《Journal of Empirical Finance》：A novel scaling approach for unbiased adjustment of risk estimators
编辑推荐：
在金融行业，将风险度量缩放至不同时间范围或不同置信水平是一种成熟的方法。这一过程（下文称为风险缩放）通常应用于在险价值（VaR）或期望损失（ES）以估计资本储备。特别地，这包括为支柱1市场风险资本报告的内部模型法（IMA）设计的模型，其中1天持有期被缩放至10
在金融行业，将风险度量缩放至不同时间范围或不同置信水平是一种成熟的方法。这一过程（下文称为风险缩放）通常应用于在险价值（VaR）或期望损失（ES）以估计资本储备。特别地，这包括为支柱1市场风险资本报告的内部模型法（IMA）设计的模型，其中1天持有期被缩放至10天持有期，或经济资本模型，其中置信水平和持有期同时缩放。实际上，基于平方根时间规则的时间缩放程序是估计10天在险价值（VaR）时最常用的选择；监管监测报告一致证实，约80%的金融机构（包含在研究中）在估计10天VaR时使用时间缩放。此外，风险缩放常用于量化与“不在VaR中的风险（RNIV）”和“不在模型引擎中的风险（RNIME）”监管框架中的奇异风险因子相关的风险。这在数据稀缺时特别有用，例如仅能获得月度报价的情况。风险缩放也是即将推出的非可模型化风险因子（NMRF）框架的组成部分。关于风险缩放有丰富的文献，特别关注源于基础过程自相似性的时间范围缩放。然而，基于平方根时间规则的缩放导致若干问题，特别是产生有偏估计量。还有大量关于置信水平缩放的文献，其单独或与时间范围缩放联合考虑。置信水平缩放通常基于分位数比率、卷积方法、半参数尾部估计、极值理论或动态缩放指数建模。令人惊讶的是，尽管这是从业者广泛采用的方法，但尚未建立通用的风险缩放行业标准，特别是关于置信水平缩放。研究人员以此为起点，开发了一个新颖的通用框架，该框架允许高效的风险缩放，同时控制可能的风险低估。研究人员表明，引入的风险缩放可有效弥补估计量的某些缺陷：首先，它可用于将风险有偏估计量缩放为风险无偏估计量。此处，风险偏差按Pitera和Schmidt（2018）引入的概念理解。由于风险估计高度非线性，统计偏差在风险估计背景下是不够的，而风险偏差有效考虑了非线性。其次，经典的风险缩放（随时间或置信水平）通常也存在引入风险偏差的类似问题，这也可在引入的框架中得到补救。研究人员方法的基础是研究一个用缩放风险度量担保的头寸，并确定使担保头寸可接受的最小缩放因子。在某些情况下（并非总是），还可以进一步分离不同的缩放维度，如时间尺度和置信尺度。此外，研究人员的方法能够直接控制回测性能，消除其他缩放方法中的不必要偏差。研究人员的数值示例和实证研究均证明了所提出方法的可行性和有效性。
**论文解读文章**
**研究背景与问题**
在金融行业中，风险度量（如VaR和ES）的缩放是资本储备估计的核心实践，常用于将1天持有期缩放至10天（如IMA框架）或调整置信水平（如经济资本模型）。然而，现有方法存在严重缺陷：基于平方根时间规则的时间缩放和基于正态分位数比的置信水平缩放，虽然简便，但常导致风险估计有偏（即风险偏差），使得担保头寸未能充分覆盖实际损失。此外，非参数估计量在样本量有限时（如仅50个观测值）表现不佳，而重叠数据（如10天滚动窗口）进一步引入相关性，加剧低估风险。尽管文献中提出了多种缩放方法（如GARCH建模、极值理论），但缺乏行业标准，多数方法依赖强参数假设、结果不稳定或过于保守。因此，需要一种既能高效缩放又能控制风险低估的通用框架。
