Does the Choice of Lookback Window Create Model Risk in Historical Value-at-Risk?

技术摘要：回顾窗口的选择是否会造成历史回测价值风险（VaR）的模型风险？

问题陈述
由于其透明度高且无需分布假设，历史模拟法（Historical Simulation, HS）是银行计算风险价值（Value-at-Risk, VaR）的主流方法。然而，HS 仅有一个自由参数：滚动回顾窗口（lookback window, $W$）的长度。虽然监管框架（如巴塞尔协议）规定了至少一年的数据量，但只要经过监管审查，具体的 $W$ 选择权仍留给金融机构自行决定。在实践中，机构使用的窗口从六个月到四年不等。

本文探讨的核心问题是：这种监管上的自由度是否造成了实质性的模型风险。根据 Danielsson 等人（2016）的定义，这并非指模型是“错误”的风险，而是指当多种同样合理、符合合规要求的模型规范能产生显著不同的风险数值，且缺乏数据驱动的机制来选择更优模型时所产生的风险。本文研究了仅靠 $W$ 的选择是否会导致 VaR 估计值和回测结果出现显著差异。

研究方法
本研究采用了一个实用的样本外设计，使用了一个包含四种交易所交易基金（SPY, BND, GLD, QQQ）的 1,000,000 美元等权重组合，分别代表美国大盘股、综合债券、黄金和科技股。数据集涵盖了十年的每日数据（2016 年 9 月至 2026 年 9 月）。

• 估计量： 作者计算了在 95% 和 99% 置信水平下的单日 HS-VaR 和预期不足（Expected Shortfall, ES），使用了四种不同的回顾窗口：$W \in \{125, 250, 500, 1000\}$ 天。
• 分位数惯例： 研究明确采用了**线性插值法（linear interpolation）**来计算经验分位数，并指出插值惯例的选择至对计算至关重要，尤其是在窗口较短或处于深尾部时。
• 回测框架： 模型在一个 1,512 天的样本外期间进行评估（在 1,000 天的预热期之后）。作者应用了一套标准的监管者测试集：
  • Kupiec (1995) 无条件覆盖度检验（Unconditional Coverage Test）。
  • Christoffersen (1998) 条件覆盖度（Conditional Coverage）和独立性（Independence）检验。
  • 巴塞尔交通灯测试（Basel Traffic Light Test）（特别针对 99% 置信水平）。
  • 文中讨论了严重性测试（McNeil & Frey, 2000），但作者指出其最初的严重性分析存在实现错误，因此无法在正文中报告确定的严重性结果。

核心结果

1. 实质性的金额差异： 即使在通过所有监管回测的窗口中，样本最后一天的估计 VaR 仍存在显著差异。在 99% 置信水平下，250、500 和 1,000 天窗口报告的 VaR 分别为 \20,504、\21,378 和 \18,220。这代表了 \3,158 的价差（为最低估计值的 17%），且该价差与窗口长度并不呈单调关系。
2. 差异化的测试表现： $W$ 的选择决定了模型能否通过监管回测。
   • 125 天窗口在 99% 置信水平下未能通过 Kupiec 和条件覆盖度检验（p 值分别为 0.0007 和 0.0028），并在样本最后 250 天内处于巴塞尔黄灯区。其异常值具有聚集性而非独立性。
   • 250、500 和 1,000 天窗口通过了 99% 置信水平下的所有测试，并处于绿灯区。
   • 在 95% 置信水平下，125 天窗口也未能通过条件覆盖度检验，而其他窗口均通过了。（注：在 95% 水平下，所有窗口都进入了红灯区，这是由于该测试针对 99% VaR 进行了校准，因此红灯读数是阈值设置的产物，而非模型失效的证据）。
3. 偏差-方差权衡（Bias-Variance Trade-off）： 结果阐明了理论上的权衡：较短的窗口（如 125 天）对近期波动率更敏感，但在深尾部存在较高的估计噪声（观测值过少），从而导致回测失败。较长的窗口（如 1,000 天）减少了估计噪声，但会引入偏差，因为它们会对不同的波动状态进行平均，从而可能平滑掉当前的风险。
4. 尾部严重性建模： 在 99% 置信水平下，模拟的 ES 与 VaR 的比率随窗口长度增加而上升（从 125 天时的 1.20 上升到 1,000 天时的 1.40），表明较长的窗口对 VaR 阈值之外的肥尾特征建模更为明显。
5. 分位数惯例敏感性： 论文强调 125 天窗口的失败是由所使用的线性插值惯例驱动的。在 $W=125$ 且 $\alpha=1\%$ 时，分位数在仅有的第一和第二最差观测值之间进行插值；因此，索引规则决定了结果。作者并未在这些数据上测试其他惯例（如绘图位置法/plotting-position），但将其标记为一个关键的披露要求。
6. 局限性： 研究承认，单个组合在十年间的样本量中包含的危机天数过少（在预热期后仅剩 21 天），因此无法在压力情景下进行稳健的条件覆盖度测试。因此，该分析无法最终确定哪个窗口在危机期间的表现最优。

意义与建议
论文得出结论，回顾窗口是显著的模型风险来源。$W$ 的选择不仅仅是一个技术性的调优参数，它是一种模型规范，决定了风险资本的规模以及是否符合监管合规的要求。

作者提出了四项建议，按实施成本从低到高排序：

1. 披露分位数惯例： 金融机构必须明确说明所使用的插值方法，因为插值法会影响回测结果，尤其是在短窗口情况下。
2. 测试严重性和频率： 企业应将异常值计数（频率）与严重性测试（如 McNeil-Frey）相结合，以确保模型捕捉到的是违约的幅度，而不只是违约的发生。
3. 将 $W$ 视为模型参数： 企业应报告跨多个窗口（如 250、500、1,000 天）的 VaR 估计“包络线”（envelope），作为每日模型风险的指标。对 $W$ 的更改应被视为模型变更。
4. 偏好条件模型： 论文认为，“窗口选择”这一难题之所以存在，是因为非加权的 HS 试图通过非加权平均来对当前市场状态进行条件化处理。作者建议，波动率过滤模型（如过滤历史模拟法/Filtered Historical Simulation）更为优越，因为它们能够显式地根据当前波动率对风险预测进行条件化处理，从而降低了对特定静态回顾窗口选择的依赖。

作者保持了审慎的立场，指出其发现是基于单一组合和十年数据的，若要将这些发现推广到不同的市场机制中，仍需要更广泛的跨资产或模拟研究。