风险管控的技术工具

第三节 风险管控的技术工具

一、风险管控技术工具的运用背景

科学地测量风险，是整个风险管控的重要环节。量化风险需要应用风险技术工具现代金融，现代金融理论的有关模型和技术工具主要也是围绕如何量化、控制和规避各种金融风险展开的。进入20世纪90年代以来，应用数学模型来测量市场风险已经成为世界范围内众多风险管理的要点。国际证监会组织（International Organization of Securities Commissions，简称IOSC）技术委员会在1998年5月提交的《证券公司及其监管当局风险管理和控制指引》的文件中，也指出VaR模型为最重要的风险技术工具。目前，国际大型投资银行已经发展了一套较为成熟的风险技术工具体系，在所有风险技术工具库中，风险价值模型（Value at Risk，VaR）为投资银行所普遍应用。

在证券市场还没有发展成配置资本的主要市场时，金融资产的种类较少且主要与商业银行的信贷业务相关，因而金融资产的价格的变动相对比较稳定，人们更为关注的是金融市场中的信用风险，而较少考虑资本市场风险。可以说，20世纪70年代前的金融风险管理几乎全部是针对信用风险进行的。资本的充足程度（资本充足率）常被用来反映商业银行等金融机构经营风险的大小，因为充足的资本能为可能遭受的损失提供承受冲击的缓冲器，以保证其正常营运和发展。传统的资产负债管理（巴塞尔协议）的风险资产管理等主要是围绕信用风险展开的，投资银行的管理是以资产负债管理为中心，风险管理和控制主要以资产、负债业务的一些指标体系的简单算术法（各种比率、偏差率、价差率）来刻画和控制。

自1952年马克维兹创立投资组合理论以来，证券投资风险——收益的测量一般是用收益率的数学期望来描述，以组合收益率的方差来描述投资风险，以冯诺·依曼摩根斯坦（Von Neumann－Morganstem）的期望效用理论为基础，以期望效用最大化为基本决策准则，围绕证券投资收益风险和投资选择而进行的，形成了资产组合的E－V理论。1963年，W.F.Sharp的单指数模型的提出和完善，使这一模型后来发展为著名的资本资产定价模型（CAPM），其中，β系数成为人们估计、利用、回避风险的重要度量指标。这两个重要发现被称为华尔街第一次革命，使金融学的研究和实践走入现代化的行列。

1973年以来，随F.Black和M.Scholes发展的期权定价理论，解决了衍生证券的定价问题。Delta系数等一系列敏感度的应用于估计、利用、回避风险，成为衍生证券风险度量的重要工具。金融学发生了第2次革命，使金融学的研究和实践走入金融工程和金融创新的时代。投资银行开始大规模地积极面对风险，主动利用风险，高风险也意味着高收益。

20世纪70年代初布雷顿森林体系的崩溃使浮动汇率制在世界各国得到普遍推行，各国汇率、利率等金融产品价格的变动更加频繁，也更加难以预料。20世纪80年代以来，随着信息技术迅猛发展，各国金融创新和自由化的浪潮更是史无前例，证券市场的波动进一步加剧。与此同时，出于分散风险的需要，金融衍生工具产生并得到了迅速发展。1995年，金融衍生工具的名义市场价值达到70万亿美元，而全球股票市场的市值仅为15万亿美元。同时，当衍生工具越来越多地被用于投机而非保值的目的，出于规避风险的需要而产生的金融衍生工具本身也孕育着极大的风险。英国巴林银行的倒闭、日本大和银行的巨额交易亏损等无不与金融衍生工具有关。于是，金融证券市场尤其是衍生工具市场的市场风险日益凸现并受到人们的关注，如何有效地测定和控制这些市场风险便成为证券机构、投资者和有关监管层所面临的亟待解决的问题。

