Rockafellar & Uryasev — 条件风险价值 (CVaR)
R.T. Rockafellar（美国西北大学）· Stan Uryasev（佛罗里达大学 ISE 风险管理与金融工程实验室） · The Journal of Risk 2(3): 21–41, 2000；配套 Research Report 2001-5 (ISE, Univ. of Florida) · 本次归档为 Uryasev 的综述讲义 本次归档:
raw/papers/200103-conditional-value-at-risk-algorithms/(paper.pdf 703 KB + extracted.md)
一句话核心
CVaR（条件风险价值，又称 Expected Shortfall）把"最差 \alpha 比例的损失的平均"这个分段线性、凸的尾部风险度量写成"分位点 \zeta + 超额损失 z_j"的形式，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；讲义同时给出尾部条件期望 TCE 的相干化版本与条件回撤风险 (CDaR)。
问题与关键结构
记 f(x,y) 为决策 x（组合权重）在情景 y 下的损失函数，y^{(j)} 为 J 个情景。核心定义是 Rockafellar-Uryasev 的分段线性函数
F(x,\zeta) \;=\; \zeta + \frac{1}{(1-\alpha)J}\sum_{j=1}^{J}\left(f(x,y^{(j)})-\zeta\right)_+
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 后，整个问题化为 LP。
三个 CVaR 变体的关系（讲义图示）：\mathrm{VaR} \le \mathrm{CVaR}^{[-]} \le \mathrm{CVaR} \le \mathrm{CVaR}^{[+]}，其中
\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 处那个"原子"是否被切开：\lambda=0 表示 VaR 不切原子，\lambda>0 表示切。
讲义用三个离散分布小例说明三种情形：VaR 不切原子（\alpha<\mathrm{CVaR}=\mathrm{CVaR}^{[+]}）、VaR 切原子（\alpha<\mathrm{CVaR}<\mathrm{CVaR}^{[+]}）、\alpha 切最后一个原子（\mathrm{VaR}=\mathrm{CVaR}^{[-]}=\mathrm{CVaR}，此时 \mathrm{CVaR}^{[+]} 无定义）。
关键发现
CVaR 是一致风险测度。讲义明确列出：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。同时它关于 \alpha 连续，而 VaR、\mathrm{CVaR}^{[-]}、\mathrm{CVaR}^{[+]} 在 \alpha 上可能不连续。
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。
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。
LP 规模。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。单工具最优对冲的逐国结果在讲义表中给出（如俄罗斯的 VaR 724 / CVaR 937 百万美元，巴西 612 / 767）。
CDaR（条件回撤风险）。回撤定义 f(x,t)=\max_{0\le \tau\le t}\left[w(x,\tau)-w(x,t)\right]_+；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。
重要 caveat
- \mathrm{CVaR}^{[+]}（严格超过 VaR 的条件期望）与 CVaR 在离散分布下不相等；Acerbi 等人后来重定义了 Expected Shortfall 以与 CVaR 定义对齐（讲义引用）。
- 讲义自己标注：样本外目标函数随 CVaR 收紧而下降的效果"依赖数据集"。
- 讲义是综述性 slides，不是完整论文；CDaR 部分明言"详细讨论超出本讲义范围"。
- 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；讲义指出 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。
对 quant wiki 的意义
- CVaR 优化 页的 LP 刻画与性质来自本讲义。
- 一致风险测度 页所说的"CVaR 是 VaR 的最小相干上界"，在讲义里表现为 \mathrm{VaR}\le \mathrm{CVaR} 且 CVaR 满足四公理。
- 与 风险平价 的关系：CDaR 把"回撤"而非"波动"作为风险口径，是对均值-方差框架的补充维度。
- 讲义列出的应用清单（股票组合、期权对冲、信用风险、资产负债管理、指数复制、平仓策略）是评估策略类 wiki 页面时可引用的实务场景。
相关概念
- CVaR 优化 —— 主概念页
- 一致风险测度 —— CVaR 的公理依据
- R.T. Rockafellar · Stan Uryasev