cvar計算方法

1. 編一段程序(只有代碼段)讓顯示器上輸出26個字母「AB.....Z」. PS:可追加懸賞

第一個程序：畫一百個同心圓
第一步：復制下面的紅色代碼
第二步：在模型空間按快捷鍵Alt+F8，出現宏窗口
第三步：在宏名稱中填寫C100，點「創建」、「確定」
第四步：在Sub c100()和End Sub之間粘貼代碼
第五步：回到模型空間，再次按Alt+F8，點擊「運行」
Sub c100()
Dim cc(0 To 2) As Double '聲明坐標變數
cc(0) = 1000 '定義圓心座標
cc(1) = 1000
cc(2) = 0
For i = 1 To 1000 Step 10 '開始循環
Call ThisDrawing.ModelSpace.AddCircle(cc, i * 10) '畫圓
Next i
End Sub
也許您還看不懂上面的代碼，這沒有關系，只要能把同心畫出來就可以了，祝您成功。
第二課 編程基礎
本課主要任務是對上一課的常式進行詳細分析
下面是源碼：
Sub c100()
Dim cc(0 To 2) As Double '聲明坐標變數
cc(0) = 1000 '定義圓心座標
cc(1) = 1000
cc(2) = 0
For i = 1 To 1000 Step 10 '開始循環
Call ThisDrawing.ModelSpace.AddCircle(cc, i * 10) '畫圓
Next i
End Sub
先看第一行和最後一行：
Sub C100()
……
End Sub
C100是宏的名稱，也叫過程名稱，當用戶執行C100時程序將運行sub 和end sub之間的所有指令。
第二行：
Dim cc(0 To 2) As Double '聲明坐標變數
後半段「'聲明坐標變數」自動變為綠色字體，它是代碼語句的注釋，它不會影響程序運行，它的作用是告訴閱讀者程序員的想法。對於簡單的程序，一般不需要寫注釋，如果要編寫非常復雜的程序，最好要多加註釋，越詳細越好，對於程序員來說，這是一個好習慣。
電腦真正編譯執行的是這條語句：Dim cc(0 To 2) As Double
它的作用就是聲明變數。
Dim是一條語句，可以理解為計算機指令。
它的語法：Dim變數名 As 數據類型
本例中變數名為CC，而括弧中的0 to 2聲明這個CC是一個數組，這個數組有三個元素：CC(0)、CC(1)、CC(2)，如果改為CC(1 to 3)，則三個元素是CC(1)、CC(2)、CC(3)，有了這個數組，就可以把坐標數值放到這個變數之中。
Double是數據類型中的一種。ACAD中一般需要定義坐標時就用這個數據類型。在ACAD中數據類型的有很多，下面兩個是比較常用的數據類型，初學者要有所理解。
Long（長整型），其范圍從 -2,147,483,648 到 2,147,483,647。
Variant 它是那些沒被顯式聲明為其他類型變數的數據類型，可以理解為一種通用的數據類型，這是最常用的。
下面三條語句
cc(0) = 1000 '定義圓心座標
cc(1) = 1000
cc(2) = 0
它們的作用是給CC變數的每一個元素賦,值其順序是X、Y、Z坐標。

For i = 1 To 1000 Step 10 '開始循環
……
Next i '結束循環
這兩條語句的作用是循環運行指令，每循環一次，i值要增加10，當i加到 1000時，結束循環。
i也是一個變數，雖然沒有聲明i變數，程序還是認可的，VB不是C語言，每用一個變數都要聲明，不聲明就會報錯。簡單是簡單了，這樣做也有壞處，如果不小心打錯了一個字母，程序不會報錯，如果程序很長，那就會出現一些意想不到的錯誤。
step後面的數值就是每次循環時增加的數值，step後也可以用負值。
例如：For i =1000 To 1 Step -10
很多情況下，後面可以不加step 10
如：For i=1 to 100，它的作用是每循環一次i值就增加1
Next i語句必須出現在需要結束循環的位置，不然程序沒法運行。
下面看畫圓命令：
Call ThisDrawing.ModelSpace.AddCircle(cc, i * 10)
Call語句的作用是調用其他過程或者方法。
ThisDrawing.ModelSpace是指當前CAD文檔的模型空間
AddCircle是畫圓方法
Addcicle方法需要兩個參數：圓心和半徑