**研究内容与结论**
研究人员提出了一个基于风险无偏性（risk unbiasedness）的新颖缩放框架，通过确定最小缩放因子，使担保头寸（未来头寸加上缩放后的风险估计量）的风险为零。该框架可同时处理时间、置信水平及样本量相关的缩放，并自动修正风险偏差。关键结论包括：缩放因子可分解为置信标量和时间标量；在i.i.d.假设下，缩放因子随样本量减小和置信水平提高而增大；对于重叠数据（如10天VaR估计），不缩放会导致例外率（ER）显著偏高（如正态分布下ER达1.8%而非1%），而缩放后（c≈1.14）可恢复无偏性；实证分析显示，基于t分布假设的缩放（如ν=6）在均值得分（MS）指标上优于传统方法，且数据驱动缩放（如基于历史回测拟合）能更精确地控制例外率。论文发表在《Journal of Empirical Finance》，表明该框架为风险缩放提供了稳健且可操作的解决方案，尤其适用于监管和经济资本建模。
**关键技术方法**
研究人员主要采用以下方法：（1）**风险无偏性定义**：通过担保头寸风险为零（即ρ(X + c·ρ?(X)) = 0）定义最优缩放因子，并基于最大最小化思想（sup over F∈F）得到稳健缩放因子c*。（2）**蒙特卡洛模拟（MC）**：用于计算给定分布族下的缩放因子，设置N=1,000,000次模拟，从指定分布（如正态、t分布、广义正态等）生成样本，并求解优化问题（5.1）。（3）**回测评估**：采用例外率（ER）和均值得分（MS）两个指标，在滚动窗口框架下比较不同缩放方法的表现。样本队列来源包括：q-factors数据图书馆中的1853个投资组合（2010-2021年周度收益率，n=50）以及六大股票指数（GSPC、DJI、IXIC等）的日度数据（2000-2025年，n=250）。
**研究结果**
**1. 引言**：指出风险缩放普遍存在，但缺乏无偏调整标准，引出研究动机。
**2. 风险度量及其估计**：定义VaR和ES的估计量（如非参数分位数估计和参数正态估计），并说明i.i.d.假设。
**3. 基准Plug-in缩放方法**：介绍平方根时间规则（3.1）和正态风险比率（3.2），指出其局限性。
**4. 无偏风险估计简介**：定义风险无偏性（式4.3），并建立与回测例外率（式4.6）的联系，证明风险无偏估计量在回测中表现更好。
**5. 风险无偏缩放**：提出核心框架（定义5.2和5.3），通过优化担保头寸的风险为零找到缩放因子c*，并证明其单调性和稳健性（命题5.5）。
**6. 最优缩放估计量**：
- **6.1 一般缩放**：通过参数正态VaR、GPD-ES和学生-t小样本ES三个示例，说明缩放因子随样本量减小和置信水平提高而增大（如正态下n=30, α=0.05%时c≈1.131）。
- **6.2 时间与置信水平缩放**：基于蒙特卡洛算法，计算三种场景的缩放因子：1天到10天VaR（正常分布下c≈3.14，重尾分布更小）、小样本奇异风险（如12个月数据估计10天VaR1%，c≈1.49-1.94）、经济资本（250天ES0.1%，c≈5.16-7.78）。结果表明，时间缩放与平方根规则差异显著，且置信缩放主导小样本场景。
- **6.3 重叠数据相关性**：分析10天重叠VaR估计，发现正态下不缩放时ER=1.8%，缩放c≈1.14后恢复至1%；对重尾分布，c更大（如t3下c=1.27）。
**7. 实证分析**：
- **7.1 股票组合**：在1853个投资组合上比较6种缩放方法，发现基于t分布假设（ν=6）的固定缩放（方法#4）在均值得分上最优，而数据驱动方法（#6）在例外率上最接近1%，但导致资本缓冲较大。
- **7.2 股票指数**：对六大指数进行10天VaR1%回测，缩放c=1.20时均值得分最优，例外率接近1%；而1天到10天缩放（c≈3.16）时，MS更小，验证了行业惯例。
**讨论与结论**
研究总结指出，缩放能够有效解决重叠数据中风险低估的问题，所提出的算法可为多种应用找到最优缩放因子。结论部分（原文最后一段）翻译为：“综上所述，缩放可以解决重叠数据中风险低估的问题，研究人员的算法有助于为多种应用找到最优缩放。” 该框架为风险缩放提供了理论严谨且实践可行的工具，尤其适用于监管资本和经济资本建模，具有重要的理论价值和实际应用意义。
