样做nPC 5; % 依据累计解释方差确定 PC score(:, 1:nPC); Loading coeff(:, 1:nPC); % 组合权重 w列向量K×1 % 资产收益近似 Loading * PC assetRetApprox Loading * PC; % 组合损益 PnL assetRetApprox * w;这里有一个容易被忽略的细节PCA是对因子的标准化数据做的所以PC得分已经不再具备原始因子的单位。如果你要还原成“收益率”需要用latent里的特征值或标准差重新缩放。我一般在建模时干脆就用标准化后的PC得分来做蒙特卡洛最后再乘以标准差还原成收益率这样数值会稳定很多。4. EVT极值理论的核心落地问题阈值、GPD拟合与尾部分布拼接4.1 POT方法与GPD参数EVT在风险管理中主要用两类方法一类是分块极大值法BM按时间块取最大值来拟合广义极值分布另一类是阈值超越法POT也叫峰值超过阈值法。实际操作中我几乎只用POT因为它对数据的利用效率更高符合金融时间序列“大部分日子很平静少数日子暴跌”的特征。POT方法的核心定理是当阈值足够高时超过阈值的超量损失近似服从广义帕累托分布GPD。设u为阈值超量y X - u则G(x) 1 - (1 ξ × y / β)^(-1/ξ)ξ ≠ 0 G(x) 1 - exp(-y / β)ξ 0这里ξ是形状参数β是尺度参数。ξ0表示分布是厚尾的金融数据里通常能估出正的ξ这就是为什么正态分布永远低估极端风险。4.2 阈值选择的判断标准阈值u的选择是整个EVT落地时最主观的一步。取太大了超量样本太少参数估计方差高取太小了GPD假设不成立偏差高。我常用的几个判断标准第一种是“超量期望函数图法”也叫平均剩余寿命图。对每一个候选阈值u计算所有大于u的超量均值画出来。如果u足够高图形应当近似为一条直线出现明显转折的位置就是合适的阈值。Matlab里可以手算thresholds quantile(loss, 0.80:0.01:0.99); meanExcess zeros(size(thresholds)); for i 1:numel(thresholds) u thresholds(i); exceed loss(loss u) - u; meanExcess(i) mean(exceed); end plot(thresholds, meanExcess);第二种是参数稳定性图对一组阈值分别拟合GPD观察ξ和β估计值是否随阈值变化而基本稳定。如果ξ在某个阈值之后突然稳定、不再随阈值增加而单调变化通常可以认为那一带是合理的。我个人在实际建模时更倾向于一种“经验法则参数稳定性”的组合先把阈值设成90%分位数左右看看超量样本量是否足够一般至少要有300个以上的样本点。如果拟合出来的ξ在95%分位和90%分位之间变化不超过一个标准误就说明阈值选择基本合理。4.3 中心与尾部拼接的半参数分布构造EVT最核心的落地技巧在于我们不能简单地把整个分布都替换成GPD因为太浪费数据。标准做法是把收益分布分成三段——左尾、中心、右尾中心用经验分布或平滑核密度两端用GPD拟合。在Matlab里我先定义左右阈值lowerT quantile(stdResid, 0.05); upperT quantile(stdResid, 0.95); % 对左尾取负值后拟合同样形式的GPD方便统一处理 leftExceed -(stdResid(stdResid lowerT) - lowerT); rightExceed stdResid(stdResid upperT) - upperT; pdLeft fitdist(leftExceed, GeneralizedPareto); pdRight fitdist(rightExceed, GeneralizedPareto);接下来要构造一个连续的累积分布函数F(x)。对于x在[lowerT, upperT]之间的部分我直接用经验CDF对x lowerT的部分F(x) P_low × GPD_cdf(-(x - lowerT))对x upperT的部分F(x) P_high (1-P_high) × GPD_cdf(x - upperT)。