风险评估里的蒙特卡洛模拟

蒙特卡洛模拟是现代风险分析的主力。通过在假设的收益过程下生成成千上万条组合未来路径，它产出闭式公式给不了的完整结果分布——尤其当持仓含期权、路径依赖回报或与风险因子的非线性关系时。

核心想法

给定一个风险因子演化模型，前向模拟很多独立路径，沿每条路径重估组合，从结果分布里读统计量。大数定律保证随着路径数增加，经验统计量收敛到模型的真实值。

对一个价值 $V_t$、依赖风险因子 $X_t$ 的组合，单条路径产生一个终值 $V_T = f(X_T)$，其中 $X_T$ 从假设过程模拟。重复 $N$ 次得到一个样本，任何统计量——VaR、预期亏空、破产概率——都能从中估计。

选收益过程

• 几何布朗运动：$dS = \mu S,dt + \sigma S,dW$。简单，但假设对数正态收益和恒定波动率——这两个实证上都站不住
• 随机波动率模型（Heston、GARCH）：让波动率本身跟一个随机过程，抓住波动聚集
• 跳跃扩散模型：在布朗运动上加不连续跳跃，抓住崩盘风险
• 历史 bootstrap：重采样真实历史收益，保留经验分布而不假设参数形式

模型就是假设。蒙特卡洛结果只跟生成它的过程一样诚实。

交易员的应用

• 路径依赖回报：障碍期权、回望、亚式、结构化产品在真实过程下没有闭式定价。蒙特卡洛直接定价
• 含期权组合的 VaR 和 Expected Shortfall：每条路径通过期权估值重估，抓住参数 VaR 忽略的 gamma 和 vega
• 策略稳健性：跨成千上万条随机生成的价格路径模拟一个策略，估计终值财富、回撤深度、恢复时间的分布

估计精度

蒙特卡洛估计带模拟误差。估计分位数 $\hat{q}_\alpha$ 的标准误大概是：

$$\text{SE}(\hat{q}\alpha) \approx \frac{1}{f(q\alpha)}\sqrt{\frac{\alpha(1-\alpha)}{N}}$$

$f(q_\alpha)$ 是分位数处的密度。准确估计尾部分位数需要的路径远多于估计均值——稳定的 99% VaR 往往要几万条。

坑

• 模型风险压倒模拟误差。最大的不确定性是过程，不是路径数。在多个模型假设下报告结果
• 相关性结构至关重要。独立模拟因子会摧毁驱动组合危机的集群。用完整协方差矩阵或 copula

至少用三种不同收益过程跑蒙特卡洛，只有三者都同意组合可存活时才行动。蒙特卡洛让不确定性可见，逼交易员面对结果的完整分布。