Convolution Approach for

Value at Risk Estimation

應明哲 2020/09/08
Abstract
• 風險價值 (VaR) 衡量的是在給定置信水平的正常市場條件下，給定
期限內的最壞預期損失

• 每天的數據被用來計算 VaR ，並通過平方根將其擴展到所需的時間

範圍。這就引出了我們在進行 VaR 估計時的一個重要問題： VaR 應
解釋為（ 1 ）恰好在第 i 天（ 2 ）在第 i 天內

• 本研究試圖用 SPX 和 HSI 的實際數據來回答上述問題。研究發現，

在確定 VaR 值與持有期的比例 ( 即斜率 ) 時，第 i 天內的斜率一般
大於恰好第 i 天的斜率。
Abstract
• 文章利用實際數據對對數回報分佈隨時間的演變進行了實證研究，
存在樣本數不夠的問題。

• 數值模擬可以通過產生大量對數回報來幫助解決這個問題，但是
存在運算緩慢的問題

• 卷積方法為分析包含 VaR 等的整個數據分佈的演化提供了一種有

效的方法。
Introduction about VaR
• 從形式上來講， VaR 衡量的是在給定置信水平的正常市場條件下，給定期
限內最糟糕的預期損失。
• 在正常的市場情況下，一個 1 億元的投資組合在一個月內最多可以損失 250 萬元 ( 或 2.5%) ，在
95% 的置信水平下。

• VaR 存在一些缺點：
• 1) 當超過在險價值時，它沒有給出任何關於潛在損失的信息；
• 2) 如果分佈的尾部 42 足夠重 ( 在極值理論中，尾部指數 >2) ，它也不能表現出次可加性

• VaR 的另一種選擇是預期缺口（ Expected shortfall ）。它衡量的是損失

的預期規模，巴塞爾已經將銀行的資本監管要求從在險價值轉變為預期缺
口法。本文仍將專注於 VaR 的估計，因為準確的 VaR 估計是 ES 的基礎
VaR Estimation——exactly on day

• 損失也可以準確地描述為 i=22 天的累計損失 ( 或累計回報）

• 具有 (1-α) 置信水平的風險值是
α- 百分位數，其中 α=5%
VaR Estimation——within day

• 對不同的窗口重複該過程，在 22 天的非重疊窗口的情況下，我
們可以計算許多這樣的最大累積損失
Methodology
• 文章描述用於計算 VaR 的三種方法。分別是： 1)SPX 數據的實證
研究； 2) 數值模擬； 3) 卷積方法。

1.實證研究：標準普爾 500 指數 (SPX) 從 2000 年 1 月 3 日到 2015

年 12 月 31 日的實際每日收盤價（共 4173 筆），根據上文的定義
來計算 VaR

2.數值模擬：生成大量獨立常態分佈隨機變數。這些隨機變數的
mean 和 SD 與實際的 SPX 數據相同。
Methodology
3. 卷積方法：給定
兩日的累計分配：
i 日的累計分配：

卷積公式來產生 s2 的分配

離散卷積為：
Results and Discussions of Empirical Data
• 文章選擇 1% 、 2.5% 和 5% 的顯著性水平來做實證研究，根據巴塞爾
協議，對於 i=10 的持有期，銀行被要求報告 VaR 為 1% 的顯著性水
平。金融機構通常使用 5% 的顯著性水平。

• 從表 1 可以看出，第 i 天內的 VaR 斜率一般高於恰好在第 i 天的斜

率。
Results and Discussions of Empirical Data
Results and Discussions of Empirical Data
Results and Discussions of Numerical Simulation
• 作者生成了 1000000 個符合 SPX 的常態隨機變量
Results and Discussions of Numerical Simulation
• 對於數值模擬產生的隨機變量，依舊選擇 1% 、 2.5% 和 5% 的顯著性水平來做實證研究
• 以 log1 對數刻度繪製圖形的目的是檢查 VaR 是否按時間的平方根或其他指數冪成比例增長

• 從最佳擬合直線中，在所有三個顯著性水平上， VaR 的斜率都在 0.50 左右。這意味著當精

確測定第 i 天時， VaR 與時間的平方成正比增長。對於 i 天內的 VaR ，斜率約為 0.52-0.54
• 第 i 天內的 VaR 斜率一般高於恰好在第 i 天的斜率
• 從風險管理的角度來看，巴塞爾資本監管要求的計算建議在 i 天內採用，這樣更謹慎
Results and Discussions of Numerical Simulation
• Exactly on day ： and
• 我們可以看到 σ 以 i 的平方根增長，因此圖 10 所示直線的斜率是
0.5

