cvarexpected-shortfalllinear-programmingrisk-measuredrawdowncredit-risk

CVaR 优化 (CVaR Optimization)

一句话：CVaR（条件风险价值，又称 Expected Shortfall）是"最差 \alpha 比例损失的平均"；Rockafellar 与 Uryasev 证明它可以写成"分位点 \zeta + 超额损失"的分段线性形式，于是最小化 CVaR 等价于一个线性规划 (LP)——这是它能撑起百万级情景的大规模组合优化的原因。

定义

对损失随机变量 Z，置信水平 \alpha\in(0,1)：

\mathrm{CVaR}_\alpha(Z) \;=\; \frac{1}{1-\alpha}\,\mathbb E\!\left[\,Z \,\middle|\, Z \ge \mathrm{VaR}_\alpha(Z)\,\right]

直观说法：最差那 (1-\alpha) 比例的情形，平均亏损多少。它是 VaR 的"尾部平均版"，只比 VaR 多了尾部内部的平均，因此对尾部更敏感。

Rockafellar-Uryasev 的线性规划刻画

设 f(x,y) 是决策 x（组合权重）在情景 y 下的损失函数，y^{(1)},\dots,y^{(J)} 是 J 个情景。核心是分段线性函数

F(x,\zeta) \;=\; \zeta + \frac{1}{(1-\alpha)J}\sum_{j=1}^{J}\left(f(x,y^{(j)})-\zeta\right)_+

其中 (\cdot)_+ 表示取正部。两个定理给出全部结论：

  • Theorem 1：\mathrm{CVaR}_\alpha(x)=\min_{\zeta\in\mathbb R} F(x,\zeta)，且取到最小值的 \zeta_\alpha(x) 就是 VaR（最小极小点）。
  • Theorem 2：\min_{x\in X}\mathrm{CVaR}_\alpha(x)=\min_{\zeta\in\mathbb R,\,x\in X} F(x,\zeta)。

引入辅助变量 z_j \ge f(x,y^{(j)})-\zeta、z_j\ge 0 之后，整个问题化为线性规划——这就是"CVaR 优化"这个名字的来源。

三个 CVaR 变体的关系

讲义用下图示说明三者的次序：\mathrm{VaR} \le \mathrm{CVaR}^{[-]} \le \mathrm{CVaR} \le \mathrm{CVaR}^{[+]}，且

\mathrm{CVaR} \;=\; \lambda\,\mathrm{VaR} + (1-\lambda)\,\mathrm{CVaR}^{[+]},\qquad \lambda=\frac{\Psi(\mathrm{VaR})-\alpha}{1-\alpha}\in[0,1]

  • \mathrm{CVaR}^{[+]} = 严格超过 VaR 的损失的条件期望（Mean Excess Loss / Expected Shortfall）；
  • \mathrm{CVaR}^{[-]} = 弱超过 VaR 的损失的条件期望（Tail VaR）；
  • \lambda 刻画 VaR 处的那个"原子"是否被切开：\lambda=0 表示不切，\lambda>0 表示切。

讲义用三个离散分布小例覆盖三种情形：VaR 不切原子（\alpha<\mathrm{CVaR}=\mathrm{CVaR}^{[+]}）、VaR 切原子（\alpha<\mathrm{CVaR}<\mathrm{CVaR}^{[+]}）、\alpha 切到最后一个原子（此时 \mathrm{VaR}=\mathrm{CVaR}^{[-]}=\mathrm{CVaR}，\mathrm{CVaR}^{[+]} 无定义）。

注意：离散分布下 \mathrm{CVaR}^{[+]} 与 CVaR 不相等；Acerbi 等人后来重定义了 Expected Shortfall 以与 CVaR 对齐。