风险价值VaR（Value at Risk），最先起源于20世纪80年代末交易商对金融资产风险测量的需要；作为一种市场风险测定和管理的新工具，则是由J.P.摩根最先提出的。VaR是一种应用标准数理统计技术来测定金融风险的方法。VaR是指在给定时间间隔和置信水平及正常市场条件下，投资组合的最大潜在期望损失。VaR技术是通过借助以概率论为思想基础，用数理统计的语言和方法对金融市场风险的量化与测度。它的问世对测定和控制金融市场风险带来了希望。

二、VaR方法的基本内容

VaR风险价值，又称在险价值，比较规范的定义是，在正常的市场条件和给定的置信水平（confidence interval，通常是95％或99％）上，在给定的持有期间内，某一组合投资预期可能发生的最大损失，或者说在正常的市场条件和给定的时间段内，该投资组合发生VaR值损失的概率仅仅是给定的概率水平（置信水平）。从统计的角度来看，VaR实际上是投资组合回报分布的1个百分位数（percentile）。从这个意义上来理解，则它和回报的期望值在原理上是一致的。

如投资组合回报的期望值实际上是对投资回报分布的第50个百分位数的预测值一样，在99％的置信水平上，VaR实际上就是对投资回报分布的第99个百分位数（较低一侧）的预测值（如图11—2所示）。

图11—2　VaR的实质描述

如果某一金融机构或资产组合以天为单位的回报率分布由图11—2给出，其中E点表示回报的期望值，也就是回报分布的第50个百分位数，W表示回报分布在较低一侧的第99个百分位数，则W就是该组合在99％置信水平上的VaR值，它表示该组合在1天之内损失到W水平的可能性为1％，或者说100天内出现损失状况W的天数为1天。另外，值得注意的是，有时VaR会被定义为期望值E与临界值W的差额，即VaR＝W－E。但这并不妨碍对VaR本质的理解。

要确定一个金融机构或资产组合的VaR值或建立VaR的模型，必须首先确定以下三个系数：

1.持有期限（holding period）或目标期限（target horizon）。持有期限或目标期限是指衡量回报波动性和关联性的时间单位，也是取得观察数据的频率，如所观察数据是日收益率、周收益率、月收益率还是年收益率等。持有期限应该根据组合调整的速度来具体确定。调整速度快的组合，如有些银行所拥有的交易频繁的头寸，应选用较短的期限（如1天）；调整相对较慢的组合，如某些基金较长时期拥有的头寸，可以选用1个月，甚至更长。在既定的观察期间内（如1年），选定的持有期限越长，在观察期间内所得的数据越少（只有12个），进而就会影响到VaR模型对投资组合风险反映的质量。

2.观察期间（observation period）。观察期间是对给定持有期限的回报的波动性和关联性考察的整体时间长度。观察期间的选择要在历史数据的可能性和市场发生结构性变化的危险之间进行权衡。为了克服商业循环等周期性变化的影响，历史数据越长越好，但是时间越长，收购兼并等市场结构性变化的可能性也就越大，会使得历史数据越来越难以反映现实和未来的情况。

3.置信水平（confidence interval）。置信水平过低，损失超过VaR值的极端事件发生的概率过高，就会使VaR值失去意义。置信水平过高，超过了VaR值的极端事件发生的概率可以得到降低，但统计样本中反映极端事件的数据也越来越少，会造成对VaR值估计的准确性下降。VaR的准确性和模型的有效性可以通过返回测试（back testing）来检验。置信水平决定了返回检验的频率，例如，对于日回报率的VaR值，95％的置信水平意味着每20个营业日进行一次返回检验，而采用99％的置信水平，返回测试的频率只有100个营业日一次。

除了要确定VaR模型的3个关键系数外，另一个关键问题就是确定金融机构或资产组合在既定的持有期限内的回报的概率分布，即概率密度函数（probability density function，PDF）。如果能够拥有或根据历史数据直接估算出投资组合中所有金融工具的收益的概率分布和整个组合收益的概率分布，那么作为该分布的1个百分位数的VaR值也就能相当容易地推算出来。但要取得所有金融工具的收益分布是不容易的，所以投资组合收益分布的推算就成为整个VaR法中最重要也是最难解决的一个问题。目前解决的办法是将这些金融工具的收益转化为若干风险因子（risk factors）的收益，这些风险因子是能够影响金融工具收益的市场因素，如利率、汇率、股票指数等，然后把投资组合转化为风险因子的函数，再通过各种统计方法得到这些风险因子收益的概率分布，再在此基础上得到整个组合收益的概率分布，最终求解出VaR的估计值。

