79、C++项目实战：风险价值（VaR）计算

风险价值，英文叫 Value at Risk，简称 VaR。说白了就是回答一个问题：“在给定的置信水平下，我的投资组合最多可能亏多少钱？”

举个例子：你手里有 100 万股票，95% 置信水平下的日 VaR 是 5 万。意思就是：在 100 个交易日里，大概有 95 天你的亏损不会超过 5 万。剩下的 5 天，亏多少？那就不好说了——VaR 只管“门槛”，不管“门槛后面有多深”。

我在做量化风控系统时，VaR 几乎是每个交易员每天早上必看的数据。嗯，今天我们就用 C++ 把它实现出来。

VaR 的三种主流计算方法

计算 VaR 的方法很多，但最常用的就三种。我个人习惯把它们分成“简单粗暴”、“假设驱动”和“暴力模拟”三类。

方法	核心思想	适用场景
参数法（方差-协方差法）	假设收益率服从正态分布	资产数量多、数据量大
历史模拟法	直接用历史收益率排序	分布未知、有厚尾风险
蒙特卡洛模拟法	随机生成大量路径	复杂衍生品、非线性组合

今天我们先实现前两种。蒙特卡洛那个，说实话计算量太大，我一般只在期权组合里用。

参数法：最快，但假设最强

参数法的公式很简单：

VaR = - (μ - z * σ) * P

其中：

• μ 是收益率均值
• σ 是收益率标准差
• z 是置信水平对应的分位数（95% 对应 1.645，99% 对应 2.326）
• P 是当前投资组合市值

你看，这个公式假设收益率是正态分布。但真实市场哪有那么乖？我见过好几次，模型算出来 VaR 是 2%，结果第二天直接跌了 5%。这就是“正态分布假设”的坑。

C++ 实现参数法

#include <vector>
#include <cmath>
#include <numeric>
#include <algorithm>

double calculateMean(const std::vector<double>& returns) {
    double sum = std::accumulate(returns.begin(), returns.end(), 0.0);
    return sum / returns.size();
}

double calculateStdDev(const std::vector<double>& returns, double mean) {
    double sq_sum = 0.0;
    for (double r : returns) {
        sq_sum += (r - mean) * (r - mean);
    }
    return std::sqrt(sq_sum / returns.size());
}

double parametricVaR(double portfolioValue, double mean, double stddev, double zScore) {
    // VaR = -(μ - z * σ) * P
    double var = -(mean - zScore * stddev) * portfolioValue;
    return std::max(0.0, var);  // VaR 不能为负
}

这段代码我写过不下十次。每次写的时候都会提醒自己：均值 μ 一定要用年化还是日化？ 如果输入的是日收益率，算出来的 VaR 就是日 VaR。别搞混了。

历史模拟法：简单，但有效

历史模拟法就一句话：把过去 N 天的收益率排个序，取第 5% 分位数的那个值。

为什么我喜欢这个方法？因为它不需要任何假设。市场是什么样，数据就是什么样。你想想看，如果过去 1000 天里有 10 天跌了 10%，那历史模拟法算出来的 VaR 就会包含这个信息。参数法呢？它会把 10% 当成“异常值”平滑掉。

C++ 实现历史模拟法

double historicalVaR(std::vector<double> returns, double confidenceLevel) {
    // 排序
    std::sort(returns.begin(), returns.end());
    
    // 找到分位数索引
    int index = static_cast<int>((1.0 - confidenceLevel) * returns.size());
    index = std::max(0, std::min(index, static_cast<int>(returns.size()) - 1));
    
    return -returns[index];  // 返回正值 VaR
}

代码就这么几行。但注意：排序前一定要复制一份数据，别把原始数据改了。我刚开始写的时候就在这栽过跟头——排序后原始收益率全乱了，后面算均值全错。

核心知识体系

下面这张图是我自己总结的 VaR 计算知识结构。每次带新人时，我都会先让他们看这张图。

完整示例：组合 VaR 计算

下面我把两种方法整合到一个类里。这个类我在实际项目中用过，结构还算清晰。

#include <iostream>
#include <vector>
#include <cmath>
#include <algorithm>
#include <numeric>

class VaRCalculator {
private:
    std::vector<double> returns;
    double portfolioValue;
    
public:
    VaRCalculator(const std::vector<double>& ret, double value)
        : returns(ret), portfolioValue(value) {}
    
