风控思维营

亏钱有两种：买错了（方向风险——某只资产/个股的方向判断错）和组合太挤（结构性风险——持仓高度同涨同跌、回撤太深、尾部太肥）。Risk Engine 风险引擎管的是后者：把「我可能亏多少」用数字 + 概率 + 情景三种方式讲清楚，是组合层面的全息体检表。

三大误解（素材定锚口径）：① 低 VaR ≠ 安全——VaR 只回答「正常情况下亏多少」，不管小概率大灾难；② 风险 ≠ 波动率——波动率是速率（一年上下晃多少），风险是终点（从最高点跌到哪）；回撤 50% 翻倍难、回撤 20% 容易恢复；③ 风险不是单个数字——真实风险是一束概率分布，单一数字只是压缩版。

核心词素：VaR（在险价值）、CVaR（条件风险价值）、压力测试、相关性、MDD（最大回撤）——本营 6 章就围着这 5 个词转。

怎么用：打开 /health 就是一份「组合风险体检表」，P-203 三档情景（最好/一般/最坏）直观呈现「一束分布」而非一个数；边界：风险引擎只能算「过去的病」——数据是历史回放 + 概率外推；何时失效：真正的黑天鹅永远在盲区，体检能发现已知的病，发现不了还没得的病。

一句话定义：VaR（Value at Risk 在险价值）回答「正常情况下最坏会亏多少」——给定置信度（如 95%）和持有期（如 1 天/1 月），未来 N 天最大可能亏损。

4 种算法取舍（素材六刀口径）：① 参数 VaR：假设正态，95% 时 μ − 1.65σ——最快但不准（不考虑厚尾）；② 历史 VaR：收益率序列第 5 百分位——真实但反应慢（黑天鹅没历史）；③ 蒙特卡洛 VaR：模拟 N 条未来路径取分位——灵活但耗算力；④ Cornish-Fisher VaR：z_CF = z + (z²−1)S/6 + (z³−3z)K/24 − (2z³−5z)S²/36，用偏度 S + 峰度 K 修正正态——兼顾速度与厚尾，但极端分布（如 Cauchy）依然失效。

历史线（素材八刀）：1952 马科维茨均值方差 → 1980s J.P. Morgan 推出 VaR → 1996 巴塞尔协议资本充足率 → 2008 金融危机暴露 VaR 缺陷（相关性崩盘 + 厚尾）→ 业界推 CVaR/Expected Shortfall。

怎么用：每个算法先问「它会在什么时候失效」——参数法黑天鹅时实际亏损远超 1.65σ、历史法样本期没灾难未来就有、C-F 极端分布失效；边界：VaR 只答「正常情况」，不管小概率大灾难；何时失效：把 VaR 当全部风险时。

一句话定义：CVaR（条件风险价值 / Expected Shortfall 期望损失）= E[L | L > VaR_α]——超过 VaR 的那些最坏情况的平均亏损。保险类比：VaR 像免赔额，CVaR 像出险后平均赔多少——保险公司真正关心的是后者。

为什么 CVaR 比 VaR 好：VaR 不是一致风险度量（不满足次可加性），CVaR 是一致风险度量——组合的 CVaR ≤ 各部分 CVaR 之和，分散真的会降低尾部风险；2008 金融危机后业界推 Expected Shortfall。

与 VaR 的关系：VaR 问「最坏门槛在哪」，CVaR 问「跨过门槛后还要亏多少」——两个数字并排看：一个管日常、一个管尾部。回撤也有回撤版 CVaR：CDaR（条件回撤）。

怎么用：看产品里 VaR 与 CVaR 并排展示的地方，读懂「一个管日常、一个管尾部」；边界：CVaR 也依赖历史数据与分布假设，极端分布下照样失效；何时失效：数据样本不含尾部灾难时。

一句话定义：假设历史重演 / 黑天鹅发生时，组合会亏多少。三类方法（素材口径）：① 历史情景（2008 金融海啸 / 2020 疫情熔断 / 2022 加密暴雷）；② 合成冲击（相关性 +1 全部同跌、波动率 ×3、利率 +300bp）；③ 反向压力测试（问「要发生什么才会让组合破产」，再往回设计）。

相关性盲区（素材六刀）：2008 前资产相关性约 0.3，崩盘时飙升到 0.9+——平时「分散」的资产在危机中一起跌，VaR 被击穿。「分散假象」是散户 4 大盲区之一。

黑匣子 + 雷达 + 应急手册（素材隐喻）：黑匣子记历史（历史情景）、雷达看未来（合成冲击）、应急手册给方案（反向压力测试写应对）——压力测试就是把三样东西拼在一起。

怎么用：/health 的三危机事件压力测试就是历史情景的现成产品，/portfolio 的 eventId 冲击是动手版；边界：压力测试是「假设」，不是「预测」；何时失效：只测历史重演、不测合成冲击时——新黑天鹅不在历史里。

相关性：资产间同涨同跌的程度，用 Pearson 相关系数矩阵度量（-1 完全反向 ~ +1 完全同向）。分散的前提是「独立」，不是「多」——买 10 只同涨同跌的基金 ≈ 买 1 只。

有效分散度（素材 + 产品口径）：N_eff = 1/(wᵀRw)——名义持仓 vs 有效持仓；当资产高度相关时 N_eff 远小于持仓数。corrDrag 相关性拖累 = max(0, effNHhi − effN)；重复组检测：corr>0.8 连通分量 ≈ 近似重复持仓。

回撤：MDD 最大回撤是从最高点到最低点的跌幅——散户最容易感知的痛。「回撤 50% 要涨 100% 才回本」的复利不对称：回撤 20% 容易恢复，回撤 50% 翻倍难。

怎么用：/correlation 直接给 N_eff/corrDrag/重复组，/lab 回测给 maxDrawdown 与 >30% 回撤体检；边界：相关性是历史统计，崩盘时会失效（2008 前 0.3 → 崩盘 0.9+）；何时失效：只看名义持仓数不看 N_eff 时。

model risk 模型风险：所有人都算 VaR → 都用同一模型 → 同样的脆弱——当危机来临时，模型的共同假设一起失效，市场「共因失败」。散户 4 大盲区之一就是「模型共因失败」。

过拟合机制：样本内最优参数 ≠ 样本外有效——在历史数据上反复调参，总能找到「完美」回测，但那是对噪声的记忆，不是对规律的发现。跟风抄「历史最优参数」的策略，实盘大概率翻车。

检验方法：训练/检验切分（前 70% 训练 / 后 30% 检验）；1000 组参数扫描会看到大量「伪圣杯」——样本外一测就原形毕露。

元反思：Risk Engine 只能算「过去的病」，新病要靠人——模型风险是 Risk Engine 的原罪；体检能发现已知的病，发现不了还没得的病。怎么用：任何「历史回测年化 60%」先问样本内外与参数组数；边界：模型风险无法消除，只能管理；何时失效：只看样本内最优参数时。