• Within days ：假設我們由兩個獨立的正態分佈組成下面的序列。在第一輪中，我們

從第一個分佈中提取數據，並將其命名為 s1 。
• 如果我們將序列擴展到 i 個獨立的正態分佈，我們得到
• 然後我們選擇 s1 、 s2 、…中的最小值 重複這個過程多次，我們將形
成一個分配 NMi ，它由許多 Mi 組成
• 問題： Nmi 的分配是什麼？如果 Nmi 是常態分配，他的 mean 和 SD ？
Dynamic of minimum cumulative returns
• 股票價格起伏不定。從風險管理的角度來看，我們感興趣的是在
給定的時間範圍內，股票價格在哪一天是最小的，以及損失的大
小 ( 即最小累積收益的動態變化 ) 。
The distribution of the log returns
• 對於模擬 NS ，第 i 天的分配返回精確分佈為 Nsi ，如上文所定義。
相對簡單的是，分佈是對稱的，均值 =0 ，標準差隨 i 的平方根
增長
The distribution of the log returns
• 我們注意到 M2=min{s1 ， s2} 。如果 M2 位於第 1 天，則表示 ε2 為正，並且選擇了
s1(=ε1). 。因此當最大累積損失在第 1 天時，對數返回的子分佈的形狀將與 N1 相同，期
望值為 0
• 如果 M2 位於第 2 天，則表示只選擇負 ε2 ， s2(=ε1+ε2) 為最大累計損失。因此，當最
大累積損失在第 2 天時，對數返回的子分佈的形狀將向左傾斜，其期望值不會為零
Results and Discussions of Convolution Approach
• 對於 i=2 、 3 、 5 、 10 和 22 ，通過應用卷積函數得到 Nsi=Fz(Z)
Results and Discussions of Convolution Approach
Results and Discussions of Convolution Approach
• 對卷積函數進行適當的縮放，能夠重現理論結果，並對不同的自相關值 ρ 進行了數值模擬
驗證。
Results and Discussions of Convolution Approach
Results and Discussions of Convolution Approach
• 在 i 天內的情況要比上述恰好在 i 天的情況複雜
• 如果 M2 位於第 1 天， M21 ，則表示 ε2 為正，並且選擇了 s1(=ε1) 。因此，當最大累積
損失為第 1 天時，對數子分佈的形狀將與 N1 相同，平均值為零，
• 如果 M2 位於第 2 天 M22 ，這意味著只選擇負 ε2 ，而選擇 s2(=ε1+ε2 ，其中 ε2 為
負。 ) 。是最大累計損失。從數學上講， M22 是從以下兩個分佈中隨機抽取的：
• S1=ε1~N1 （ μ1=0,σ1=1 ）
• the negative part (or left hand side) of ε2~N2 （ μ2=0,σ2=1 ）
Results and Discussions of Convolution Approach
• 最初認為， M22 的分佈可以通過 N1 和 NL 的卷積得到。
• 經過試錯， M33 的分佈可以通過 M22 的左側和 N3 得到
• 因此 M22 的分佈可以通過將 NL( 或 N1 的左側 ) 和 N2 卷積得到

如果我們用 NM22 代替 Fx(z-y) ，我們就得到了 NM33 。對得到的分配連續應用卷積，我們將得到直

到 i=22 的子分佈
Results and Discussions of Convolution Approach
• 圖 19a 和 19b 顯示了通過模擬 ( 以灰條表示 ) 和通過卷積 ( 以黑點表示 ) 計算的 NM11 和 NM22 的
分佈。

• 在相關係數為 0 ，數據的擬合程度較高
Results and Discussions of Convolution Approach
• 結果發現，當 ρ=-0.2 時，調整卷積函數不能很好擬合如圖所示的模擬結果。
Results and Discussions of Convolution Approach
• 更好地检验卷积与模拟的差异，在网格较细、 ρ 较大 (0.7 时 ) 的情况下进行数值模拟
Results of Convolution Approach Applied on Actual Distribution

• 在最後一節中，作者展示了卷積方法在 SPX 和恒生指數上的實際表現 (exactly on day)

Conclusions
• 文章分析了（ 1 ）在第 i 天內和（ 2 ）精確在第 i 天對 VaR 估計的影響。從風險管理的角
度來看，建議在 i 天內採用，因為這樣更謹慎。對於 SPX 的實際數據， α=1% 的 10 個持有
日內的 VaR 值為 13.23% ，而恰好在第 i 天的 VaR 值僅為 10.38% 。

• 數值模擬可以通過生成例如一百萬甚至四百萬個對數報酬來幫助解決問題。它已經提供關
於分配如何隨時間演變的許多見解。然而數值模擬是非常耗時的

• 卷積方法為分析包含 VaR 的整個數據分配的演化提供了一種有效的方法。建立了卷積方法

模型，無論是第 i 天還是第 i 天內的獨立資料，其卷積模擬結果都與數值模擬結果吻合得
很好。對於相關數據，它只在第 i 天有效，當 ρ 明顯偏離零時，它需要在第 i 天內進行調
整和校正。對於單個指數來說，這並不是什麼大問題，因為單個指數的自相關性大多接近
於零。