### Python 实现风险价值 (VaR) 模型 在金融工程领域，风险价值（Value at Risk, VaR）是一种广泛使用的风险管理工具。VaR 表示在给定置信水平下，在一定持有期内可能发生的最大损失。 #### 历史模拟法计算 VaR 历史模拟法是最简单直观的方法之一，它基于过去的数据分布来估计未来的潜在损失： ```python import numpy as np import pandas as pd from scipy.stats import norm import matplotlib.pyplot as plt # 加载数据集 returns = pd.read_csv('daily_returns.csv')['return'] # 设置参数 confidence_level = 0.95 holding_period_days = 1 # 计算分位数 var_historical = returns.quantile(1 - confidence_level) print(f'Historical Simulation VaR ({int(confidence_level * 100)}% Confidence Level): {round(var_historical * 100, 2)}%') ``` 此方法假设未来市场条件与过去相似，并直接利用实际收益率序列中的最小百分位作为 VaR 的估算值[^1]。 #### 参数化方法（方差-协方差） 对于正态分布的资产回报率，可以采用均值和标准差来进行更精确的风险测量： ```python mean_return = returns.mean() std_deviation = returns.std() z_value = norm.ppf(1 - confidence_level) var_parametric = mean_return - z_value * std_deviation print(f'Parametric VaR ({int(confidence_level * 100)}% Confidence Level): {round(var_parametric * 100, 2)}%') ``` 这种方法依赖于统计学上的正态分布特性，适用于那些服从或近似服从正态分布的时间序列数据[^2]。 #### 蒙特卡罗模拟法 蒙特卡罗模拟提供了一种更为灵活的方式，能够处理复杂的非线性和跳跃过程： ```python num_simulations = 10000 simulated_returns = [] for _ in range(num_simulations): simulated_path = np.random.normal(loc=mean_return, scale=std_deviation, size=len(returns)) simulated_returns.append(np.prod(1 + simulated_path) - 1) monte_carlo_var = np.percentile(simulated_returns, q=(1-confidence_level)*100) print(f'Monte Carlo Simulated VaR ({int(confidence_level * 100)}% Confidence Level): {round(monte_carlo_var * 100, 2)}%') plt.hist(simulated_returns, bins=80, alpha=0.75) plt.axvline(x=monte_carlo_var, color='r', linestyle='dashed', linewidth=2) plt.title('Monte Carlo Simulated Returns Distribution with VaR Line') plt.show() ``` 通过大量随机抽样路径生成收益情景，进而得到更加稳健可靠的 VaR 估值结果[^3]。