这样构造出来的F在临界点处需要保持连续如果直接用经验分位数去切可能会出现跳跃。我的做法是在连接点附近做一点线性插值平滑保证F在[lowerT, upperT]区间内单调且连续。构造好F之后就可以把每个标准残差r映射成均匀分布变量uF(r)直接作为Copula拟合的输入。这里有一个关键点一定要用标准残差而不是直接用原始收益率。因为GARCH模型已经剥离了条件波动率标准残差在时间上是近似独立的对Copula拟合来说独立同分布假设才基本成立。5. Copula怎么进入波动率模型相关性结构拟合与蒙特卡洛模拟5.1 为什么传统相关矩阵不够用经典的多元正态模型里相关性矩阵就是全部依赖结构但它有两个致命缺陷。第一它只能刻画线性相关性没法刻画“一个大跌时另一个也跟着大跌”这种非线性尾部依赖。第二金融数据的相关性本身是时变的用一个常数相关矩阵去做蒙特卡洛遇到极端行情时相关性往往会被低估。Copulas解决了第一个问题但第二个问题依然存在。所以实际落地时我通常是两种方式结合一种是用动态Copula比如DCC-GARCH先估计动态相关性再转换成Copula参数另一种是分段估计——把样本按波动率状态切成几段分别估计Copula参数再用压力测试场景去放大尾部。这篇先用最常用的静态t-Copula把流程走通。t-Copula比Gaussian Copula多了一个自由度参数ν。ν越小尾部相依性越强ν越大越接近Gaussian Copula。金融市场里的日频收益率序列拟合t-Copula时ν通常在3到8之间这本身就说明了资产间存在明显的尾部联动。5.2 Matlab里拟合t-Copula的完整步骤先准备数据对每个风险因子的标准残差用上一节构造的半参数分布映射成均匀分布U。Matlab代码U zeros(T, K); for j 1:K r stdResid(:, j); % 使用经验CDF把标准残差映射到(0,1) % 更严格的做法是用EVT拼接后的半参数CDF U(:, j) cdf(empiricalDist{j}, r); % 或者手动计算 end然后拟合t-Copula[rho, nu] copulafit(t, U);copulafit会返回相关矩阵rho和自由度nu。这里要留一个心眼如果数据中某些因子之间存在极端的同时很大或很小值拟合出来的nu可能非常小比如1.5此时t-Copula的尾部相依会非常重。需要检查rho矩阵是否正定非正定时可以考虑“收缩”处理比如加一个很小的对角扰动。5.3 对拟合Copula的“尾部相依”和自由度做出科学判断一个常见的误区是只看拟合出来的AIC或BIC觉得数字越小越好。其实对风险管理来说更要紧的是“尾部的极端事件是否能被合理外推”。我习惯做三件事第一比较t-Copula与Gaussian Copula的拟合优度。Matlab里可以用copulafit分别拟合然后计算对数似然再用AIC/BIC做比较。如果两者AIC差异很小我会偏向选择t-Copula因为它的尾部行为更谨慎对风险计量来说是偏保守的。第二画出两个因子的模拟散点图对比原始数据的散点图。用copularnd生成大量模拟U再用tcdf/Norm逆变换回标准残差然后画散点。如果模拟数据在左下角和右上角的聚集形态和实际数据明显不符说明Copula类型选错了。第三做条件尾部相关性的数值检验。简单一点的做法是在原始U数据里筛选出所有u1 0.1的样本计算这些样本中u2的中位数或均值和Copula模拟数据做同样的条件抽样比较差异。如果模拟数据的条件均值系统性低于实际数据说明你的Copula低估了尾部联动。这条做完之后你就有了一个完整的联合分布边际分布是“GARCH预测条件波动率×EVT尾部分布”依赖结构是“t-Copula相关矩阵”。下一节就可以做蒙特卡洛了。6. 蒙特卡洛情景到CVaR从联合分布生成组合损失曲线的实操流程6.1 情景生成的五步流程在Matlab里蒙特卡洛情景生成可以拆成五步。