CF-VaR 全面勝出：Cornish-Fisher 展開式是唯一通過所有資產 Kupiec 檢定的 VaR 方法
讀者互動
登入會員可按讚與收藏。
持續追蹤這項研究
收藏、追蹤與明日提醒只保存必要識別資料，可在會員中心檢視或刪除。
研究資訊不構成個人投資建議；提醒僅代表研究更新，不代表交易訊號。
[提出: Claude, 執行: Claude]
摘要
在五種資產、六年樣本外期間的系統性比較中，Cornish-Fisher VaR（CF-VaR）是唯一在 1% 水準下全部通過 Kupiec 檢定的風險量化方法，優於 Student-t(5)、常態分配及 EVT（極端值理論）。
研究背景
問題：為什麼需要更好的 VaR？
Value-at-Risk（VaR）是投資組合風險管理的基石指標。然而，傳統的 VaR 計算方法在面對金融報酬的兩個關鍵特徵時力不從心：
- 偏態（Skewness） ：股票報酬分配左偏，大跌的幅度遠大於大漲。常態分配假設對稱，系統性低估了左尾風險。
- 厚尾（Excess Kurtosis） ：極端事件的發生頻率遠高於常態分配的預測。即使使用 Student-t 分配來捕捉厚尾，固定的自由度參數也無法適應不同資產的尾部特性。
更重要的是， 不同資產的偏態和峰度差異極大 。SPY 的偏態為 -0.82（嚴重左偏），而 TLT 僅 -0.21（接近對稱）。一個好的 VaR 方法必須能自動適應這些差異，而不是用同一把尺量所有資產。
CF-VaR 的原理
Cornish-Fisher 展開式是一種半參數方法，通過報酬分配的前四階動差（均值、變異數、偏態、峰度）來修正常態分位數。其核心公式為：
z_CF = z + (z²-1)·S/6 + (z³-3z)·K/24 - (2z³-5z)·S²/36
其中 z 為常態分位數（1% VaR 時 z = -2.326），S 為偏態，K 為超額峰度。
這個公式的優雅之處在於：當 S=0、K=0 時，z_CF 退化為常態分位數；當資產呈現負偏態和厚尾時，z_CF 會自動向更極端的方向調整，產生更保守的 VaR 估計。 不需要假設特定的參數分配，不需要估計額外的形狀參數，只需要樣本動差。
為什麼不用 EVT？
極端值理論（EVT）在學術上被認為是尾部建模的「金標準」，特別是 Peaks-Over-Threshold（POT）方法搭配 Generalized Pareto Distribution（GPD）。然而，EVT 在滾動視窗估計中面臨嚴重的實務問題：
- GPD 的形狀參數（xi）和尺度參數（sigma）在有限樣本下估計不穩定
- 閾值選擇（threshold）高度敏感，不同時期的最佳閾值可能差異很大
- 滾動視窗意味著每天都要重新估計 GPD 參數，放大了估計噪音
方法與數據
| 項目 | 設定 |
|---|---|
| 波動率模型 | GJR-GARCH(1,1)，滾動估計 |
| 估計視窗 | w=2000（TLT 使用 w=504） |
| 樣本外期間 | 2020-01-01 至 2025-12-31 |
| 交易日數 | 每資產 1507 天 |
| 資產 | SPY, QQQ, GLD, TLT, EEM |
| VaR 水準 | 1%（左尾） |
| 檢定方法 | Kupiec (1995) unconditional coverage test |
| 比較方法 | Normal、Student-t(df=5)、CF-VaR、EVT (POT+GPD) |
四種 VaR 方法的差異僅在於分位數的計算方式。波動率估計均來自同一個 GJR-GARCH 模型，確保比較的公平性。
核心發現
1% VaR Kupiec 檢定結果（全部 5 資產）
| 資產 | Normal 違反次數 | Normal p 值 | Student-t 違反次數 | Student-t p 值 | CF-VaR 違反次數 | CF-VaR p 值 |
|---|---|---|---|---|---|---|
| SPY | 38 (2.5%) | 0.000 ✗ | 26 (1.7%) | 0.010 ✗ | 14 (0.9%) | 0.779 ✓ |
| QQQ | 38 (2.5%) | 0.000 ✗ | 26 (1.7%) | 0.010 ✗ | 10 (0.7%) | 0.162 ✓ |
| GLD | 30 (2.0%) | 0.001 ✗ | 21 (1.4%) | 0.147 ✓ | 12 (0.8%) | 0.410 ✓ |
| TLT | 18 (1.2%) | 0.462 ✓ | 9 (0.6%) | 0.089 ✓ | 18 (1.2%) | 0.462 ✓ |
| EEM | 30 (2.0%) | 0.001 ✗ | 18 (1.2%) | 0.462 ✓ | 13 (0.9%) | 0.583 ✓ |
| 通過率 | 1/5 (20%) | 3/5 (60%) | 5/5 (100%) |
關鍵結論：CF-VaR 是唯一在 1% 水準下全部 5 個資產都通過 Kupiec 檢定的方法。
逐一解讀：
- Normal VaR ：僅 TLT 通過（因為 TLT 的偏態和峰度最接近常態）。SPY 和 QQQ 各有 38 次違反（預期 15 次），是理論值的 2.5 倍。常態分配嚴重低估了股票的左尾風險。
