1994 -- J.P. Morgan 的 RiskMetrics：Value at Risk 成為風險管理的通用語言#

案件描述#

1994 年 10 月，J.P. Morgan 免費向全球發布 RiskMetrics——一套完整的市場風險度量技術文件與資料集。它的核心是一個簡單到可以印在 CEO 名片背面的數字：

Value at Risk（VaR）：在 95% 信賴水準下，明天這個組合最多會虧多少錢？

例如「一日 95% VaR = 1,000 萬美元」的意思：有 5% 的機率明天虧損超過 1,000 萬。

VaR 從此成為全球銀行業的通用風險語言，並被巴塞爾委員會寫進資本規定。

前因：Dennis Weatherstone 的「15:15 報告」#

1980 年代末，J.P. Morgan 的董事長 Dennis Weatherstone 要求他的風控長每天下午 4:15 交一頁紙報告：明天全行最多可能虧多少錢。
當時的風險管理是「名目本金」（notional amount）：「我們有 10 億美元的利率曝險」——但 10 億的曝險在不同波動環境下風險完全不同。
1987 黑色星期一（見 1987-黑色星期一與投資組合保險.md）讓全行業痛感：需要一個把所有曝險折算成同一種「潛在虧損貨幣」的方法。
線索：J.P. Morgan 內部已經有 GARCH 型的波動率預測技術（1980 年代末）與完整的共變異數矩陣資料。

推理過程#

線索一：VaR 的統計定義#

對組合報酬 \(R\) 、信賴水準 \(\alpha\) （如 95%）、期間 \(\Delta t\) （如 1 日）：

\[ P(R_{\Delta t} < -\mathrm{VaR}_\alpha) = 1 - \alpha \]

若 \(R\) 近似常態（均值可忽略）：

\[ \mathrm{VaR}_\alpha = z_\alpha \, \sigma_p \, V \]

其中 \(z_{0.95} = 1.645\) 、 \(V\) 是組合價值、 \(\sigma_p\) 是組合波動率。風險從「名目曝險」變成「機率加權的潛在虧損」。

線索二：共變異數法（Variance-Covariance Method）#

RiskMetrics 的標準演算法：

把組合拆成現金流映射（cash flow mapping）到風險因子（各期限利率、匯率、股價）。
預測各風險因子的波動率與相關性——用指數加權移動平均（EWMA）：

\[ \sigma_t^2 = \lambda \sigma_{t-1}^2 + (1-\lambda) r_{t-1}^2, \quad \lambda = 0.94 \text{（日資料）} \]

（這是 \(\alpha + \beta = 1\) 的 GARCH 特例——RiskMetrics 用實證把 \(\lambda\) 定為 0.94，見 1986-BollerslevGARCH模型.md。）

組合波動率： \(\sigma_p = \sqrt{\mathbf{w}^T \Sigma \mathbf{w}}\) （Markowitz 的數學，見 1952-Markowitz投資組合理論.md）。
VaR \(= 1.645 \, \sigma_p \, V\) 。

巧妙之處：VaR 把 Markowitz 的組合數學、GARCH 的波動率預測、Black–Scholes 的敏感度（greeks）全部整合成「一個數字」。

線索三：其他計算路線#

歷史模擬法（historical simulation）：直接用過去 N 天的實際報酬重估組合——不假設常態。
蒙地卡羅法：模擬成千上萬條路徑取分位數（見 1977-Boyle蒙地卡羅選擇權定價.md）。
三種路線的取捨：速度（共變異數）vs 準確性（蒙地卡羅）vs 簡單性（歷史模擬）。

現代程式重現：三種 VaR 計算#

import numpy as np

def var_covar_var(returns, weights, V=1e7, alpha=0.95):
    """共變異數法 VaR"""
    z = {0.95: 1.645, 0.99: 2.326}[alpha]
    sigma_p = np.sqrt(weights @ np.cov(returns.T) @ weights)
    return z * sigma_p * V

def historical_var(returns, weights, V=1e7, alpha=0.95):
    """歷史模擬法 VaR"""
    port_returns = returns @ weights
    return -np.percentile(port_returns, (1-alpha)*100) * V

def ewma_sigma(returns, lam=0.94):
    """RiskMetrics 的 EWMA 波動率"""
    s2 = returns.var()
    for r in returns:
        s2 = lam * s2 + (1 - lam) * r**2
    return np.sqrt(s2)

# 巴塞爾規定：VaR 需乘以 3 的乘數 + 回溯測試（backtesting）

後果#

巴塞爾協定（1996 市場風險修正案）：銀行的市場風險資本 = 3 × VaR（+ 附加項），VaR 成為法規語言。全球銀行的風控部門都圍繞 VaR 組織。
回溯測試（backtesting）：Kupiec（1995）等檢驗 VaR 是否「說謊」——觀測到的違約次數是否與 5% 一致。
尾端風險的遺漏：VaR 不說「超過 VaR 之後虧多少」——這催生了期望短缺（Expected Shortfall, CVaR）：

\[ \mathrm{ES}_\alpha = -E[R \mid R < -\mathrm{VaR}_\alpha] \]

巴塞爾協定 IV（2019）已把法規從 VaR 轉向 ES。 - 模型同質性的危機：所有人都用同一套 VaR，壓力下的去槓桿行為同質化——2008 年金融海嘯中 VaR 全面失靈（見 2008-金融海嘯與CDO.md）。 - RiskMetrics 團隊後來獨立成 RiskMetrics Group 公司（1998），2008 年被 MSCI 收購。

偵探筆記#

動機：Weatherstone 的「一頁紙報告」需求 + 1987 年的教訓
工具：分位數統計、EWMA/GARCH 波動率、Markowitz 共變異數矩陣
遺產：法規標準、風控部門的組織原則、ES 的誕生
盲點：尾端風險、常態假設、模型同質性的系統性風險

參考資料#

J.P. Morgan (1994). RiskMetrics Technical Document.
Jorion, P. (2006). Value at Risk: The New Benchmark for Managing Financial Risk. McGraw-Hill.