第一步从已拟合好的t-Copula中抽样生成Nsim行、K列的均匀分布模拟值rng(20240101, twister); % 固定随机种子方便审计 U_sim copularnd(t, rho, nu, Nsim);第二步把U_sim通过各因子的边际分布反变换回标准残差序列。这里要用到前面构造的半参数CDF的反函数。对中心部分用经验CDF的反函数插值对尾部用GPD的反函数gpinv。Matlab里可以写成Z_sim zeros(Nsim, K); for j 1:K Z_sim(:, j) icdf(empiricalDist{j}, U_sim(:, j)); end第三步把标准残差序列通过波动率模型转换成因子收益率。这步要跟你用哪个波动率模型对齐。如果做的是1日风险直接用当前条件波动率乘上去retSim Z_sim .* sigmaNow; % sigmaNow 是当前各因子的条件波动率如果做的是10日风险就要先模拟未来的波动率路径再逐日生成收益率序列最后累加。GARCH模型在这里优势明显因为它有均值回归10天后的波动率不会停留在当前极端高值而EWMA则可能始终处于高位长周期VaR偏高。第四步把因子收益率通过PCA载荷映射成资产收益率再乘权重得到组合损益assetRetSim Loading * retSim; PnL assetRetSim * w; % w 是组合权重列向量 loss -PnL; % 以正数表示损失第五步计算组合VaR和CVaRalpha 0.99; VaR quantile(loss, alpha); tailLoss loss(loss VaR); CVaR mean(tailLoss);要注意VaR和CVaR的语义差异。VaR只是“阈值”它告诉你99%的情况下损失不会超过这个数但它不告诉你超过之后平均会亏多少。CVaR是“超过VaR后的平均损失”是比VaR更稳健的尾部风险度量。这也是为什么Basel框架里对内部模型法越来越强调预期损失ES本质上就是CVaR。6.2 VaR与CVaR的数值稳定性控制蒙特卡洛模拟得到的VaR和CVaR都存在抽样误差误差来源主要是尾部样本量少。如果你设置Nsim 10000α 0.99那么真正进入星部的样本只有约100个此时CVaR对极端值非常敏感。我通常把Nsim设到50000以上并且用分位数排序来控制极端值的影响。另一个提升稳定性的做法是“对偶变量法”。具体做法是生成一组标准正态随机数Z然后取-Z作为第二组两组的样本均值呈负相关能显著降低组合损益均值的方差。这个方法在Matlab里实现几乎零成本我强烈建议加上。另外一定要固定随机种子。我在最开始就用了rng固定种子这样每次计算的VaR完全可复现。风险部门或审计团队如果问起“为什么这次跑出来和上次不一样”你就能快速定位是参数变了还是随机数变了。6.3 蒙特卡洛模拟里的常见Bug与应对这节分享几个我实际踩过的坑。第一个是维度错配PCA保留5个主成分但retSim的列数还是原始因子数直接相乘会报错。每次建模前先打印size养成习惯。第二个是边际分布反函数出错。经验CDF在0和1附近会给出无穷值或0值导致模拟数据出现离谱的巨大收益率。我的解决办法是在映射到均匀分布时做一个极小幅度的截断比如把所有U限制在[1e-6, 1-1e-6]区间再去做反变换。第三个是忽略了资产收益和因子收益的方向。信用利差因子对债券资产价格的影响是负的——利差走扩债券价格下跌。如果你在映射时少了这个负号整个组合的风险方向就是反的。所以资产对因子的载荷矩阵一定要盯住符号不要只看绝对值。第四个是相关性时变问题。蒙特卡洛里如果你直接用静态t-Copula跑一年等于假设未来365天的相关性都和现在一样这通常是过于乐观的。我的折中方案是在模拟每个情景时对rho矩阵施加一个随机的“压力扰动”比如在rho上叠加一个均值为0、方差为0.05的随机噪声再对矩阵做特征值截断保证半正定。这样至少能粗糙地刻画出相关性不确定性。7. 回测与验证模型过不过得了关要看统计检验而不是拍脑袋7.1 Kupiec失败率检验与Christoffersen独立性检验模型建完之后最不能省的一步是回测。回测的核心思想很简单用历史数据滚动计算每天的VaR然后把实际损失和VaR比较。如果实际损失超过VaR记为一次“突破”或“失败”。