VaR的具体计算方法通常采用：

（1）局值模型，也称为局值法。它采用的核心模型是方差—协方差模型（Variance－covariance approach）。该模型受到以下严格的假设前提约束：①证券组合中的资产价格均服从正态分布；②证券组合收益率是正态变量的一个线性组合，也服从正态分布；关键的问题就是测定投资组合的标准差。在实际中，往往不存在完全符合假定条件的情形。特别是在处理非线性收益的衍生证券问题或者需要进行动态风险管理时，计算结果可能产生较大误差。此外，对服从正态分布这一假设条件看，实际情形也有不一致的地方。通过对实际金融数据的统计分析发现，许多金融变量并不完全呈正态分布。在其概率分布图形中，非正态分布尾部所占比例要大于正态分布的尾部比例。例如，金融现象中的极端情形（巨额盈利或巨额亏损）发生的概率要大于标准正态分布呈现的概率。为解决这一方法的缺陷，可以采用全值模型。

（2）全值模型，也称为全值法，它包括历史模拟法（historical simulation method）和蒙特卡罗模拟法（Monto Carlo simulation）。①历史模拟法先要求收集某一特定历史时期的数据，通过市场因子m个历史数据的变动数据来模拟市场因子的可能性，然后按VaR的持有时间要求，计算该时期由于市场因素值发生变化而导致的观察对象的变化量；该模拟法相对较简单，不需要对涉及的市场因子（market factor）（如利率、价格等）的分布做较强的假设，计算量小，容易操作，并且对线性和非线性金融衍生产品的风险计量效果较好；但由于选择的历史数据并不具有代表性，就影响了计算结果的正确性，另外，在某些情况下，历史数据的获得也存在着难度。②蒙特卡罗模拟法与历史模拟法十分相似，所不同的是，蒙特卡罗模拟法不是以市场因子的历史数据来模拟市场因子的变化，而是先对市场因子分布模式市场因子变动的分布做出合理的或近似的假定，通过随机数字生成器生成一系列的市场因子数据，进而模拟市场因子的变化。该方法对非线性金融衍生产品的风险计量效果也较好，最大特点是具有灵活性，可以由用户自由地定义或选择市场因子变动的分布；但同时也意味着，用户可能由于选择了不适当的甚至是错误的分布，导致计算结果产生严重偏差。

三、对风险价值VaR方法的评价

VaR风险测量技术由于其方法的科学性，世界上许多投资银行和其他金融机构纷纷运用这一技术对金融风险进行测量和管理。比如，美国的J.P.摩根和银行家信托投资公司都在风险管理中采用了VaR技术。除金融机构外，一些非金融机构也开始采用VaR技术进行资产风险价值评估和控制，如IBM公司和西门子公司等。巴塞尔（Basel）银行监管委员会在最近几年中发布了一系列防范金融风险的制度与规则。其中一项重要文件“巴塞尔协议”（修正版）作为指导性规章在欧盟成员国正式执行。其中一项核心内容就是把VaR技术确定为测量金融风险的标准方法。在美国，联邦金融监管机构如FASB和SEC，也已公开宣布支持金融机构使用VaR技术。1995年12月，美国的一些较著名的投资银行，都纷纷投入力量，开发和应用VAR风险管理技术方法，从此，VaR法在投资银行的风险管控中的运用逐步趋于普遍化。