    // 参数法
    double parametric(double confidenceLevel) {
        double mean = calculateMean();
        double stddev = calculateStdDev(mean);
        double zScore = getZScore(confidenceLevel);
        
        double var = -(mean - zScore * stddev) * portfolioValue;
        return std::max(0.0, var);
    }
    
    // 历史模拟法
    double historical(double confidenceLevel) {
        std::vector<double> sorted = returns;
        std::sort(sorted.begin(), sorted.end());
        
        int index = static_cast<int>((1.0 - confidenceLevel) * sorted.size());
        index = std::max(0, std::min(index, (int)sorted.size() - 1));
        
        return -sorted[index] * portfolioValue;
    }
    
private:
    double calculateMean() {
        return std::accumulate(returns.begin(), returns.end(), 0.0) / returns.size();
    }
    
    double calculateStdDev(double mean) {
        double sq_sum = 0.0;
        for (double r : returns) {
            sq_sum += (r - mean) * (r - mean);
        }
        return std::sqrt(sq_sum / returns.size());
    }
    
    double getZScore(double confidence) {
        // 常用分位数近似值
        if (confidence >= 0.99) return 2.326;
        if (confidence >= 0.975) return 1.96;
        if (confidence >= 0.95) return 1.645;
        if (confidence >= 0.90) return 1.282;
        return 1.0;  // 默认
    }
};

int main() {
    // 模拟 100 天的日收益率（百分比）
    std::vector<double> dailyReturns = {
        -0.5, 1.2, -0.3, 0.8, -1.1, 0.4, -0.7, 1.5, -0.2, 0.9,
        -0.6, 0.3, -1.0, 0.7, -0.4, 1.1, -0.8, 0.5, -0.9, 1.3
    };
    
    double portfolioValue = 1000000.0;  // 100 万
    
    VaRCalculator calc(dailyReturns, portfolioValue);
    
    std::cout << "=== VaR 计算结果 ===" << std::endl;
    std::cout << "投资组合价值: " << portfolioValue << " 元" << std::endl;
    std::cout << "置信水平: 95%" << std::endl;
    std::cout << "参数法 VaR: " << calc.parametric(0.95) << " 元" << std::endl;
    std::cout << "历史模拟法 VaR: " << calc.historical(0.95) << " 元" << std::endl;
    
    return 0;
}

你看，两种方法算出来的结果不一样。历史模拟法通常更保守，因为它直接用了历史数据里的真实跌幅。参数法会把极端值“平均化”，所以结果往往偏小。

避坑指南

做 VaR 计算这几年，我踩过的坑不少。挑几个最典型的说说：

• 数据频率不匹配：我曾经把日收益率和年化标准差混在一起算，结果 VaR 大得离谱。后来养成了习惯：输入什么频率，输出就是什么频率。
• 置信水平选错：95% 和 99% 的 VaR 能差一倍。监管要求通常是 99%，但内部风控用 95% 更常见。别搞混。
• 忽略流动性风险：VaR 算的是“市场风险”，但如果你持有的资产流动性差，实际亏损可能远大于 VaR。我记得有一次，一个冷门债券的 VaR 只有 2%，但想卖的时候根本没人接盘，最后亏了 8%。

好了，VaR 计算的核心内容就这些。代码可以直接拿去用，但记得根据你的数据格式做调整。如果遇到什么问题，欢迎交流。

---

公众号:蓝海资料掘金营，微信deep3321