蒙地卡羅 VaR 真的比較準嗎？一場關於風險估計的反直覺實驗

一個常見的誤解

當投資人或風控人員第一次接觸「風險值」（Value-at-Risk, VaR）這個概念時，最常聽到的進階方法之一就是「蒙地卡羅模擬」。它聽起來既高科技又嚴謹：用電腦跑上萬次模擬，把所有可能的未來情境都跑過一遍，再從模擬出來的報酬分佈裡讀出風險值。

直覺上，這應該是最準的方法。畢竟「模擬越多次，誤差越小」是統計學的基本道理。但在我們最近的一場系統化實驗中，結果狠狠打臉了這個直覺：在預測「明天的下跌風險」這件事上，蒙地卡羅 VaR 不但沒比較準，反而是表現最差的一群。真正穩居冠軍的，是兩個概念上更老派、實作上也更簡單的方法。

這篇文章要分享的，就是這個反直覺結果背後的故事，以及它對實務風控的啟示。

實驗背景：為什麼要比較這四種 VaR 方法？

在我們先前的研究（K1036 與 K1043）中，已經確認兩件事：

1.  CF-Rolling （基於歷史殘差的偏態與峰態做修正的方法）在所有測試組合中都能達到嚴格的 6/6 通過。
2.  FHS （過濾歷史模擬，Filtered Historical Simulation）的表現與 CF-Rolling 完全打平，12/12 全數通過。

剩下還沒系統化測試的就是「蒙地卡羅模擬 VaR」。這個方法在教科書、業界訓練、甚至監理文件裡，地位不亞於前兩者。我們的任務是：把它放進同一個嚴格的測試框架，看它能不能撐住場面。

實驗設計很乾淨：

•  資產 ：SPY（標普 500 ETF）與 QQQ（那斯達克 100 ETF）
•  資料區間 ：2005 年 1 月至 2026 年 4 月（yfinance 取得）
•  樣本外測試 ：2019 年 1 月起的 1827 個交易日
•  波動率模型 ：兩種，傳統的 GJR-GARCH 與我們先前研究表現亮眼的 A4f-VIX 模型
•  VaR 方法 ：四種——MC-Normal、MC-t、CF-Rolling、FHS
•  顯著水準 ：1% 與 2.5%
•  每日模擬次數 ：10,000 次
•  隨機種子 ：42（確保可復現）

每個組合都跑完整的「三位一體」（Trinity）測試：Kupiec 的次數覆蓋率測試、Christoffersen 的條件覆蓋率測試、巴塞爾顏色區（Basel traffic light），再加上 Acerbi-Szekely 的 Expected Shortfall 測試。要全部通過，才算這個 VaR 方法在那個場景下「夠格」。

蒙地卡羅 VaR 怎麼算？

為了避免讓非技術讀者卡關，先用最白話的方式解釋一下蒙地卡羅 VaR 的步驟：

1. 用 GARCH 模型估出明天的波動率 σ_{t+1}（這一步是確定的，給定今天為止的資訊就能算出來）。
2. 用電腦產生 10,000 個服從某個分佈的隨機數字 ε（常態分佈或 t 分佈）。
3. 把每個 ε 乘上 σ_{t+1}，得到 10,000 個「模擬的明日報酬」。
4. 從這 10,000 個模擬報酬中找最差的 1%（或 2.5%）分位數，那就是 VaR。

CF-Rolling 與 FHS 則跳過模擬這一步：CF-Rolling 直接用歷史殘差的偏態與峰態解析地調整 VaR；FHS 把過去 252 天的標準化殘差「重抽樣」乘上今天的波動率。兩者都不用跑萬次模擬。

結果一：MC-Normal 全軍覆沒

先看 GJR-GARCH 搭配各種 VaR 方法（Trinity 通過率，每個組合 4 個測試格子）：

這結果非常極端。MC-Normal 不是輸一點點，而是徹底崩盤。具體看 SPY 在 1% 顯著水準下：

•  目標違約率 ：1.0%
•  MC-Normal 實際違約率 ：2.08%（超標一倍）
•  MC-t 實際違約率 ：1.64%
•  CF-Rolling 實際違約率 ：0.88%
•  FHS 實際違約率 ：1.31%

QQQ 的數字更誇張，MC-Normal 違約率衝到 2.41%，等於說告訴你「百年一遇」的事情，實際上每兩個月就發生一次。難怪巴塞爾顏色區直接判紅燈。

問題出在哪？常態分佈的尾部太薄，根本捕捉不到金融市場那種「黑天鵝其實常常飛」的真實樣貌。這個道理大家都知道，但這次實驗用結結實實的數字告訴我們：哪怕你跑了 10,000 次模擬，如果分佈假設錯了，跑再多次也救不回來。

結果二：MC-t 需要「外援」才能及格

把分佈換成 t 分佈（厚尾），是不是就解決問題了？答案是：要看你用什麼波動率模型。

•  GJR + MC-t ：仍然 0/4 全部 FAIL
•  A4f + MC-t ：4/4 全部 PASS

差別在哪？A4f 模型把 VIX 恐慌指數作為外生資訊納入波動率方程，σ 估得比 GJR 更準。一旦 σ 準了，厚尾分佈才能正確發揮，t 分佈的尾部才能真的對應到尾部風險。

這帶出一個重要訊息： 蒙地卡羅 VaR 的瓶頸不在「模擬次數不夠多」，而在「波動率估得不夠準」加上「分佈假設不夠真實」 。模擬只是把這兩個前提的誤差放大，不是解藥。