CC就是圓心坐標，i*10就是圓的半徑，本例中，這些圓的半徑分別是10、110、210、310……
本課到此結束，下面請完成一道思考題：
1.以(4,2)為圓心，畫5個同心圓，其半徑為1-5
第三課 編程基礎二
繪制三維多段線時X、Y值在屏幕上用滑鼠選取，Z值用鍵盤輸入
本課將講解這個問題。
為了簡化程序，這里用多條直線來代替多段線。以下是源碼：
Sub myl()
Dim p1 As Variant '申明端點坐標
Dim p2 As Variant
p1 = ThisDrawing.Utility.GetPoint(, "輸入點:") '獲取點坐標
z = ThisDrawing.Utility.GetReal("Z坐標:") '用戶輸入Z坐標值
p1(2) = z '將Z坐標值賦予點坐標中
On Error GoTo Err_Control '出錯陷井
Do '開始循環
p2 = ThisDrawing.Utility.GetPoint(p1, vbCr & "輸入下一點:") '獲取下一個點的坐標
z = ThisDrawing.Utility.GetReal("Z坐標:") '用戶輸入Z坐標值
p2(2) = z '將Z坐標值賦予點坐標中
Call ThisDrawing.ModelSpace.AddLine(p1, p2) '畫直線
p1 = p2 '將第二點的端點保存為下一條直線的第一個端點坐標
Loop
Err_Control:
End Sub
先談一下本程序的設計思路：
1、獲取第一點坐標
2、輸入第一點Z坐標
3、獲取第二點坐標
4、輸入第二點Z坐標
5、以第一、二點為端點，畫直線
6、下一條線的第一點=這條線的第二點
7、回到第3步進行循環
如果用戶沒有輸入坐標或Z值，則程序結束。
首先看以下兩條語句：
p1 = ThisDrawing.Utility.GetPoint(, "輸入點:") 『獲取點坐標
……
p2 = ThisDrawing.Utility.GetPoint(p1, vbCr & "輸入下一點:") '獲取下一個點的坐標
這兩條語句的作用是由用戶輸入點用滑鼠選取點坐標，並把坐標值賦給p1、p2兩個變數。ThisDrawing.Utility.GetPoint（）在ACAD中這是最常用的方法之一，它需要兩個參數，在逗號前面的參數應該是一個點坐標，它的作用是在屏幕上畫一條線，前一個端點位於點坐標位置，後一個端點跟隨滑鼠移動，逗號之前可以什麼都不填，這時沒有線條會跟隨滑鼠移動，但逗號必須保留。
逗號後面使用一串字元，程序在命令行顯示這串字元，這不難理解。
VbCr通常代表一個回車符，而在這個語句中，它的作用是在命令行不顯示「命令：」
&的作用是連接字元。舉例：
「愛我中華 」&」抵制日貨 」&」從我做起」
z = ThisDrawing.Utility.GetReal("Z坐標:") '用戶輸入Z坐標值
由用戶輸入一個實數
On Error GoTo Err_Control '出錯陷井
……
Err_Control:
On Error是出錯陷井語句，在程序出錯時將執行On Error 後面的語句
GoTo Err_contorl 是程序跳轉語句，它的作用是在程序中尋找Err_control:，並執行這一行後面的語句，本例中Err_Control:後就是結束宏，所以只要出現錯誤，程序中止。
Do '開始循環
……
Loop 『結束循環
這個循環就歷害了，它會無休止地進行循環，好在本例中已經有了一個出錯陷井，當用戶輸入回車時，由於程序沒有得到點或坐標，程序出錯，跳出循環，中止程序。如果要人為控制跳出循環，可以在代碼中用Exit Do語句跳出循環。在For 變數 和Next 變數之間如果要跳出循環，那麼只要在循環體內加一個Exit for 就可以跳出循環，關於這方面的常式以後會講到。
Call ThisDrawing.ModelSpace.AddLine(p1, p2) '畫直線
畫直線方法也是很常用的，它的兩個參數是點坐標變數
本課到此結束，請做思考題：
連續畫圓，每次要求用戶輸入圓心、半徑，當用戶不再輸入圓心或半徑時程序才退出
第四課 程序的調試和保存
人非聖賢，孰能無過，初學者在編寫復雜程序時往往會出現一些意想不到的錯誤，所以程序的調試顯得尤為重要，隨著學習的深入，以後我們需要經常進行程序調試。事實上，對於那些資深程序員來說，調試程序也是一項不可或缺的重要工作。