VaR技术受到金融机构青睐的重要原因，主要是因为它具有如下优点：

（1）风险的测量建立在科学的概率论和数理统计基础之上，计算并不十分复杂。既具有很强的科学性，也表现出方法操作上的简便性。VaR值的计算只需要解决好一个根本问题，即确定给定的持有期内投资组合损益的VaR把对预期的未来损失的大小和该损失发生的可能性结合了起来，所以比起β值（只适用于股票价格风险）、持续期、凸性（只适用于债务的利率风险）、Delta（只适用于金融衍生金融工具）等指标而言，它的适用范围非常广泛；作为一种用规范的统计技术来全面衡量风险的方法，客观、全面、准确地反映金融机构所处的风险状况，不仅增加了风险管理系统的科学性，而且由于简单易行一般管理者和投资者容易理解和掌握。

（2）VaR方法可以用于事前计算风险而不像传统的风险测量管理的方法仅仅用于事后衡量风险，金融机构定期测算VaR值并予以公布，增强了市场透明度，使投资者对捉摸不定的风险做到比较“心中有数”。

（3）VaR方法用途广泛：①可以用来测量全部投资组合直至投资银行的整体风险，用来向管理层以及外界提供易于理解的前后一致的、综合的风险衡量指标，能让管理层以及外界对现有投资组合头寸的市场风险暴露和风险限额执行情况有充分了解，以便确认风险暴露和风险限额状况处于管理层的授权与风险承受能力之内。②在风险限额管理体系中的应用，独立的风险管理部门（如风险控制委员会）来负责各业务单位VaR值的计算，并且对其加以设定或调整，在正常业务中对限额的执行情况予以定期或不定期进行多层次和多方面的检查与监督。③在业绩评估中的应用，证券投资中，高收益常常伴随着高风险，下级部门或交易员可能不惜冒巨大的风险去追逐利润。公司出于稳健经营的需要，必须对下级部门或交易员可能的过度投机行为进行限制，因而有必要引入考虑风险因素的业绩评价体系。VaR方法用于业绩评估可以较真实地反映各部门或交易员的经营业绩，并对其投机过度行为进行限制，可以使公司更好地选择在最小风险下获取较大收益的项目。④VaR作为风险测量和管理的有效手段，不仅可以用于风险限额体系和业绩评估中，而且还可以在矫正证券定价和风险模型、信息披露和监管等方面发挥重要作用。⑤VaR法不仅能计算单个金融资产的风险，还能计算多个金融资产构成的资产组合风险。此时，资产组合的收益率是一个多维随机变量，我们需要先求出多元随机变量的协方差矩阵，因而需要确定不同金融资产之间的相关系数。

但是，VaR方法存在着局限性，主要表现在：①主要适用于正常条件下对于市场风险的衡量，在市场出现极端情况的时候则无能为力，所以应力测试被作为VaR方法在这个方面的重要补充手段。②由于VaR方法对数据的要求比较严格，所以对于交易频繁、市场价格数据容易获得的金融工具的风险衡量效用比较显著，但对于缺乏流动性的资产，由于缺乏每日市场交易的价格数据，有时需要将流动性差的金融产品分解为流动性较强的金融产品的组合，然后才能使用VaR模型来进行分析。③VaR模型对历史数据有很强的依赖性，但未来却并不一定总能重复历史，所以这是一个固有的缺陷。④按照最新发展的总体风险管理理论3P理论，即风险的价格（price，转移或对冲风险付出的代价）、投资者对风险的心理偏好（preference）、概率（probability）三个因素共同决定了现代金融风险管理的框架，但是在VaR方法管理体系下受到重视的只是概率因素。⑤使用VaR方法来衡量市场风险还存在模型风险，对同一资产组合采用不同的模拟法时，会得到不同的VaR值，这就使得其可靠性难以把握；还有，VaR技术可以较好地测量市场风险，但对于信用风险、操作风险、流动风险等的测量却难以运用，而计算出来的VAR值如果没有包括以上风险，显然难以用其准确评估金融风险。因此，在运用VaR方法进行风险分析时，应充分注意到其局限性。特别是在金融市场不够规范的条件下，金融市场风险来自人为的因素、市场外的因素占有较大的比重。故在运用VaR技术分析金融风险时，必须结合对制度因素、政策因素、管理因素、主体行为因素、市场操作因素的全面分析，才有可能得到较为准确的结论。否则，忽视其他因素的影响而得出的分析结论，有可能与现实情况存在较大差异，达不到有效控制风险之目的。投资银行业的百年老店巴林银行毁于交易员尼克·利森之手就是前车之鉴。

