# 期权预期损失：衡量 VaR 之外的尾部亏损

理解预期损失如何衡量期权组合最差尾部的平均亏损、为何需要完整重估，以及置信水平、期限、数据和流动性如何影响结果。

规范链接: https://wiki.fcontext.com/zh-cn/options/option-expected-shortfall/
事实核验日期: 2026-07-22

> 仅供教育参考，不构成投资建议

<a id="answer"></a>

## 直接答案

置信水平 `alpha` 下的**预期损失（Expected Shortfall，ES）**，是模型结果中最差 `1 - alpha` 比例的平均损失。风险价值 VaR 找出损失分位数；ES 继续回答该尾部内的损失究竟有多严重。

期权组合的非线性损益、波动率变化、跳空和负 Gamma 可能产生少量巨额损失，单个 VaR 阈值无法描述，因此 ES 很有用。但 ES 仍是模型估计，不是最大损失、价格预测、保证金要求或任何保证。

<a id="mechanism"></a>

## 定义与估算方法

令 `L` 表示损失，正数代表亏损。适用于一般分布的定义是：

`ES_alpha = [1 / (1 - alpha)] x 从 alpha 到 1 的 VaR_u 积分`

对于连续损失分布，通常可写成 VaR 阈值处或更差损失的条件均值。若样本离散，或 VaR 位置存在概率质量，实现时需要明确分位数约定，有时还要对边界状态采用部分权重。方法必须公开记录。

期权 ES 系统一般按以下步骤运行：

1. 选择期限、置信水平、估值时点、币种和损失符号。
2. 生成股价、波动率曲面、利率、股息、借券与时间的联合冲击。
3. 在每个情景中完整重新估值全部期权和对冲。
4. 纳入乘数、数量、现金、股票、费用和模型化的成交或清算成本。
5. 对组合损失排序，并按情景权重求最差尾部平均值。

**历史模拟**重放真实出现过的联合变化，保留所选样本内的关系，但看不到样本之外的危机和制度变化。**蒙特卡洛模拟**可产生更多及定向尾部情景，但依赖分布、相关性、波动率、跳跃和曲面动态假设。简单 Delta 正态法速度快，却可能漏掉 Gamma、Vega、偏斜、障碍、提前行权和跳空影响。

风险期限必须匹配决策。一天 ES 无法衡量需要数个压力交易日才能退出的仓位。流动性调整 ES 应明确价差、市场冲击、部分成交和不同清算期限如何建模。

<a id="example"></a>

## 相同 VaR，不同尾部

假设有十个等权、经过完整重估的一天情景，损失以千美元计，并已从最好到最差排序：

- 组合 A：`-5, -3, 0, 1, 2, 4, 6, 8, 20, 100`
- 组合 B：`-5, -3, 0, 1, 2, 4, 6, 8, 9, 11`

采用“累计概率首次达到 80% 的最小损失”定义，两个组合均有：

`80% VaR = 8,000 美元`

最差 20% 包含两个等权结果，因此：

`ES_80%(A) = (20,000 + 100,000) / 2 = 60,000 美元`

`ES_80%(B) = (9,000 + 11,000) / 2 = 10,000 美元`

VaR 在阈值处令两个组合看起来相同，ES 则揭示组合 A 的尾部严重得多。这里故意使用小样本以便核算；正式估算需要更多数据或情景、权重规则、稳定性分析和独立压力测试。

对于期权空头，每个情景都必须重新定价，不能把损失限制在收到的权利金。跳空可能同时改变 Delta 与 IV、扩大价差、触发保证金需求，并使仓位无法按理论市值退出。

<a id="risks"></a>

## 实施与验证清单

- 明确损失符号、基础币种、置信水平、期限和估值时间。
- 记录历史、参数、过滤历史还是蒙特卡洛 ES。
- 保留跨资产、跨到期和股价—波动率依赖关系。
- 冲击完整波动率曲面，而不是只改一个平值 IV。
- 对重要非线性和路径依赖仓位采用完整重估。
- 纳入股票、现金、股息、利率、借券、乘数和全部期权腿。
- 将美式行权和指派情景与模型估值分开处理。
- 明确加入买卖价差、市场冲击、延迟清算和部分成交假设。
- 纳入近期历史中没有出现的隔夜跳空和事件。
- 检查样本长度、缺失数据、陈旧报价、公司行动和幸存者偏差。
- 比较平静与压力窗口的滚动估计。
- 回测 VaR 超限次数，也比较真实尾部损失幅度与 ES 预测。
- ES 之外仍使用确定性压力测试；未建模罕见状态可能主导期权损失。
- 报告集中度和情景贡献，不只给组合总数。
- 仓位、曲面、相关性、流动性或保证金变化后重新计算。
- 保留模型版本、随机种子、数据快照和转换规则以便复现。
- 按风险承受能力设置仓位上限，不能为适配预定交易反推乐观假设。

<a id="misconceptions"></a>

## 常见误区

- “ES 是最坏可能损失。”它是模型尾部平均值，样本外结果可能更差。
- “99% ES 表示只有 1% 概率亏损。”置信水平定义尾部，不是任何亏损的概率。
- “ES 可以预测明天损失。”它汇总条件模型分布。
- “条件均值简式永远适用。”离散质量与有限样本需要边界约定。
- “VaR 相同的组合风险相同。”VaR 之外的损失可能差异巨大。
- “情景越多就越准确。”错误动态或数据只会产生看似精确的错误。
- “历史 ES 没有模型假设。”窗口、权重、映射、清洗和重估都是模型选择。
- “Delta 足以计算期权 ES。”大幅变化会暴露 Gamma、Vega、偏斜和跳空风险。
- “有限风险策略不需要 ES。”即使到期损失有上限，持仓路径、流动性、指派和集中度仍重要。
- “ES 自动包含所有操作风险。”保证金清算、拆腿、行权和结算必须显式建模。
- “ES 较低证明交易更好。”它只衡量一个风险维度，不能单独说明预期回报或适用性。

<a id="related"></a>

## 相关主题

- [蒙特卡洛期权定价](/zh-cn/options/monte-carlo-option-pricing/)
- [Gamma 风险](/zh-cn/options/gamma-risk/)
- [净 Greeks](/zh-cn/options/net-greeks/)
- [拆腿风险](/zh-cn/options/legging-risk/)

<a id="sources"></a>

## 一手与学术资料

- [Basel Committee：市场风险最低资本要求](https://www.bis.org/bcbs/publ/d457.htm)
- [OCC：标准化期权的特征与风险](https://www.theocc.com/company-information/documents-and-archives/options-disclosure-document)
- [Rockafellar 与 Uryasev（2000）：条件风险价值优化](https://doi.org/10.21314/JOR.2000.038)
- [Acerbi 与 Tasche（2002）：预期损失的一致性](https://doi.org/10.1111/1467-9965.00004)