CAViaR 详解：条件自回归 Value at Risk

令 \(L_t=-r_t\) 表示组合损失，因此损失为正、收益为负。对于置信水平 \(\alpha\)，单期 VaR 预测是条件上分位数： \[ v_t^\alpha=Q_\alpha(L_t\mid\mathcal F_{t-1}), \] 其中 \(\mathcal F_{t-1}\) 表示观察到 \(t\) 期损失之前可获得的信息。若 \(\alpha=0.99\)，在条件分位数模型设定正确时，未来损失中大约有 \(1-\alpha=1\%\) 会超过这一阈值。实际损失超过 VaR 的幅度没有上限；VaR 不是最大损失限额。

CAViaR 是 Conditional Autoregressive Value at Risk 的缩写，用递归关系规定这个分位数如何随时间变化。它不先估计完整的条件分布、再从尾部取出一个点，而是直接建模这个点。Engle 和 Manganelli 提出了这一类模型，并使用分位数回归估计参数（他们 2004 年的论文）。选择的分位数水平很重要：分别估计的 95% 和 99% 模型可能具有不同动态，而且任何一个模型都不能描述整个尾部。

一般的一步模型可以写成 \[ v_t^\alpha=f(v_{t-1}^\alpha,L_{t-1},X_{t-1};\beta), \] 其中 \(X_{t-1}\) 表示其他允许使用的预测变量，\(\beta\) 是待估参数向量。滞后分位数让预测保留过去的状态；滞后损失或其他预测变量则让新信息能够推动阈值变化。它和波动率递归模型相似之处在于都利用过去状态，但这里更新的是分位数，而不是条件方差。

例如，对称绝对值（SAV）设定为 \[ v_t^\alpha=\beta_0+\beta_1v_{t-1}^\alpha+\beta_2|L_{t-1}|. \] 该形式会对前期变动幅度作出反应，但绝对值会让收益和损失受到对称处理。自回归项使冲击在后续时期继续影响预测；随着新的输入发生变化，阈值可能逐步回落。持续性需要估计和检验；一条平滑的预测曲线并不能说明分位数已经校准。

CAViaR 还有其他形式，例如根据前一期观察是否越过前一期阈值进行调整的自适应模型，以及包含类似方差递归的间接 GARCH 形式。这些是不同的模型设定，不能当作可互换的名称。函数形式决定哪些历史信息能够改变分位数，以及模型能表达何种反应。

为了让下行和上行观察对下一期损失分位数产生不同影响，定义 \(L^+=\max(L,0)\) 和 \(L^-=\max(-L,0)\)。一种非对称斜率形式为 \[ v_t^\alpha=\beta_0+\beta_1v_{t-1}^\alpha+\beta_2L_{t-1}^{+}+\beta_3L_{t-1}^{-}. \] 正的组合损失通过 \(L^+\) 进入模型；收益则通过 \(L^-\) 进入。两个估计斜率不必相同。如果模型改为针对收益和收益的下分位数，而不是正值损失来设定，符号约定也会变化。因此，研究或实现应明确说明因变量，以及正部和负部的定义。

这种灵活性并不能证明市场存在非对称杠杆效应。它只允许所选条件分位数在给定递归形式和样本下，对两种分支作出不同反应。系数需要通过估计获得，并不是已知常数；系数符号和大小取决于变量单位和参数化方式。应将该形式与对称基准比较，并在估计样本之外评估两者。

<!-- Illustration placement: after section 3; text-free conceptual view of a conditional loss-quantile ribbon moving over time, responding more after a large loss than after an upside move, with a few conceptual threshold crossings. No axes, labels, values, or market data. -->

对于候选参数 \(\beta\)，先生成完整的递归分位数路径 \(v_t^\alpha(\beta)\)，然后最小化分位数损失，也称 check loss： \[ \widehat\beta=\arg\min_\beta\sum_{t=1}^{T}\rho_\alpha\!\left(L_t-v_t^\alpha(\beta)\right), \qquad \rho_\alpha(u)=u\left(\alpha-\mathbf 1\{u<0\}\right). \] 对于损失的上分位数，低估时 \(u>0\)，权重为 \(\alpha\)；高估时 \(u<0\)，权重为 \(1-\alpha\)。当 \(\alpha=0.99\) 时，这个损失函数会让漏报大额损失比多留出同等幅度的缓冲代价更高。它不是平方误差损失，也不会让系数以拟合条件均值为目标。

这是 Koenker 和 Bassett 提出的分位数回归思想（1978 年论文），此处应用于递归生成的分位数路径。在线性分位数回归中，目标函数具有有用的凸性结构；而 CAViaR 的递归非线性形式可能对起始值和局部极小值敏感。实际估计应记录目标函数、参数限制、优化流程、收敛检查和不同起始值的结果。普通最小二乘输出不能替代分位数回归推断。

递归的第一个值 \(v_0^\alpha\) 必须给定或估计。一种透明做法是，使用一个在评估期开始之前结束的预样本窗口，计算其中的经验损失上分位数。也可以联合估计初始值，或使用有明确说明的预热期。无论采用哪种规则，都应一致地用于各候选模型，并披露用于初始化递归的观察数量。如果滞后分位数项具有较强持续性，初始值可能影响后续许多期的预测。

即使展示出的方程看起来简单，递归分位数模型对参数也可能是非线性的。不同起始向量可能收敛到不同局部解；优化器报告收敛，只表示它满足了数值停止条件。必要时应尝试多个合理起始值，并检查生成的分位数路径。还要区分数值约束（例如要求损失阈值非负）和经济事实。不存在一个能保证所有 CAViaR 设定稳定的统一系数界限。稳定条件取决于模型形式、识别和输入过程的特性；原论文中的渐近结果也依赖明确假设，并排除了爆炸情形。