VaR模型的这些局限，决定VaR风险价值分析只是风险管理和检测的一个组成部分和重要参考。投资银行在实践中需要不断弥补存在的局限，如在VaR模型外加入敏感性分析和应力测试等更多的技术工具，以提高应用的可靠程度。

四、对VaR法计算结果的必要补充

VaR方法对金融机构或资产组合市场风险的衡量的有效性是以市场正常运行为前提条件的，如果市场发生异常波动或出现极端情况，VaR的缺陷就需要应力测试（stress testing，或称压力）测试来弥补，因此，同时结合应力测试法（Stress Testing）、幕景分析法（Scenario Analysis）来防范和化解金融风险具有较大现实意义。

（一）应力测试

所谓应力测试，是指将整个金融机构或资产组合置于某一特定的（主观想象的）极端市场情况之下，例如，假设利率骤升10个百分点、某一货币突然贬值30％、股价暴跌50％等异常的市场变化，然后测试该金融机构或资产组合在这些关键市场变量突变的压力下的表现状况，看看是否能经受得起这种市场的突变。正是鉴于应力测试在衡量金融机构或资产组合在异常市场条件下风险状况时的重要作用和VaR相应的局限性，金融监管部门在同意金融机构使用以VaR为基础的内部模型的同时，除了要求使用返回检验来衡量VaR模型的有效性外，还要求使用压力测试来衡量金融机构在遇到意外风险时机构的承受能力。以弥补VaR模型的不足。

由于应力测试在很大程度上是一种主观测试，由测试者主观决定其测试的市场变量（风险因素）及其变动幅度，而且测试变量一旦确定，就假设了测试变量与市场其他变量的相关性为零；同时，在应力测试下，引起资产组合价值发生变化的风险因素也非常清楚，再加上应力测试并不负责提供事件发生的可能性。因而也没有必要对每一种变化确定一个概率，这样就避免了模拟整个事件概率分布的麻烦，也使得这种风险衡量方式较少地涉及到高深的数学和统计知识，而显得简单明了。

不过，使用这一方法在实践中也存在着几个需要注意的问题：第一，合理的测试变量的选择要考虑它是否与市场中其他变量的相关性为零；第二，进行应力测试的时候，某一或某些市场因素的异常或极端的变化可能会使得风险分析的前提条件发生变化，所以对分析的前提条件要重新确认；第三，对众多的风险因素进行不同幅度的应力测试，所带来的工作量是巨大的，而且，由于每次应力测试只能说明事件的影响程度，却不能说明事件发生的可能性，这使得管理者对众多的应力测试难以分清主次，因而仅仅有应力测试对管理者的决策作用并不大，它应该与其他风险衡量的方法尤其是VaR相结合，而不是替代VaR。另外，目前应力测试尚没有一套标准的做法，也没有一套标准的场景，它们在很大程度上取决于风险经理的经验和判断。

（二）幕景分析

幕景分析与应力测试有许多相似之处，而不同之处为，应力测试只是对市场中的一个或相关的一组变量在短期内的异常变化进行假设分析，而幕景分析假设的则是更为广泛的情况，包括政治、经济、军事和自然灾害在内的投资环境。在这种假设的环境变化中，例如，投资国出现政治动荡、战争或经济危机，先分析出主要市场变量的可能变化，再进而分析对资产组合的影响。如果说应力测试是一个自下而上的过程，那么幕景分析就是一个自上而下的过程，因为前者直接假设了一个或一组相关市场变量的异常取值，然后测试投资组合的变化，而幕景分析则是首先假设一个整体环境的变化，再推断出在这种特定情景下市场变量的可能变化，最后再考察这些市场变量变化对投资组合的影响。