首先，在程序輸入階段，應該充分利用VBA編輯器的智能功能。當你在寫代碼時，輸入一些字母後，編輯器可以自動列出合適的語句、對象、函數供你選擇，可以用上下鍵選擇，然後按TAB鍵（它位於「Q」鍵左邊）確認。當輸入一個回車符後程序會自動對這條語句進行分析，如果出現錯誤就會提示。
我們經常碰到的麻煩是程序的運行結果和預計的不一樣，一般我會這樣做：首先要想一想可能是哪一個變數有問題，然後去監視這個變數(或表達式)，在程序合適的位置設置斷點，這樣可以使程序停下來看一看這個變數有沒有按照我的設想在變化。下面我舉一個簡單的例子，先看源代碼：
sub test()
for i=2 to 4 step 0.6
next i
end sub
這是一個非常簡單的循環，每一次循環i便會增加0.6，當循環3次後i值就變為4.4，但問題是每一次循環時i值變為多少？
第一步：在菜單中選「調試」—「添加監視」，在表達試中填「i」，點擊確定，這時你會看到臨視窗口中會多一行。
第二步：把游標移到代碼窗口中的「next i」行，按一下「F9」，於是每當程序運行到這里時就會暫停了。
好，一切就緒，請按F5執行程序，在監視窗口中C值立刻變為2，再按F5繼續，C值為2.6，再按幾次F5，直到程序結束，這樣我們就成功監視了C值的變化。
第三步：在next i行再按一次F9，清除斷點。監視的表達式的右鍵菜單選擇「刪除監視」。
另外，還可以用「逐語句」、「逐過程」、「運行到游標處」等方法進行調試，這些都在調試菜單中，操作比較簡單，請讀者自行領悟。
到目前為止，我們所做的工程都是「嵌入式工程」，它只是嵌入在當前的Autocad圖形文件中， 以後打開這個文件時代碼才會載入，如果別的dwg文件也要使用，那就需要把代碼導出為.bas文件，供其他dwg文件導入。在VBA編輯器的「文件」菜單中有這兩個功能，一試便知。
ACAD VBA還有一種工程叫「通用式工程」，只要進入ACAD就可以運行，程序可以在不同用戶、不同的圖形文件中共享，但是由於VBA功能太強，有時候會出現一些意想不到的事情，所以在學習階段請暫時不要這樣做。
本課結束，請做思考題；監視下列代碼中的i和j的值，注意，此題雖然要監視2個變數，但是在代窗口中只要設置1個斷點就足夠了。
sub test()
for i=2 to 4 step 0.6
for j=-5 to 2 step 5.5
next j
next i
end sub
第五課 畫函數曲線
先畫一組下圖拋物線。

下面是源碼：
Sub myl()
Dim p(0 To 49) As Double '定義點坐標
Dim myl As Object '定義引用曲線對象變數
co = 15 '定義顏色
For a = 0.01 To 1 Step 0.02 '開始循環畫拋物線
For i = -24 To 24 Step 2 '開始畫多段線
j = i + 24 '確定數組元素
p(j) = i '橫坐標
p(j + 1) = a * p(j) * p(j) / 10 '縱坐標
Next i '至此p(0)-p(40)所有元素已定義，結束循環
Set myl = ThisDrawing.ModelSpace.AddLightWeightPolyline(p) '畫多段線
myl.Color = co '設置顏色屬性
co = co + 1 '改變顏色，供下次定義曲線顏色
Next a
End sub
為了鼓勵大家積極思考，從本課開始，我不再解釋每一條語句的作用，只對以前沒有提過的語句進行一些解釋，也許你一時很難明白，建議用上一課提到的跟蹤變數、添加斷點的辦法領悟每一條語句的作用。
在跟蹤變數p時請在跟蹤窗口中單擊變數p前的+號，這樣可以看清數組p中每一個元素的變化。
ACAD沒有現成的畫拋物線命令，我們只能用程序編寫多段線畫近似拋物線。理論上，拋物線的X值可以是無限小、無限大，這里取值范圍在正負24之間。
程序第二行：Dim myl As Object '定義引用曲線對象變數
Object也是一種變數類型，它可以把變數定義為對象，本例中myl變數將引用多段線，所以要定義為Objet類型。
看畫多段線命令：
Set myl = ThisDrawing.ModelSpace.AddLightWeightPolyline(p) '畫多段線
其中括弧中的p是一個數組，這個數組的元素數必須是偶數，每兩個元數作為一個點坐標。
等號前面部分「Set myl」的作用就將myl變數去引用畫好的多段線。