理想情况下99%VaR的突破率应该接近1%。单看突破率还不够还要看突破是否“聚集”。如果一个月里连续三天突破说明模型没有捕捉到相关性突变或波动率突刺风险预警失效了。所以正式检验有两部分Kupiec测试用于验证失败率是否显著偏离期望Christoffersen测试用于验证失败是否独立。在Matlab里实现Kupiec测试的核心代码如下failures (loss VaR); T numel(failures); x sum(failures); alpha 0.01; lrUC -2 * log( ((1-alpha)^(T-x) * alpha^x) / ((1-x/T)^(T-x) * (x/T)^x) ); pValueUC 1 - chi2cdf(lrUC, 1);如果pValue小于5%说明突破率显著偏离设定置信水平模型需要重估。Christoffersen独立性检验则基于一个马尔可夫链思路统计“昨天没突破但今天突破”和“昨天突破今天也突破”的转移频率检验两者的差异是否显著。实际做法是把失败序列01化然后跑一个一阶自回归Logit模型看上一期失败状态是否显著影响当前失败概率。Matlab里可以用fitglm实现failLag failures(1:end-1); failCur failures(2:end); mdl fitglm(failLag, failCur, Distribution, binomial); pValInd mdl.Coefficients.pValue(2);7.2 我在回测中实际踩过的坑回测最容易踩的坑是“前视偏差”。比如你用全样本估计的Copula参数去回测样本内的VaR结果会好得离谱因为模型“见过了未来”。正确做法是滚动窗口比如用过去750天的数据估计GARCH和Copula参数预测第751天的VaR然后再滚动一天重新估计。这个过程在Matlab里写循环就行但很耗时我建议先用一段子样本验证逻辑再跑全量。第二个坑是“波动率预测的响应滞后”。GARCH模型在真实波动率突变的初期会严重低估风险。比如某一天指数暴跌5%当天收盘后模型算出的条件波动率还停留在过去几天的低水平导致第二天VaR模型给出一个偏小的值。解决方式之一是引入当日收益率信息用收盘后级别更高的数据做日内更新也就是“无条件波动率预测日终调整”。第三个坑是忘记对极端行情做“压力情景叠加”。纯粹依赖统计模型的回测很难覆盖那些历史样本里没有出现过的极端情况。我通常会在蒙特卡洛环节里额外叠加几个压力情景比如相关性矩阵整体上移0.3、某类因子波动率放大两倍等确保CVaR对压力情景的敏感度也在可控范围内。7.3 模型部署后的维护节奏模型不是建完就结束的。我有几个常规动作每周检查一次GARCH参数和Copula自由度的稳定性如果某段时间ν大幅下降说明市场尾部联动在增强需要尽快审查组合风险集中度。每月重新跑一遍Kupiec和Christoffersen检验并有条件地用失效天数倒推模型偏差来源。每季度重新做一次PCA降维看主成分是否还是那几个经济含义清晰的因子。最后一件事也是我觉得最重要的一件事模型计算出来的VaR和CVaR一定要能和业务前线的人对话。我在实际工作中发现最复杂的量化模型往往不是输在数学上而是输在“解释性”上——交易员不信任黑箱风控总监看不懂参数含义。所以我会刻意保留一些诊断输出比如“当前组合的CVaR主要来自哪两个风险因子”以及“如果相关性上升0.1CVaR会增加多少”。这些信息比单纯汇报一个风险数字有用得多。回到文章最开始的那个问题为什么单看每只资产的VaR组合起来总是对不上因为组合风险不是各个资产风险的简单加总而是边际分布、依赖结构和尾部行为三者作用的结果。GARCH管的是“每个因子自身的波动状态”EVT管的是“极端事件发生的概率”Copulas管的是“极端事件是否同时发生”蒙特卡洛则把这三块拼成一个可计算的风险数值。把这套链路在Matlab里跑通应该是我最近做得最值的一件事。你们如果也在搭自己的市场风险模型建议不要急着上最复杂的模型先把这五个环节各自跑稳再去做联合你会发现大多数风险模型的误差其实出在连接处而不是单个模型内部。