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

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：

1.  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。
2.  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

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）

 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：

 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：

實務意義

對投資人的建議

1.  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。

2.  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」。

3.  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。

4.  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。