市场风险测度之RNIV概述（二）

RNIV简述详见市场风险测度之RNIV概述（一）

本文我们将通过多个实例解释VaR模型未能覆盖到的风险，即RNIV。

RNIV实例

(一) 历史模拟

利用历史模拟法生成利率情景是最常用的计量利率风险VaR的方法。1天VaR值的历史模拟法将特定区间（例如500天）历史利率曲线的每日变化用于模拟当前利率变化情景，随后针对这些情景对投资组合重新定价，然后计算给定置信区间的VaR值。这里我们面临的主要问题是如何衡量历史利率曲线的变化，是用绝对变化还是相对变化？选择绝对变化法会出现负利率，而相对变化会导致脱离实际的利率变动。例如，在历史上低利率期间，利率的相对变化可能很高，将相同的利率变化比率应用于当前利率则不合实际。因此，无论我们选用相对变化还是绝对变化，都将面临一定的风险，因为选择利率曲线变化方法的差异，会导致在某些特定日期的特定利率变化可能无法被VaR模型捕捉到。
另外，历史模拟法也无法反映波动聚集效应。在历史模拟法中，过去的每个事件出现的概率都相同，然而金融市场大多呈现波动率聚集效应，即一个较大的市场波动后会跟随更大的波动。

(二) 利率建模

利率建模也是我们简化现实世界的一个例子，因此也存在VaR模型未涵盖的风险。利率曲线上包含了许多期限。所有这些期限利率之间高度相关。因此，我们通常使用主成分分析法从历史数据中计量三种主要类型的收益率曲线变化，也就是收益率曲线的平行上移或下移、收益率曲线的扭曲（也即短期利率上升同时长期利率下降，或者相反变化）以及收益率曲线弯曲（即短期利率和长期利率与曲线中间部分反向移动）。尽管期限利率高度相关，但他们之间仍存在某种程度的独立性。因此，仅通过这三类变化来测度所有利率变动将使我们忽略掉VaR模型无法捕捉到的风险。

(三) 股价变动

另一个例子是股票价格变动。使用Black-Scholes公式对期权定价是基于股票收益服从正态分布的假设。但在现实世界中，收益序列往往具有偏峰厚尾的特征，并不符合正态分布假设。另外，股票收益序列中也存在动量效应，股票的收益率有延续原来的运动方向的趋势，即过去较高的收益率往往会伴随着未来较高的收益，反之亦然，而用于计量股票及股票期权风险的VaR模型并不能捕捉到这种变化。

(四) 投资组合

我们也可以在投资组合层面监测RNIV。假设两家公司微软和瑞士信贷两者都具有信用评级“A”，我们购买1年期微软债券的同时，为避险也从瑞士信贷购买信用违约互换（CDS）。在这个过程中，我们向瑞士信贷支付溢价。假设一个月后，市场认为瑞士信贷的信用等级下降了，这意味着瑞士信贷发行的CDS价格将随之降低。这会降低我们投资组合（债券和CDS）的市场价值，而依赖于评级机构公布的信用评级的VaR模型无法捕捉到这一风险，因为评级机构可能还未更新瑞士信贷的信用评级，或者评级机构认为其市场贬值程度还不足以降低其评级。

RNIV识别

(一) 量化方法

从监管机构的角度来看，RNIV的概念已在巴塞尔协议2.5中进行了探讨，各大金融机构采取措施，识别、计量其VaR模型未涵盖的风险是非常有必要的。因每一风险因子都有不同的特点，且会随着市场条件或产品的不同而改变，因此，没有通用的方法来识别这类风险。对于有明确风险因子的金融产品，根据能够获取的市场信息的不同与满足的建模条件的不同，欧美投行多采用量化方法计量RNIV，作为对其VaR模型的补充。这些量化方法大致包含边际计量、独立计量、VaR情景计量与压力情景计量等。

(二) 压力测试

更难的是，每个投资组合都有自己的一系列风险，这些风险可能尚未被发现。除了对这类风险保持警惕之外，压力测试是评估其影响的一种重要方法。通过设计压力测试模型，结合其他宏观经济变量，开发投资组合定价的替代模型，我们可以将计算结果表示为类似VaR值的数字，评估给定情景下的损失估计。通过对比压力测试结果与VaR值，我们能够大致了解投资组合中VaR模型未涵盖的风险。

(三) 多方验证

数据是真实世界的体现，而模型则是真实世界的人为简化。因此，没有任何模型可以完全捕获数据中的所有可用信息，并准确预测所有趋势。当数据有限且不可靠时，这一问题会变得更复杂。除此之外，VaR模型是模型中的模型。RNIV是在对现实世界的简化过程中被遗漏的风险。当投资环境变好时，因为一切业务都按照预期进行，这些风险就会隐藏起来，但这些风险可能会在未预期的事件中突现，并产生巨大影响。每一个投资组合都有其独特的风险集合未被其相应的VaR模型涵盖。因此，投资者和模型开发人员必须从不同的角度分析问题以获得最优结果，并通过更为相似的分布及相似的业务或产品（通过专家判断和独立研究）来验证VaR模型给出的风险评估结果。