myl.Color = co '設置顏色屬性。在ACAD中，顏色可以用數字表示，本例中co會增值，這樣就會有五彩繽紛的效果。
本課第二張圖：正弦曲線，下面是源碼：
Sub sinl()
Dim p(0 To 719) As Double '定義點坐標
For i = 0 To 718 Step 2 '開始畫多段線
p(i) = i * 2 * 3.1415926535897 / 360 '橫坐標
p(i + 1) = 2 * Sin(p(i)) '縱坐標
Next i
ThisDrawing.ModelSpace.AddLightWeightPolyline (p) '畫多段線
ZoomExtents '顯示整個圖形
End Sub

p(i) = i * 2 * 3.1415926535897 / 360 '橫坐標
橫坐標表示角度，後面表達式的作用是把角度轉化弧度
ZoomExtents語句是縮放命令，它的作用是顯示整個圖形，消除圖形以外的區域
本課思考題：畫一條拋物線：y=0.5*x*x+3，其中X取值范圍在正負50之間
第六課 數據類型的轉換
上一節課我們用一個簡單的公式把角度轉化為弧度，這樣做便於大家理解。不過VBA中有現成的方法可以轉換數據類型。
我們舉例說明：
jd = ThisDrawing.Utility.AngleToReal(30, 0)
這個表達式把角度30度轉化為弧度，結果是.523598775598299。
AngleToReal需要兩個參數，前面是表示要轉換角度的數字，而後面一個參數可以取值為0-4之間的整數，有如下意義：
0：十進制角度；1：度分秒格式；2：梯度；3：弧度；4：測地單位
例：id= ThisDrawing.Utility.AngleToReal("62d30' 10""", 1)
這個表達式計算62度30分10秒的弧度
再看將字元串轉換為實數的方法：DistanceToReal
需要兩個參數，前一個參數是表示數值的字元串，後面可以取值1-5，表示數據格式，有如下意義：
1：科學計數；2：十進制；3：工程計數——英尺加英寸；4：建築計數——英尺加分數英寸；5：分數格式。
例：以下表達式得到一個12.5的實數
temp1 = ThisDrawing.Utility.DistanceToReal("1.25E+01", 1)
temp2 = ThisDrawing.Utility.DistanceToReal("12.5", 2)
temp3 = ThisDrawing.Utility.DistanceToReal("12 1/2", 5)
而realtostring方法正好相反，它把一個實數轉換為字元串。它需要3個參數
第一個參數是一個實數，第二個參數表示數據格式，含義同上，最後一個參數表示精確到幾位小數。
temp1= ThisDrawing.Utility.RealToString(12.5, 1, 3)
得到這個字元串：「1.250E+01」，
下面介紹一些數型轉換函數：
Cint，獲得一個整數，例：Cint(3.14159) ，得到3
Cvar，獲得一個Variant類型的數值，例：Cvar("123" & "00")，得到」12300」
Cdate，轉換為date數據類型，例：MyShortTime = CDate("11:13:14 AM")
下面的代碼可以寫出一串數字，從000-099。
Sub test()
Dim add0 As String
Dim text As String
Dim p(0 To 2) As Double
p(1) = 0 'Y坐標為0
p(2) = 0 'Z坐標為0
For i = 0 To 99 '開始循環
If i < 10 Then '如果小於10
add0 = "00" '需要加00
Else '否則
add0 = "0" '需要加0
End If
text = add0 & CStr(i) '加零，並轉換數據
p(0) = i * 100 'X坐標
Call ThisDrawing.ModelSpace.AddText(text, p, 4) '寫字
Next i

End Sub

重點解釋條件判斷語句：
If 條件表達式 Then
……
Else
……
End if
如果滿足條件那麼程序往下執行，到else時不再往下執行，直接跳到End if後面
如果不滿足條件，程序跳到else後往下運行。