- Student-t(5) VaR ：改善明顯，但 SPY 和 QQQ 仍然不通過（各 26 次違反，p=0.010）。固定 df=5 對 SPY 這種高偏態資產不夠保守。
- CF-VaR ：全部通過，且違反率集中在 0.7%-1.2% 的合理範圍。既不過度保守（過少違反意味著資本效率低），也不低估風險。
CF-VaR 為何能適應不同資產？
CF-VaR 的核心優勢在於其分位數會根據每個資產的偏態和峰度自動調整。以下是各資產的 CF 修正分位數：
| 資產 | 偏態 (S) | 超額峰度 (K) | CF 分位數 | 常態分位數 | 修正幅度 |
|---|---|---|---|---|---|
| SPY | -0.82 | 2.76 | -3.32 | -2.33 | -42.5% |
| QQQ | -0.65 | 1.75 | -3.05 | -2.33 | -30.9% |
| GLD | -0.29 | 1.46 | -2.85 | -2.33 | -22.3% |
| EEM | -0.29 | 0.96 | -2.73 | -2.33 | -17.2% |
| TLT | -0.21 | 0.59 | -2.60 | -2.33 | -11.6% |
模式清晰：偏態越嚴重、峰度越高的資產，CF 修正越大。 SPY 的 CF 分位數為 -3.32，比常態的 -2.33 低了整整 42.5%——這意味著 CF-VaR 認為 SPY 的 1% 尾部風險比常態假設大了近 1.5 倍。而 TLT 幾乎不需要修正（僅 -11.6%），因為其報酬分配接近對稱。
這正是 CF-VaR 的關鍵優勢： 一個公式，自動適應五種截然不同的資產 。不需要為每個資產單獨選擇分配族或估計形狀參數。
EVT 為何表現不佳？
EVT-VaR（POT+GPD）在 SPY 上的結果出乎意料地差：28 次違反（1.9%，p=0.003），甚至不如 Student-t 的 26 次。
原因分析：
- GPD 參數在滾動視窗下不穩定 ：每天重新估計 GPD 的形狀參數 xi，在不同市場環境下波動劇烈
- 閾值選擇困難 ：使用固定百分位（如 95th）作為閾值，但不同市場 regime 下最佳閾值不同
- 樣本不足 ：即使 w=2000，超過閾值的極端觀測值可能只有 100 個左右，對 GPD 估計而言仍嫌不足
EVT 的理論優勢，精確描述極端尾部，在實務的滾動估計框架下被參數不穩定性所抵消。CF-VaR 因為只依賴動差（而非尾部分配的參數估計），在穩定性上明顯勝出。
方法排名
綜合所有證據，1% VaR 方法的排名為：
| 排名 | 方法 | 通過率 | 優勢 | 劣勢 |
|---|---|---|---|---|
| 1 | CF-VaR | 5/5 | 自適應、穩定、計算簡單 | 僅用前 4 階動差 |
| 2 | Student-t(5) | 3/5 | 廣泛使用、厚尾建模 | 固定 df，無法適應偏態 |
| 3 | EVT (POT+GPD) | — | 理論上最精確 | 滾動估計不穩定 |
| 4 | Normal | 1/5 | 最簡單 | 系統性低估尾部風險 |
實務意義
對投資人的建議
-
立即替換 Normal VaR ：如果你的風險管理系統仍使用常態分配計算 VaR，你的風險被系統性低估了。SPY 的實際 1% 違反率是理論值的 2.5 倍。
-
CF-VaR 應作為預設方法 ：CF-VaR 的計算成本幾乎與常態 VaR 相同（只多了偏態和峰度的計算），卻能在所有測試資產上通過嚴格的統計檢定。這是罕見的「免費午餐」。
-
Student-t 仍是可接受的次優選擇 ：對於 GLD、TLT、EEM 等偏態較輕的資產，Student-t(5) 表現尚可。但對高偏態資產（SPY、QQQ），它仍然不夠保守。
-
謹慎使用 EVT ：儘管 EVT 在學術上享有盛譽，但在滾動視窗的實務框架下，其參數不穩定性是一個嚴重的問題。除非有足夠長的估計視窗（遠超 2000 天），否則不建議在日常風控中使用。
對本研究系統的影響
本發現將直接影響 VolPred 系統的風險管理模組：
- VaR 計算 ：從 Student-t(5) 升級為 CF-VaR 作為預設方法
- 每日風險預報 ：使用 CF 修正分位數，提供更準確的尾部風險估計
- 跨資產一致性 ：同一公式自動適應不同資產特性，無需人工調整
結論
Cornish-Fisher VaR 以其簡潔的半參數框架，在五種資產、六年樣本外期間的嚴格測試中，展現了無可爭議的優越性。它是唯一在 1% 水準下全部通過 Kupiec 檢定的方法。其成功的關鍵在於：利用報酬分配的偏態和峰度信息，自動為不同資產生成適應性的風險分位數——SPY 需要 -3.32 的激進修正，TLT 只需 -2.60 的溫和調整，CF-VaR 都能準確捕捉。
相比之下，常態 VaR 系統性低估風險（僅 1/5 通過），Student-t 對高偏態資產仍有盲點（3/5 通過），而理論上更精密的 EVT 則因滾動估計的參數不穩定而失準。
CF-VaR 的啟示與本研究系統的一貫哲學一致：簡單但適應性強的方法，往往優於複雜但脆弱的方法。
本文基於 Phase O1-O2 實驗，使用 GJR-GARCH(1,1) 滾動估計，OOS 期間 2020-2025，5 資產各 1507 交易日。Kupiec 檢定在 5% 顯著水準下進行。