Conditional VaR 与 Expected Shortfall

VaR 回答"一个典型的坏日子有多坏"，但对"比那更坏的日子有多坏"沉默。Conditional VaR，也叫 Expected Shortfall（ES）或 CVaR，回答第二个问题，把 VaR 阈值之外的尾部亏损取平均。这是 VaR 不够时严肃风险经理用的风险度量。

定义

对置信水平 $\alpha$（比如 95%），VaR 是损失分布的 $\alpha$ 分位数。Expected Shortfall 是 VaR 被突破条件下损失的期望：

$$ES_{\alpha} = E[L \mid L > \text{VaR}_{\alpha}]$$

对连续损失分布这简化成：

$$ES_{\alpha} = \frac{1}{1-\alpha}\int_{\alpha}^{1} \text{VaR}_u , du$$

Expected Shortfall 把从 $\alpha$ 到 1 的所有分位数上的损失取平均，抓住尾部的完整深度。

ES 怎么修补 VaR 的失败

尾部敏感：两个 95% VaR 相同的组合，99% 损失可能差很多。VaR 区分不了；ES 能，因为阈值之外的平均反映尾部真实深度。

一致性：ES 满足一致风险度量的四条公理——单调性、次可加性、正齐次性、平移不变性。VaR 违反次可加性，意味着 VaR 可能暗示合并组合比各部分之和更危险，跟分散矛盾。ES 永远不会。

凸性：ES 是组合权重的凸函数，可用标准优化工具最小化，让它在组合构建里可用，不只是风险报告。

计算 ES

历史法：把损失排序，取最坏的 $(1-\alpha)$ 部分取平均。简单、无假设，但依赖有足够尾部观测——而这恰恰是数据最稀缺的地方。

参数法：正态分布下：

$$ES_{\alpha} = \mu + \sigma \cdot \frac{\phi(z_{\alpha})}{1-\alpha}$$

$\phi$ 是标准正态密度。正态假设对肥尾分布低估 ES，尾部要紧时用 Student-t 或极值分布。

蒙特卡洛法：在假设的收益模型下模拟组合，排序模拟损失，取尾部平均。跨非正态分布和期权仓位都灵活。

交易员怎么用

• 尾部感知仓位限额：在 VaR 之外设 ES 限额。一个在 VaR 内但破 ES 的仓位带隐藏尾部风险
• 策略对比：两个均值回报和 VaR 相同的策略可用 ES 排序——ES 更低的策略尾部更安全
• 资本配置：尾部肥时（真实市场大多时候）用 ES 而非 VaR 分配风险预算

ES 依赖的恰恰是最难估计的尾部数据。对样本 bootstrap，报 ES 范围，不报点估计。永远别把 ES 估计跟实际最坏情况混为一谈。