Call ThisDrawing.ModelSpace.AddText(text, p, 4) '寫字
這是寫單行文本，需要三個參數，分別是:寫的內容、位置、字高
第七課 寫文字
客觀地說，ACAD寫字功能不夠歷害，而用VBA可以使寫字效率更高。比較正規的做法是把定義文字樣式，用樣式來控制文字的特性。我們還是用實例來學習，先看下面一段代碼，它的作用是先創建一個文字樣式，然後用這個文字樣式寫一段多行文本。
Sub txt()
Dim mytxt As AcadTextStyle '定義mytxt變數為文本樣式
Dim p(0 To 2) As Double '定義坐標變數
p(0) = 100: p(1) = 100: p(2) = 0 '坐標賦值
Set mytxt = ThisDrawing.TextStyles.Add("mytxt") '添加mytxt樣式
mytxt.fontFile = "c:\windows\fonts\simfang.ttf" '設置字體文件為仿宋體
mytxt.Height = 100 '字高
mytxt.Width = 0.8 '寬高比
mytxt.ObliqueAngle = ThisDrawing.Utility.AngleToReal(3, 0) '傾斜角度（需轉為弧度）

ThisDrawing.ActiveTextStyle = mytxt '將當前文字樣式設置為mytxt
Set txtobj = ThisDrawing.ModelSpace.AddMText(p, 1400, "\P" & "此心自光明正大，過人遠矣")
txtobj.LineSpacingFactor = 2 '指定行間距
txtobj.AttachmentPoint = 3 '右對齊（1為左對齊，2為居中）
End Sub
我們看這條語句
Set mytxt = ThisDrawing.TextStyles.Add("mytxt")
添加文本樣式並賦值給mytxt變數，只需要一個參數：文本樣式名
fontfile、height、width、ObliqueAngle是文本樣式最常用的屬性
Call ThisDrawing.ModelSpace.AddMText(p, 1400, "\P" & "此心自光明正大，過人遠矣")
這條語句是寫文本，需要三個參數。第一個參數p是坐標，1400是寬度，最後一個參數是文本內容，其中\p是一個回車符
擴大字元間距用\T數字，例：\T3abc，使文字abc的間距擴大3 部，n取值范圍是0.75-3
在論壇中有一個經常被同好提及的問題：如何使用文字疊加。舉例說明：123\S+0.12^-0.34
\S是格式字元，^是分隔符，前面的數字在上，後面的數字在下。
\C是顏色格式字元，C後面跟一個數字表示顏色
\A是對齊方式，\A0，\A1,\A2分別表示底部對齊、中間對齊和頂部對齊

夠不夠，不夠的話給個郵箱，我再發給你一個pdf文件！

2. FRM干貨：常用的金融風險的模型有哪些

金融市場的一項主要功能實際上是允許經濟界的不同參與者交易其風險，而近二十年來，由於受經濟全球化和金融一體化、現代金融理論及信息技術、金融創新等因素的影響，全球金融市場迅猛發展，金融市場呈現出前所未有的波動性，金融機構面臨著日趨嚴重的金融風險。
近年來頻繁發生的金融危機造成的嚴重後果充分說明了這一點。

一、波動性方法
自從1952年Markowitz提出了基於方差為風險的*3資產組合選擇理論後，方差（均方差）就成了一種極具影響力的經典的金融風險度量。方差計算簡便，易於使用，而且已經有了相當成熟的理論。當然，波動性方法也存在以下缺點：
（1）把收益高於均值部分的偏差也計入風險，這可能大家很難接受；
（2）以收益均值作為回報基準，也與事實不符；
（3）只考慮平均偏差，不適合用來描述小概率事件發生所導致的巨大損失，而金融市場中的「稀少事件」產生的極端風險才是金融風險的真正所在。
二、VaR模型（Value at Risk）
風險價值模型產生於1994年，比較正規的定義是：在正常市場條件下和一定的置信水平a上，測算出在給定的時間段內預期發生的最壞情況的損失大小X。在數學上的嚴格定義如下：設X是描述證券組合損失的隨機變數，F(x)是其概率分布函數，置信水平為a，則：VaR(a)=-inf{x|F(x)≥a}。該模型在證券組合損失X符合正態分布，組合中的證券數量不發生變化時，可以比較有效的控制組合的風險。