性质

  1. CVaR 是一致风险测度：平移不变、次可加、正齐次、相对于随机占优单调——即Artzner 等 1999 的四公理。VaR 不满足次可加性，CVaR 满足。
  2. 关于 \alpha 连续：VaR、\mathrm{CVaR}^{[-]}、\mathrm{CVaR}^{[+]} 在 \alpha 上可能不连续，CVaR 不会。
  3. 统计估计更稳：CVaR 是"积分型"统计量（对整个尾部求条件期望），而 VaR 可能被单个情景显著影响。
  4. 正态情形下与均值-方差一致：收益正态且收益约束起作用时，最小化 CVaR、最小化 VaR、最小化方差这三个问题有相同的解。

规模与应用

讲义称 LP 形式可用于超过 1,000,000 个工具与情景的问题，且数值快速稳定；CVaR 约束也可直接替换为一组线性约束（多档 \alpha 的多约束即可塑造损失分布形状），适合在线算法与主动组合管理。

组合复制算例（SP100，30 只股票） 用 CVaR 约束做指数跟踪：

CVaR 水平 w 样本内目标函数 (%) 样本外目标函数 (%) 样本外 CVaR (%)
0.02 0.71778 2.73131 4.88654
0.01 0.82502 1.64654 3.88691
0.005 1.11391 0.85858 2.62559
0.003 1.28004 0.78896 2.16996
0.001 1.48124 0.80078 1.88564

w=0.02 时 CVaR 约束不起作用，w\le 0.01 时起作用；w=0.005 时最优 \zeta^*=0.001538627671 对应 VaR，600 个情景中有 14 个落在 VaR 点、54 个超过 VaR，\lambda=(546/600-0.9)/0.1=0.1，于是 \mathrm{CVaR}^{[-]}=0.004592779726 < \mathrm{CVaR}=0.005 < \mathrm{CVaR}^{[+]}=0.005384596925。讲义指出：收紧 CVaR 降低样本外跟踪误差，但也抬高样本内目标函数；样本外目标函数的下降被作者标注为"依赖数据，在其他数据集上未观察到"。

信用风险算例：197 只债券、86 个债务人、29 个国家、市值 88 亿美元，组合久期约 5 年；20000 条蒙特卡洛情景下损失分布偏斜长尾：预期损失 9500 万美元、标准差 2.32 亿美元、VaR(99%) 10.26 亿美元、CVaR(99%) 13.20 亿美元。

CDaR：把回撤当损失函数

回撤定义 f(x,t)=\max_{0\le\tau\le t}\left[w(x,\tau)-w(x,t)\right]_+。条件回撤风险 (CDaR) 就是以回撤为损失函数的 CVaR，即"过去最差的 z\% 回撤的平均"，同样可用 LP 控制与优化。这是对均值-方差框架的一个补充维度——风险口径从"波动"换成"回撤"。

尾部条件期望 TCE

Artzner 等 1999 定义的尾部条件期望 TCE 是把尾部均值按概率加权的版本；他们同时给出最坏条件期望 WCE（在所有满足尾部条件期望约束的分布里取最坏），并证明 \mathrm{TCE}_\alpha \le \mathrm{WCE}_\alpha，且任何相干、只依赖分布、且不低于 VaR 的测度都必不低于 WCE。这是把 CVaR 放进"一族测度"框架的做法。

局限与开放问题

  • 分位点约束 \zeta_\alpha(x)\le\varepsilon 与概率约束 \Pr\{f(x,y)\le\varepsilon\}\ge\alpha 在离散分布下都是非凸约束；Testuri-Uryasev 证明了百分位约束与低分位矩约束（a=1）在最优解意义下的等价性。
  • CVaR 只刻画单一尾部的平均，不区分"厚尾但浅"与"薄尾但深"；需要多个 \alpha 档位的约束组合才能塑造损失分布形状。
  • 正态假设下 CVaR 与方差优化同解这个结论，只在正态 + 约束起作用时成立；非正态下两者会给出不同的组合。
  • 讲义是综述性 slides，CDaR 部分明言"详细讨论超出本讲义范围"。

与其他概念的关系

来源