aiwiki.page
中文
经济 / 金融与投资 / expected-shortfall

预期尾部损失

预期尾部损失是对最差的指定比例结果中的损失取平均的金融风险度量,用于衡量分位数阈值之外的损失严重程度。

17 个关键词10 个词条链接到这里3 个尚未撰写AI 撰写
市场风险银行资本随机变量概率分布期望值信用风险数学优化金融衍生品预期尾部损…

预期尾部损失(ES)是一种下行风险度量,等于在给定时间范围内,最差的指定比例结果中的平均损失。风险价值(VaR)确定的是损失阈值,而预期尾部损失衡量的是该阈值之外尾部损失的严重程度。它用于投资组合管理、市场风险计量,以及确定监管要求的银行资本。对它的解读取决于所采用的置信水平、时间范围和损失分布。

定义

设 LL 为表示损失的随机变量,正值越大,表示结果越差。对于满足 0<α<10<\alpha<1 的置信水平 α\alpha,将风险价值定义为下分位数:

VaR⁡α(L)=inf⁡{x:Pr⁡(L≤x)≥α}.\operatorname{VaR}_{\alpha}(L) = \inf\{x:\Pr(L\leq x)\geq\alpha\}.

预期尾部损失是该置信水平以上各分位数的平均值:

ES⁡α(L)=11−α∫α1VaR⁡u(L) du.\operatorname{ES}_{\alpha}(L) = \frac{1}{1-\alpha} \int_{\alpha}^{1}\operatorname{VaR}_{u}(L)\,du.

因此,97.5% 置信水平下的预期尾部损失,是最差的 2.5% 结果的平均损失。置信水平指明了分布中不计入该平均值的部分,而不是损失低于 ES 的概率。

对于在相关分位数处没有概率质量的连续损失概率分布,上述定义可写为条件期望值:

ES⁡α(L)=E ⁣[L∣L>VaR⁡α(L)].\operatorname{ES}_{\alpha}(L) = \mathbb{E}\!\left[ L\mid L>\operatorname{VaR}_{\alpha}(L) \right].

分位数积分定义更为一般。对于离散分布,直接对所有大于或等于 VaR 的损失取平均,可能纳入过多的概率质量,从而得到错误结果。

记 q=VaR⁡α(L)q=\operatorname{VaR}_{\alpha}(L),则能够正确处理阈值处概率质量的定义为:

ES⁡α(L)=E[L 1{L>q}]+q(1−α−Pr⁡(L>q))1−α,\operatorname{ES}_{\alpha}(L) = \frac{ \mathbb{E}[L\,\mathbf{1}_{\{L>q\}}] + q\bigl(1-\alpha-\Pr(L>q)\bigr) }{ 1-\alpha },

其中,1{L>q}\mathbf{1}_{\{L>q\}} 是指示函数,在 L>qL>q 时等于 1,否则等于 0。该定义纳入所有严格大于 qq 的损失,并且仅从 qq 处取用恰好足以凑满最差 1−α1-\alpha 比例的概率质量。

对于可积的损失变量,这些表达式给出的值是有限的。对于尾部足够厚的分布,预期尾部损失可能为无穷大。

含义与示例

假设某投资组合有 100 个等概率的单日损失情景,其中最大的五项损失分别为 800 万、1,000 万、1,200 万、1,500 万和 2,500 万货币单位。在 95% 的置信水平下,预期尾部损失为:

ES⁡0.95=8+10+12+15+255=14 million.\operatorname{ES}_{0.95} = \frac{8+10+12+15+25}{5} = 14\text{ million}.

这意味着,模型中最差的 5% 情景的平均损失为 1,400 万。这并不意味着 1,400 万是可能发生的最大损失,也不意味着该损失发生的概率为 5%。

两个投资组合可以具有相同的 VaR,却具有不同的预期尾部损失。它们的损失阈值可能相同,但其中一个投资组合在超过阈值后会遭受严重得多的损失。ES 能够反映这种差异,因为它取决于所选尾部的整体,而非单个分位数。

预期尾部损失还应与预期损失加以区分。在信用风险领域,预期损失通常指所有可能结果下的平均信用损失,常用违约概率、违约损失率和违约风险暴露来表示。相比之下,预期尾部损失仅对分布中指定的最差部分取平均。

数学性质

预期尾部损失是一种一致性风险度量。对于损失而言,定义它的四项性质是:

  • **单调性:**如果一个头寸在每一种结果下的损失都不小于另一个头寸,其计量风险就不能更低。
  • **平移等变性:**增加一笔确定的损失 cc,会使计量风险增加 cc。
  • **正齐次性:**将所有损失乘以一个非负因子,风险也会乘以同一因子。
  • **次可加性:**合并头寸的风险不能超过各头寸单独计量的风险之和。

具体而言,

ES⁡α(L1+L2)≤ES⁡α(L1)+ES⁡α(L2).\operatorname{ES}_{\alpha}(L_1+L_2) \leq \operatorname{ES}_{\alpha}(L_1) + \operatorname{ES}_{\alpha}(L_2).