因此，2001年的巴塞耳委員會指定VaR模型作為銀行標準的風險度量工具。但是VaR模型只關心超過VaR值的頻率，而不關心超過VaR值的損失分布情況，且在處理損失符合非正態分布（如厚尾現象）及投資組合發生改變時表現不穩定。
三、靈敏度分析法
靈敏度方法是對風險的線性度量，它測定市場因子的變化與證券組合價值變化的關系。對於市場因子的特定變化量，通過這關系種變化關系可得到證券組合價值的變化量。針對不同的金融產品有不同的靈敏度。比如：在固定收入市場的久期，在股票市場的「β」，在衍生工具市場「δ」等。靈敏度方法由於其簡單直觀而得到廣泛的應用但是它有如下的缺陷：
（1）只有在市場因子變化很小時，這種近似關系才與現實相符，是一種局部性測量方法；
（2）對產品類型的高度依賴性；
（3）不穩定性。如股票的「貝塔」系數存在不穩定的缺陷，用其衡量風險，有很大的爭議；
（4）相對性。敏感度只是相對的比例概念，並沒有回答損失到底有多大。
四、一致性風險度量模型（Coherentmeasure of risk）
Artzner et al.（1997）提出了一致性風險度量模型，認為一個完美的風險度量模型必須滿足下面的約束條件：
（1）單調性；
（2）次可加性；
（3）正齊次性；
（4）平移不變性。
次可加性條件保證了組合的風險小於等於構成組合的每個部分風險的和，這一條件與我們進行分散性投資可以降低非系統風險相一致，是一個風險度量模型應具有的重要的屬性，在實際中如銀行的資本金確定和*3化組合確定中也具有重要的意義。目前一致性風險度量模型有：
（1）CVaR模型（Condition Value at Risk）：條件風險價值（CVaR）模型是指在正常市場條件下和一定的置信水平a上，測算出在給定的時間段內損失超過VaRa的條件期望值。CVaR模型在一定程度上克服了VaR模型的缺點不僅考慮了超過VaR值的頻率，而且考慮了超過VaR值損失的條件期望，有效的改善了VaR模型在處理損失分布的後尾現象時存在的問題。當證券組合損失的密度函數是連續函數時，CVaR模型是一個一致性風險度量模型，具有次可加性，但當證券組合損失的密度函數不是連續函數時，CVaR模型不再是一致性風險度量模型，即CVaR模型不是廣義的一致性風險度量模型，需要進行一定的改進。
（2）ES模型（Expected Shortfall）：ES模型是在CVaR基礎上的改進版，它是一致性風險度量模型。如果損失X的密度函數是連續的，則ES模型的結果與CVaR模型的結果相同；如果損失X的密度函數是不連續的，則兩個模型計算出來的結果有一定差異。
（3）DRM模型（Distortion Risk-Measure）：DRM通過一個測度變換得到一類新的風險度量指標。DRM模型包含了諸如VaR、CVaR等風險度量指標，它是一類更廣義的風險度量指標。
（4）譜風險測度：2002年，Acerbi對ES進行了推廣，提出了譜風險測度（Spectral Risk Measure）的概念，並證明了它是一致性風險度量。但是該測度實際計算的難度很大，維數過高時，即使轉化成線性規劃問題，計算也相當困難。
五、信息熵方法
由不確定性把信息熵與風險聯系在一起引起了眾多學者的研究興趣，例如Maasoumi，Ebrahim，Massoumi and Racine，Reesor.R等分別從熵的不同角度考慮了風險的度量，熵是關於概率的一個單調函數，非負，計算量相對較少，熵越大風險越大。
六、未來的發展趨勢
近年來行為金融學逐漸興起，它將心理學的研究成果引入到標准金融理論的研究，彌補了標准金融理論中存在的一些缺陷，將投資心理納入到證券投資風險度量，提出了兩者基於行為金融的認知風險度量方法，並討論了認知風險與傳統度量方差的關系。2004年Murali Rao給出一種新的不確定性度量--累積剩餘熵。累積剩餘熵是用分布函數替換了Shannon熵的概率分布律或密度函數，它具有一些良好的數學性質，這個定義推廣了Shannon熵的概念讓離散隨機變數和連續隨機變數的熵合二為一，也許會將風險度量的研究推向一個新的台階。
總之，金融風險的度量對資產投資組合、資產業績評價、風險控制等方面有著十分重要的意義。針對不同的風險源、風險管理目標，產生了不同的風險度量方法，它們各有利弊，反映了風險的不同特徵和不同側面。在風險管理的實踐中，只有綜合不同的風險度量方法，從各個不同的角度去度量風險，才能更好地識別和控制風險，這也是未來風險度量的發展趨勢。