不确定性同样重要。尾部观察很少，尤其在 99% 水平下；目标分位数附近的条件密度会影响估计精度。非线性递归分位数参数的标准误需要采用适用于该问题的方法，例如合适的渐近估计或精心设计的 bootstrap。不要因为拟合曲线看起来精确，就认定尾部风险已经被精确掌握。

在 \(t-1\) 的预测时点，使用截至当时可得的收益和协变量估计参数并生成 \(v_t^\alpha\)。等该期结束后，再将预测与 \(L_t\) 比较。如果模型使用滚动或扩展窗口重新估计，每个窗口都必须在所声明的预测时点截止。用 \(L_t\) 构造 \(v_t^\alpha\)，或使用当时尚未发布、后来被修订的数据，都会把未来信息泄漏到预测中。

预测目标应与实际组合和期限一致。固定权重组合的日 VaR 并不自动等于日内持仓变化账户的 VaR；单日分位数也不是多日风险预测。应报告收益构造方式、计价货币、期限、市场收盘时点、组合再平衡规则，以及每个预测变量何时可用。变量转换、公司行动、陈旧价格和缺失交易日都会改变信息集和分位数动态。

常见递归形式自然适用于一步预测，因为 \(v_t\) 使用已观察到的 \(L_{t-1}\)。多步预测时，未来损失尚不可见。如果递归时填入后来实际发生的未来损失，就构成前视偏差。多期 VaR 需要明确处理未知未来路径的程序，例如模拟或另行指定的多期限模型，并应单独评估其中的假设。

假设一个假设性的 99% 日损失 VaR 使用上述非对称斜率递归。损失和 \(v\) 以百分点计量；用于演示、并非估计所得的参数为 \(\beta_0=0.10\)、\(\beta_1=0.80\)、\(\beta_2=0.35\) 和 \(\beta_3=0.10\)。若上一期预测为 \(2.00\%\)，而组合昨日损失为 \(3.00\%\)，则 \[ v_t^{0.99}=0.10+0.80(2.00)+0.35(3.00)+0.10(0)=2.75\%. \] 在这个例子中，较大的损失会提高今日阈值。若昨日组合不是亏损而是盈利 \(3.00\%\)，则 \(L_{t-1}=-3.00\%\)，另一分支给出 \[ v_t^{0.99}=0.10+0.80(2.00)+0.35(0)+0.10(3.00)=2.00\%. \] 这些系数仅用于说明递归计算；不同样本或参数化可能产生不同反应。

如果今日实际损失为 \(3.20\%\)，它超过 \(2.75\%\) 的预测，因此命中指标为 1。单次命中不能证明模型表现不佳，某一天没有命中也不能验证模型。如果条件校准正确，给定预测时点信息后，例外指标的条件均值应为 \(1-\alpha\)。在长期样本中，考虑抽样波动后，其平均值应接近这一比例。

VaR 是一种风险量度，表示给定概率和期限下的条件损失分位数。CAViaR 是预测这个量度的一种方法。Expected Shortfall 回答的是另一个问题：按照相应定义，选定尾部中超过 VaR 的平均损失是多少。单独一条 CAViaR 分位数路径并不能确定这个尾部均值，也不能确定阈值之外损失的分布形状。[VaR 与 Expected Shortfall 指南](/zh-CN/learn/value-at-risk-vs-expected-shortfall-explained)对这两种量度作了比较。

GARCH 递归建模条件方差或波动率；要从方差得到 VaR 分位数，还需要对标准化创新项作出分布假设。ARCH 和 GARCH 分别与 Engle 的 ARCH 模型和 Bollerslev 的 GARCH 扩展90063-1)相关。CAViaR 直接建模分位数，不要求完整的条件密度，但所选动态形式仍然包含假设。间接 GARCH-CAViaR 设定是连接两种方法的一种特殊形式，不能据此说所有 CAViaR 模型都是 GARCH。另请参阅 [GARCH 与波动聚集指南](/zh-CN/learn/volatility-clustering-garch-explained)。

样本内分位数损失较低，并不代表样本外风险预测可靠。应保留一个按时间顺序划分的评估期，仅用过去信息生成每个预测，并报告命中率，以及命中是否会聚集或能否被过去的信息预测。Kupiec 的无条件频率检验（1995）和 Christoffersen 的条件覆盖检验（1998）回答不同问题；Engle 和 Manganelli 的动态分位数检验则考察围绕零中心化的命中指标及所选工具变量上的特定限制。这些检验都不能覆盖所有模型设定错误。[VaR 回测指南](/zh-CN/learn/value-at-risk-backtesting-kupiec-christoffersen-explained)介绍了例外序列检验的原理。若要比较两个分位数预测，应在相同日期用同一 check loss 为两者评分，再用 [Diebold–Mariano 检验](/zh-CN/learn/diebold-mariano-test-forecast-accuracy-explained)比较相关的损失差；该检验评估的是相对预测损失，不是 VaR 校准或交易利润。

结果会随尾部概率、递归形式、初始化、估计窗口、组合和评估日期而变化。一个在某个分位数上拟合良好的模型，在另一个分位数上可能表现不佳；分别估计的分位数也可能交叉。结构突变、极端波动聚集、尾部样本稀少、持仓变化、市场跳空、流动性和执行成本都不会因递归 VaR 方程而消失。VaR 也不说明发生例外后损失有多严重。应将结果视为需要持续监控的模型风险阈值，而不是损失上限、盈利预测或独立交易规则。