幕景分析法是一种能在风险分析中帮助辨识引起风险的关键因素及其影响程度的方法。所谓幕景，是指对一个决策对象的未来某种状态进行逐一描述。现代的大型风险决策一般必须依赖计算机才能完成复杂的计算和分析任务。应用幕景分析，则是在计算机上实现各种状态变化条件下的模拟分析。当某种因素发生不同的变化，它对整个决策产生的各种影响、影响的程度、产生的后果等模拟状况，如同电影镜头或电视图景可一幕幕地展示出来，供分析人员进行比较研究。幕景分析的结果一般可分为两类：一类是对未来某种状态的描述；另一类是描述目标问题的发展过程，预测未来一段时期内目标问题的变化链和演变轨迹。比如，对一项投资方案的风险分析，幕景分析可以提供未来3年内该投资方案最好、最可能发生和最坏的前景，并且可以详细给出上述3种不同情况下可能发生的事件和风险，为决策者提供参考依据。

在风险决策分析中，幕景分析可以发挥以下作用：①把采取的决策措施和政策看作一个影响因素，能揭示这些因素对决策系统发生的影响及可能发生的风险或不利后果，提醒决策者进一步修正和完善即将推出的决策措施。②发现决策系统中某些关键性因素对目标问题的重大影响。③提供关于决策系统或目标问题发展变化过程中需重点关注和监测的风险范围和主要参数。在投资银行运作风险分析中，应用幕景分析法的原理，可以设计一些重要的参数和预警指标，决策者在日常的风险管理中就只需要对这些参数和指标进行监控，基本上就可以有效地实现风险监控之目的。如果这些参数超出一定的范围，就能自动为决策者提供预警信息。④具有动态模拟和情景分析的功能，能使各种因素在不同状态条件下对决策系统的影响及后果动态显示出来，以利于决策者及时根据变化的情况，做出决策调整或修正，尽可能减少因客观条件发生变化而产生的风险损失。

幕景分析法在风险辨识中的具体应用过程中包括筛选、监测和诊断三大紧密相连的步骤。筛选是依据一定的程序，将可能导致风险或具有潜在风险的业务、过程、现象或进行分类选择的风险辨识过程；监测是对上述各种具有潜在风险的因果进行观测、记录和分析的显示过程；诊断则是根据实际状况，提出改进措施。简单地说，在幕景分析中，筛选、监测和诊断的过程，是关于导致风险的某种（或某些）因素的分类辨识估计、观测记录和最后确认判断的逻辑有序的分析过程。

1.构建幕景。即构建一系列假想的极端市场情况（极端的场景）。构造幕景一般有两种方法：一是创建模式化的极端幕景，如假设市场波动或标准差放大10倍，其具体原因可能是因为某些极端事件的发生而造成的冲击。另一种方法是模拟某些极端的事件，相应的幕景便是模拟出极端的事件对市场造成的冲击状况。如假想发生金融危机、战争或“黑色星期一”重演等等。在投资银行，每周至少要对多种场景做出风险分析评估，创设的场景包括：1987年的股灾、海湾战争、1990年垃圾债券危机、1994年债券市场大动荡、1998年亚洲金融风波、“9·11事件”、伊拉克战争等。

2.幕景分析。即在所构建的幕景下，分析投资组合中各金融工具的价格所受到的影响以及整个投资组合价值所受到的冲击。此外，若投资组合依赖于动态套期保值或对冲，即投资组合必须频繁地随时变动调整，那么极端幕景带来的投资组合的流动性风险就必须认真考虑，因为在市场低迷的情况下有可能很难找到交易对手。还有一种情况值得注意，如假设投资组合中使用了期货对另外一些流动性较差的证券进行套期保值。由于期货是每日计算的，而被套期保值的证券短期内难以套现，这就可能出现因资金周转不灵导致期货的保证金不能被补齐而被强行平仓的情况，它将使套期保值良好的投资组合遭受严重损失。

3.根据幕景分析对某些幕景制定应急策略和方案。在大多数情况下，投资组合一旦遭受市场冲击，损失是难免的，但我们可以根据不同情况和拥有的条件采取相应的对策以尽量减少这种损失，如事先筹措资金以应付突发的紧急的资金需求。