3. 債券投資組合收益率的衡量有哪些

（一）基於交易費用和流動性的投資組合理論
如果市場是無效的和存在摩擦的，就會導致交易成本的存在，而開放式基金的流動性直接與交易成本相關。關於市場摩擦的投資組合問題，是由Magil和 Constantinides首先提出來的，之後Davis和Norman對此做了進一步研究。Davis(1990)等人利用隨機控制方法分析了在存在市場摩擦的情況下與證券流動性相關的交易成本問題，發現保持在一定風險區間內並且在接近區間的邊界時作最小交易是合理的。 Shreve，Akian(1995)等人利用粘度理論研究了具有交易成本的多維資產組合問題，並利用有限差分法求解了一個三資產的期終財富最大化問題。但是，Davis,Shreve,Akian等提出的方法忽略了固定成本所導致的較大交易成本，後來的Eastham和Hastings使用脈沖控制方法有效地解決了這一問題。Morton和Pliska(1995)也研究了固定交易成本下的最優組合管理問題，盡管他們建立的模型中的交易成本不是真實的交易成本，但是他們的方法在解決相應的組合問題時具有一定的指導作用。
最近的研究認為證券的流動性是證券價值的決定性因素，相對於流動性證券來說，非流動性證券的定價總是存在一定的折扣。例如Amihud和 Mendelson(1991),Kamara(1994)就證實在非流動性的中期債券和流動性的國債間存在超過35個基本點的收益差距；Whitelaw(1991)等也證實過類似現象。Brito(1977),Subrahanyam (1979),Amihud和Mendelson(1986),Duma，和Luciano(1991),Boudoukh和 Whitelaw(1993),Constantinides和Mehra(1998)等關於資產組合的流動性作用的研究成果，集中在外生的交易成本和借入或賣出的限定上，而後來Longstaf(2001)的研究則是集中於交易策略和證券價值內生的非流動性作用上。Longstaf解決了投資者受限於流動性限制的跨期組合問題。
（二）基於風格投資的投資組合理論
風格投資始於1992年威廉·夏普的論文《資產配置:風格管理與業績評價》。風格投資在國外的研究主要集中在以下幾方面:
第一，投資風格的分析。目前普遍接受的風格分析方法主要有和基於組合的風格分析。前者是由Sharp提出基於收益的風格分析，他認為通過比較基金的收益和所選擇的風格指數收益之間的關系可以判定基金管理人在過去一段時間的投資風格；後者主要是根據基金實際持有的股票特徵來劃分基金的投資風格。 Kahn(1996)發現對於小樣本基金，基於組合分析來預測風險比基於收益的分析方法具有更高的相關性；Kaplan(2003)研究發現對於大盤價值型組合，兩種風格分析方法所得結果相似，而對於中小盤和成長型組合，兩種分析方法則存在顯著差異。
第二，風格投資的表現及形成原因研究。風格投資常常表現出小市值效應(投資於小規模公司股票所獲得的收益要高於投資於大規模公司股票)和BV/MV效應(凈資產/市值)。Banz（1981）最早發現，最小一類公司股票的平均收益率要高出最大一類股票19.8%；Reinganum (1981)也發現類似現象。對於BV/MV效應，Stattman (1980)發現美國公司股票的平均收益與其BV/MV呈正相關關系；Fama和French(1992)也證明美國市場的BV/MV效應明顯。對此，有這樣幾種解釋:其一，Fama和French(1993,1995),Johnson(1997)等人認為風格投資的超額收益是對風險的補償，而這些風險被正統的資本資產定價模型所遺漏；其二，Lakonishok,Shleifer和Vishny(1994)認為超額收益是由於投資者對某種股票過去表現的過度反應所致；其三，Daniel和Titman(1997)認為由於具有某種相同屬性的公司分享著某些共同特徵，因而有可能同時出現一些經營上的問題而導致上述兩種效應；其四認為是計算方法的選擇以及數據處理等人為原因造成的。