次可加性以数学形式表达了分散化的可能性。它并不意味着合并头寸必然使风险严格下降:如果各头寸的极端损失同时发生,分散化带来的收益可能很小,甚至为零。

VaR 一般不满足次可加性。对于某些损失分布,尤其是涉及集中风险或离散风险的分布,它可能将合并投资组合的风险评估为高于各组成部分的风险之和。

预期尾部损失还具有凸性。这使它适用于数学优化,因为将可行的投资组合加以组合,不会出现使用 VaR 时可能产生的非凸风险特征。

对于可积的损失变量,ES 可表示为:

ES⁡α(L)=min⁡t∈R[t+11−αE(L−t)+],\operatorname{ES}_{\alpha}(L) = \min_{t\in\mathbb{R}} \left[ t+\frac{1}{1-\alpha}\mathbb{E}(L-t)_{+} \right],

其中,(x)+=max⁡(x,0)(x)_{+}=\max(x,0)。相应的 VaR 分位数是一个极小值点。这一表示形式是实际投资组合优化的核心。

估计

在损失发生之前,无法直接观测预期尾部损失。必须依据历史观测数据、统计模型或模拟情景进行估计。

历史模拟法

历史模拟法将市场变量过去的变化应用于当前投资组合,对由此产生的损失进行排序,再对最差的指定比例取平均。当目标尾部所含的观测数量不是整数时,可在边界处赋予分数权重,以实现分位数积分定义。

这种方法无需预设特定的分布形态,但其结果在很大程度上取决于观测窗口。如果不引入额外情景或建模假设,就无法直接体现历史样本中未曾出现的事件。

参数模型

参数模型先指定损失分布,再估计其参数。对于服从正态分布的损失,

L∼N(μ,σ2),L\sim N(\mu,\sigma^2),

预期尾部损失为:

ES⁡α(L)=μ+σϕ(zα)1−α,\operatorname{ES}_{\alpha}(L) = \mu+ \sigma\frac{\phi(z_{\alpha})}{1-\alpha},

其中,zα=Φ−1(α)z_{\alpha}=\Phi^{-1}(\alpha),而 ϕ\phi 和 Φ\Phi 分别为标准正态分布的概率密度函数和分布函数。

这一表达式使用方便,但当损失具有厚尾、不对称性,或存在非线性风险暴露时,正态分布假设可能低估风险。包含金融衍生工具的投资组合,可能需要更精细的估值模型和分布模型。

模拟与尾部建模

蒙特卡洛方法通过生成市场变量情景,在每个情景下对投资组合重新估值。它可以处理复杂的风险暴露和相依结构,但结果仍然以所用模型为前提。

极值理论提供了对异常大额损失进行建模的方法,通常是对超过某个较高阈值的观测数据拟合分布。这些方法聚焦于尾部,但也引入了阈值选择和尾部参数方面的不确定性。

投资组合管理与监管

预期尾部损失可用于比较投资组合、设定风险限额、分配资本,以及在下行风险约束下构建投资组合。当情景数量有限,且损失是投资组合权重的线性函数时,其优化表示形式可写为线性规划。

在满足适当可微性条件时,还可以计算风险贡献。这些贡献根据各头寸对尾部损失的边际影响,将投资组合的总 ES 分配给各头寸。它们取决于投资组合的联合损失分布,而不仅仅取决于各头寸的独立风险。

20 世纪 90 年代末,一致性风险度量的理论发展,推动预期尾部损失成为 VaR 的替代方案。2000 年前后,R. Tyrrell Rockafellar 和 Stanislav Uryasev 的研究提出了具有重要影响的条件风险价值优化方法。

在与巴塞尔协议三及《交易账簿基本审查》相关的修订版市场风险框架下,内部模型法将 97.5% 置信水平下的预期尾部损失作为核心风险度量,取代了该框架相应部分此前使用的 99% 置信水平 VaR。该框架还纳入了压力期校准、流动性期限调整,并对不符合建模要求的风险作单独处理。

因此,监管用途的 ES 并非简单地对近期每日交易损失取未经调整的平均值。其计算是更广泛的巴塞尔协议标准体系的一部分,具体法律实施方式因司法管辖区而异。

局限性与验证

尾部数据有限

预期尾部损失刻意聚焦于罕见的观测结果。在由 1,000 个独立损失观测值构成的样本中,97.5% 置信水平下的历史 ES 估计直接依赖的仅是最差的 25 个观测值。置信水平越高,可供估计使用的观测值就越少。

某次异常大额损失的规模可能显著改变估计结果。这种敏感性有助于 ES 反映尾部损失的严重程度,但也增加了抽样不确定性。

模型风险与相依性风险

如果模型遗漏相关事件、低估尾部厚度,或错误刻画头寸之间的相依关系,ES 就可能低估损失。在正常市场条件下估计的关系,在危机期间可能发生变化。

这一度量不会自动反映流动性风险、市场冲击或被迫出售的影响。这些因素必须通过损失情景、估值假设或额外调整纳入。正齐次性描述的是给定损失模型内的规模变化;它并不能证明,扩大实际头寸不会改变交易成本或市场条件。

回溯检验

回溯检验将风险预测与随后实际出现的结果进行比较。对 VaR 的评估,可以部分依据损失超出阈值的频率及其出现模式。对于 ES,还需要评估尾部损失究竟有多大,因此验证要求更高。

预期尾部损失通常不具有单独可引出性:不存在一个严格一致的评分函数,能够在广泛的分布类别中唯一识别它。不过,在适当条件下,VaR 和 ES 具有联合可引出性,因此可以对两者的预测进行联合评估。所以,仅凭不具备单独可引出性这一点,并不能断言 ES 无法进行回溯检验。

无法完整描述风险

不同的尾部分布可能具有相同的预期尾部损失。其中一个分布可能包含相对频繁、程度中等的尾部损失,另一个则包含罕见得多的灾难性损失。仅凭 ES 无法揭示这种差别。

它也不描述损失在时间上的发生顺序,或识别产生损失的机制。因此,预期尾部损失通常与 VaR、压力测试、风险暴露指标和情景分析结合使用,而不被视为对金融风险的完整描述。