# VaR

这篇文章围绕 GARCH 模型在量化风控中的局限展开，核心问题是：为什么很多时候模型在样本内表现正常，但一遇到剧烈波动，真实亏损仍会大幅超出预测？

文章首先从“波动率聚集”讲起：市场经常呈现大波动跟着大波动、平静跟着平静的特征，因此 ARCH/GARCH 这类条件异方差模型成为描述波动动态的重要工具。它们相比固定波动率模型更贴近现实，也因此长期被用于 VaR 估计和风险管理。但作者指出，GARCH 主要解决的是“波动随时间变化”的问题，并没有真正解决收益率的肥尾问题。即便把分布改成更厚尾的学生 t 分布，极端行情下的损失仍经常超出模型给出的风险边界。

接着文章把矛头对准“标准化残差”的隐含假设。理论上，标准化残差应该用真实波动率来除，但实际计算时只能用模型估计的波动率，这里面同时包含模型设定误差和参数估计误差。于是，当真实波动率快速上升或下降时，估计值往往滞后，导致标准化残差的分布被“污染”：在波动骤升时，普通下跌会被模型误判为极端事件；在波动骤降时，真正的风险又可能被低估成小波动。作者认为，这正是很多 VaR 回测失败的重要隐藏原因。

为了进一步刻画尾部风险，文章讨论了极值理论（EVT）的用法：先用 GARCH 过滤出标准化残差，再对尾部超额损失用广义帕累托分布（GPD）建模。然而，这套方法也有明显问题。首先是阈值怎么选：阈值太低会把非尾部样本混进来，太高又会让样本过少、估计不稳。其次，GPD 的形状参数在小样本滚动窗口里经常剧烈波动，难以判断究竟是尾巴变厚了，还是只是样本噪声。作者因此建议把极值理论更多当作稳健性检验，而不是唯一的精确答案。

文章随后讨论贝叶斯收缩。它可以把局部估计往长期均值上拉，降低参数抖动，但新的问题是先验怎么选、先验窗口多长、先验是否本身也是时变的。尤其在局部样本很短时，后验结果高度依赖人为设定，主观性并不比阈值选择更少。作者因此倾向于把贝叶斯收缩当作辅助检验，而不是最终结论，并建议与滚动历史分位数等更朴素的方法交叉验证。

在期权数据部分，文章引入了“波动率偏斜”这一视角。尾部风险升高时，价外看跌期权隐含波动率往往高于看涨期权，偏斜能反映市场对尾部风险的即时定价。但作者提醒，这个信号的回归关系很不稳定，日内噪声也很大，难以直接作为精确输入。更可行的方式是把它作为辅助预警：当偏斜超过历史高分位时，适当上调 ES 估计；若没有高质量期权数据，也可以用历史已实现波动率的偏度做交叉参考。

最后文章回到金融建模的根本限制：从巴舍利耶的正态随机漫步，到曼德勃罗的厚尾，再到 GARCH、极值理论和波动率微笑，模型一直在修正旧框架，却始终无法彻底预测极端状态。作者强调，所有基于历史数据的 VaR/ES 模型都有一个共同前提——历史会以某种连续方式重复。但当出现极端流动性枯竭或历史上未曾出现的新状态时，模型会整体失效。因此，除了统计模型，策略还应该设置一条不依赖回测证明的硬性风控线，确保在未知状态来临时仍能存活。

文章的落点也很明确：与其执着于寻找一个“终极更优”的风险模型，不如承认预测的边界，把更多精力放在准备与防守上。