把風險尺度換成 expectile，能更準抓到債券的尾部風險嗎？

每個投資組合都要回答同一個問題：明天最壞會賠多少？業界的標準答案叫 VaR，中文常譯成「風險值」。

算 VaR 有很多把尺。最近幾年學界很推一把新的，叫 expectile。它在銀行監理圈討論度很高，理論上同時滿足兩個漂亮的數學性質，還被拿來當 Basel 新規的候選工具。

問題是，漂亮的理論會不會轉成帳面上更準的風險預測？我們拿長天期美債 TLT 和高收益債 HYG 的每日報酬，實測了一輪。樣本從 2010 年 1 月起，正式打分從 2015 年起算，每個資產與風險門檻各累積 2891 個交易日。

兩把尺量的是同一件事，量法不一樣

傳統 VaR 用的是分位數。把所有可能的虧損從小排到大，5% VaR 就是排在第 5% 那個位置的損失。它只在意一件事：明天有沒有跌破這條線。至於跌破之後賠得多深，它不管。

expectile 換了一種量法。它不只看有沒有踩線，還把每一筆虧損踩得多深、獲利墊得多厚，全部用加權平均算進去，而且越極端的虧損給越大的權重。這讓它理論上對尾巴的形狀更敏感。

用生活化的講法：分位數像考試只看及不及格，expectile 連你考幾分、差幾分都記進帳。聽起來後者資訊更多、應該更準。實測是不是這樣，要看數字。

帳面上，expectile 有時候真的小贏

下表是四個模型在四個情境的平均罰分（pinball loss），數字越小代表 VaR 抓得越準。HS250 是只看過去 250 天歷史的陽春做法，LinearQR 是吃了總經變數的分位數回歸，也就是這次真正要比的對手。ALSExpectile-VaR 和 CARE-SAV 是兩個 expectile 家族的模型。

看 TLT 5%：CARE-SAV 的罰分 0.000958，比分位數回歸的 0.000977 低了一點。HYG 1% 也一樣，0.000144 對 0.000148，expectile 家族排在前面。

先別急著開香檳。四個情境裡 expectile 只在其中兩個小贏，另外兩個反而略輸給分位數回歸。帳面上的勝負是散的，不是一面倒。

「小贏」跟「贏得夠穩」是兩回事

真正的關鍵在下一步：這點差距是真本事，還是抽樣運氣？判斷的工具是統計檢定，它會吐出一個 t 值，絕對值越大，代表兩個模型的差距越站得住腳。我們設的門檻很嚴，t 的絕對值要大於 3 才承認有優勢。

把兩個 expectile 模型分別對上分位數回歸，四個情境各兩場，總共八場對決。八場裡最接近的一場是 TLT 1%，t 值 1.91，離門檻 3 還差一大截，對應的偶然機率還有 5.6%。其餘七場更小。

白話講：帳面上的那點領先，統計上分不清是實力還是運氣。expectile 沒有任何一場「顯著」贏過老派的分位數回歸。

校準這一關，大家都及格

這張圖看的是命中率。每根柱子是各模型實際踩線的比率，黑色虛線是目標：5% 那兩組對齊 0.05，1% 那兩組對齊 0.01。柱子越貼近虛線，代表這把尺校得越準。

以 CARE-SAV 為例，TLT 5% 的實際踩線率 5.08%，幾乎壓在 5% 線上；HYG 1% 是 0.93%，也貼著 1%。分位數回歸同樣控在附近。四個模型沒有誰明顯失準。

所以 expectile 的問題不在準度，在於領先幅度不夠大。它拿到了合格的校準，卻沒換到統計上站得住的優勢。

值得補一句：這些模型全都明顯打敗了陽春的 HS250。以 HYG 5% 為例，expectile 對 HS250 的 t 值到 -2.4，方向很清楚。但 HS250 太弱，不是公平對手，真正該比的還是同樣吃了總經變數的分位數回歸。

一個「沒有優勢」的結果，為什麼要寫出來

金融行銷最愛的句型是：某某新方法更先進、更符合國際監理趨勢。expectile 每個條件都符合，理論漂亮、有 Basel 討論背書、名詞聽起來就很高級。但這串光環，跟你帳戶裡會不會多出錢，是兩回事。

這次實測給的答案很樸素：在這組債券資料上，換上更高級的數學尺子，跟老老實實的分位數回歸分不出高下。沒有更好，也沒有更差。

對一般投資人，這種結果的價值在於擋掉一次無謂的換裝。下次有人拿「理論更完備、符合新監理」這種話術推銷一個模型，你可以先問兩句：拿真實資料比過嗎？贏的幅度過得了統計這一關嗎？

這次的誠實答案是：還沒。留著這個 null 結果，比硬把它包裝成突破更有用。

懶人包圖組