进行幕景分析的关键首先在于对情景的合理设定。为此，投资银行应该从两方面入手：一是充分意识自身业务的性质和特点，了解可能发生的相关事件，包括战争冲突、社会稳定、重大经济改革和政策措施的出台、市场因素的突变等，并对这些事件可能对证券市场进而对自身经营行为产生的重大影响；另一方面，则要对设定情景进行深入细致的分析以及由此对事态在给定时间内可能发展的严重程度和业务及投资因此而可能遭受的损失进行合理的预测。

总之，幕景分析从更广泛的视野、更长远的时间范围来考察投资银行运营机构或投资组合的风险问题，这种具有战略高度的分析，无疑弥补了VaR和应力测试只注重短期情况分析的不足；幕景分析与VaR和压力测试结合起来，使得风险管理更加完善。

（三）返回检验

用VaR方法来衡量投资银行所面临的市场风险，以及进而用VaR值来作为监管部门确定该机构应具备的资本充足水平的依据，一个重要的问题是它的有效性的问题。由于VaR方法只是一种由历史数据或假定的统计参数和分布建立的统计预测模型，其对未来风险状况的预测是否准确、有效是需要检验的。检验的主要方法就是返回检验。统计学中的返回检验（back testing）是指先将实际的数据输入被检验的模型中去，然后检验该模型的预测值与现实结果是否相同的过程。

例如，一个VaR模型对某一投资组合的风险衡量结果为：在99％的置信水平上该组合在未来的6个月内的日VaR值为10万元，即每天损失超过10万元的概率为1％，或者说，每100天内，只有1天的损失将超过10万元。对VaR的这一预测值进行返回检验，就是多次考察实际100天的交易数据，如果损失超过10万元的天数的确不超过1天，则基本说明该模型是有效的，如果损失超过10万元的天数是两天甚至更多，则该模型的有效性就值得怀疑。

然而，需要注意的是，这种返回检验本身也会存在是否有效可靠的问题。上例中对VaR有效性的判断是基于假设返回检验本身是有效的，没有发生下面两件类型的错误：第一，VaR的预测实际上是对的，但检验结果却表明它低估了风险，这在统计上被称为1类错误；第二，VaR的预测实际上低估了风险但是检验结果却没有显示这一结果，这在统计上被称为2类错误。影响返回检验有效性的主要因素有：

1.样本空间的大小。数据量的大小对统计检验是非常重要的，尤其是在对概率较小的事件进行检验的时候，所需的历史数据更多，这使得对有较长的持有期限的VaR的检验难以进行，如对10日VaR值的检验，10年交易历史才能提供250个观测数据。因此，返回检验一般选用日VaR值检验。

2.对投资回报概率分布的假设。一般情况下，投资组合的回报被假设呈现正态分布，并且有稳定的期望和方差。这些假设不仅使得VaR模型的预测是合理的，而且较长持有期限的VaR值也可以由日VaR值合理得到（如对VaR值乘以2就可以得到两周VaR值）。然而这些假设在现实中却往往不成立，实际的回报分布往往出现肥尾现象，而且其期望和方差也是变动的。因此在对VaR的有效性进行检验的时候对这些有关分布的假设应该予以重新审视。

3.置信水平的选定。置信水平越高，则意味着越需要对可能性更小、更极端的事件进行检验。显然，这种小概率事件的历史数据是稀少的，所以对其检验起来也就更加困难。

思考题∶

1.名词解释：市场风险　信用风险　法律风险　操作风险流动性风险　体系风险　风险价值VaR　幕景分析法　应力测试

2.按照风险种类的不同，投资银行面临哪些系统性风险？

3.投资银行业务面临着哪些主要风险？

4.投资银行面对的非系统性风险有哪些？

5.建立完整的风险管理和控制的架构包括哪几个方面的内容？

6.风险价值模型有何优缺点？

7.简述风险价值模型运用的背景。

8.试述VaR方法的主要内容。

9.VaR方法的局限性及其补充方法是什么？

10.幕景分析法在风险辨识中的具体应用过程中包括哪些步骤？