結果三：CF-Rolling 與 FHS 才是真正的勝者

把所有 16 個組合（2 資產 × 2 模型 × 4 顯著水準）攤開：

•  CF-Rolling ：8/8 全部通過
•  FHS ：8/8 全部通過
•  MC-t ：4/8 通過（只有 A4f 配合時才行）
•  MC-Normal ：2/8 通過（連 A4f 也只能救一半）

把 GJR 與 A4f 的整體表現再彙總一次：

•  A4f （VIX 外生）：14/16 通過（87.5%）
•  GJR （純歷史）：8/16 通過（50.0%）

A4f 的 VIX 外生資訊讓波動率估計更貼近現實，這個結果與我們先前 K1036、K1043 的發現一致，把市場恐慌指數正確納入模型，比換更花俏的 VaR 計算法效益更大。

反直覺的關鍵洞見

為什麼蒙地卡羅模擬 10,000 次，反而輸給「直接套公式」的 CF-Rolling？

關鍵在於這個實驗的特定情境： 1 天期 VaR 。

• 在 1 天的尺度上，σ_{t+1} 已經被 GARCH 模型「確定」下來了。蒙地卡羅模擬只是在這個固定的 σ 上面，從某個分佈裡抽 10,000 次樣， 多出來的這層抽樣動作只引入「取樣誤差」，沒有額外資訊 。
• CF-Rolling 用解析公式，直接根據歷史殘差的偏態、峰態調整分位數，它把高階動差訊息「無損」地用上。
• FHS 直接重抽歷史標準化殘差，等於用真實市場的尾部形狀當作分佈，連分佈假設都不用做。

換句話說，蒙地卡羅模擬的真正優勢—— 多步預測、多資產組合、跳躍/制度切換、選擇權定價 ——在 1 天期單一資產 VaR 這個場景，根本沒有舞台可以發揮。它變成了「用大砲打蚊子，還沒打中」。

附帶一提，計算成本也很有趣：

CF-Rolling 雖然準，但因為要逐日計算偏態與峰態，反而最慢。FHS 是準度與速度兼顧的最佳實務選擇，這也是為什麼現在不少銀行內部 VaR 引擎走的是 FHS 路線。

給實務工作者的三點啟示

1.  方法新穎不等於估得準 。蒙地卡羅模擬聽起來高階，但在 1 天 VaR 上反而是表現最差的一群。決策時要問的是「這個方法的優勢能不能在我的問題上發揮」，不是「這個方法名氣大不大」。

2.  波動率模型的選擇比 VaR 計算法更關鍵 。把 VIX 外生資訊納入 A4f，比換成蒙地卡羅模擬有效得多。這也呼應一個老話： 估好均值與變異數，是大部分財務應用的基本功 。

3.  如果你做的是 1 天期 VaR，FHS 是好用的預設選項 。又快又準，不用做分佈假設，是這次實驗最務實的結論。如果你需要做選擇權定價、多步預測、或情境壓力測試，那才是蒙地卡羅模擬真正該登場的舞台。

局限性與下一步

這次實驗只測了 1 天期、兩個美股 ETF（SPY、QQQ），結論不能無限外推：

•  多步預測（h > 1）  才是蒙地卡羅模擬該大放異彩的場景，這是後續研究計畫的重點。
• 個股、加密貨幣、期貨等不同資產類別的厚尾結構不同，需要重複驗證。
• 蒙地卡羅在這次實驗用固定 t 分佈自由度（df=8），沒做最佳化；自由度若隨時間調整可能改善 MC 表現，但不會翻盤。

研究的常態之一就是「打破直覺」。CF-Rolling 與 FHS 不是新方法，文獻可以追到 1938 年的 Cornish-Fisher 與 1999 年的 Barone-Adesi 與 Giannopoulos。但在嚴格的測試框架下，它們繼續打敗看起來更新潮的對手，這就是為什麼我們堅持用同一套標準把所有方法跑過一遍，而不是看誰名字響亮。

資料來源

•  報酬資料 ：yfinance（SPY、QQQ 日線，2005-01-01 至 2026-04-10）
•  VIX 資料 ：Yahoo Finance（同步取自 yfinance）
•  樣本外期間 ：2019-01-02 起，共 1827 個交易日
•  實驗腳本 ：experiments/k1046/k1046.py
•  完整結果 ：experiments/k1046/k1046_results.json
•  總計算時間 ：約 498 秒（多數時間花在 CF-Rolling 的逐日高階動差計算）
•  隨機種子 ：42（蒙地卡羅模擬可復現）

實驗編號與相關研究

本文基於 K1046 實驗。相關前序研究：

• K1036：A4f + CF-Rolling 達到 6/6 全綠的最早記錄。
• K1043：FHS 與 CF-Rolling 在 12/12 組合下打平的交叉驗證。

主要參考文獻

• Pritsker, M. (2006). The Hidden Dangers of Historical Simulation. Journal of Banking and Finance.
• Glasserman, P. (2003). Monte Carlo Methods in Financial Engineering. Springer.
• Barone-Adesi, G., Engle, R., & Mancini, L. (2008). A GARCH Option Pricing Model with Filtered Historical Simulation. Review of Financial Studies 21(3), 1223-1258.
• Barone-Adesi, G., & Giannopoulos, K. (1999). VaR without Correlations for Portfolios of Derivative Securities. Journal of Futures Markets 19(5), 583-602.
• Engle, R., Ghysels, E., & Sohn, B. (2013). Stock Market Volatility and Macroeconomic Fundamentals. Review of Economics and Statistics 95(3), 776-797.
• Kupiec, P. (1995). Techniques for Verifying the Accuracy of Risk Measurement Models. Journal of Derivatives 3, 73-84.
• Christoffersen, P. (1998). Evaluating Interval Forecasts. International Economic Review 39(4), 841-862.
• Acerbi, C., & Szekely, B. (2014). Back-testing Expected Shortfall. Risk.