第三，風格投資的周期性以及風格轉換策略研究。從價值型/成長型或大盤股刊、盤股等角度來看，風格投資在不同時期有著不同表現，存在周期性。弗蘭克等 (2002)研究表明，美國、日本股票市場中小盤股/大盤股總是間隔表現較差或優良。David,Robert和Christopher (1997)通過美國、加拿大等國數據分析發現，價值型/成長型組合的收益率存在較為明顯的周期型。由於風格投資具有周期性，因而投資者可以通過風格轉換以獲取更好收益。Levi，和Liodakis(1999)通過對英國股市的研究認為，當兩種相對風格的收益率差異不顯著時，投資者有機會通過風格轉換增進組合績效；另外一些學者如KevinQ .W ang(2003)、Georgi(2003)等也分別對此現象進行了研究。
第四，風格投資對證券市場的影響研究。Lee和Andrei等(1991)用風格投資的理論解釋了為什麼在同一證券市場掛牌的基金雖持有完全不同的股票，但卻同漲同跌；Froot等(1999)同樣運用風格投資的概念解釋了在不同交易所上市的同種股票卻有著不同表現的原因；Sorensen與 Lazzara(1995),Anderrson(1997)及Fochtman(1995)也先後就某種風格與某種具體影響因素(如宏觀經濟因素、價格趨勢等)之間的關系進行了研究。
（三）基於連續時間的長期投資組合理論
長久以來，馬柯維茨的均值--方差理論在指導人們短期投資中佔有重要地位。但事實上，長期投資和短期投資的最優資產組合不盡相同。
Samuelson（1963，1969)等最早描述了長期投資者與短期投資者作出相同決策的限制條件；Merton（1969，1971,1973)也對此進行了長期、深人的研究。他們的研究告訴人們，投資機會會隨時間變化，長期投資者總是關心長期中投資機會所受到的沖擊，並希望從中套利。 Kim，Omberg(1996)；Balzzi；Lynch(1999)；Barberis(2000)等人建立了長期投資者資產組合選擇的實證模型，這些模型是建立在 Samuelson(1963，1969)；Mossin(1968)；Merton（1969，1971，1973）；Stiglitz（1979）；Rubinstein（1976a,b）；Breeden（1979）等文獻的基礎上，並且最終完成了早期理論文獻的實證檢驗。他們假設一個生命有限的投資者具有期末財富的HARA (hyperbolic absolute risk aversion)效用，結果發現沒有用到任何近似，最優的組合權重是線性的。Balzzi，Lynch通過對那些忽視投資長期性的投資者的效用檢驗得出，忽略現實的交易成本將導致效用成本增加0.8%到16.9%；Barberis研究發現即使將許多參數的不確定性包含進模型之後，還有足夠的收益期望使長期投資者總能在股票上分配更多資產。
對於利率在長期的影響，Morton(1973)提出了套期保值效應，當投資者的風險厭惡系數大於1時，對風險資產的需求不僅受到資產風險溢價的影響，還受到預期收益率與預期遠期利率調整的協方差的影響；對於跨期理論中的跨期預算約束條件，Campbel(1993)認為當消費--財富比率不變或變動不大時，投資者的跨期預算約束條件為近似線形；Tepla(2000)在允許借入和賣空的約束條件下，將靜態投資組合的選擇標准結果擴展到動態的跨期模型。 Campbell和Viceira(2001)對這部分結論也有詳細的闡述。
對長期投資的資產組合選擇和風險控制問題，Jeremy Siegel(1994)通過分析認為在長期投資中，股票的風險低於債券甚至國庫券，在長期股票是最安全的投資資產。 Campbel，Viceira(1999,2000)證明對最優投資策略中市場擇機的忽略，會導致更大的效用損失。 Campbell,Chan，Viceira (2001)等用VaR(一階向量自回歸)模型來分析長期投資者的消費和資產組合選擇問題。研究表明，股票收益的可預測性增加了投資者對於股票投資的需要，並且長期通貨膨脹債券能夠增加穩健投資者的效用； John Y.Campbell,George Chacko，Jorge Rodriguez(2004)的研究也展示，保守的長期投資者有一個積極的股票跨期套利需求。這些研究對長期資產組合框架的建立作出了卓越貢獻。
對長期投資的資產配置問題，用連續時間數學來分析動態資產組合選擇，至少可以追溯到Robert Merton(1969--1973)的研討工作。Duffle(1996)；Karatzas，Shreve(1998)；Morton(1990)給出了連續時間中資產組合選擇的一般方法。Chacko，Viceira(1999)探討了時變風險對投資的影響。 Cox，Huang(1989)；Cox，Leland(1982)；Pliska(1996)等提出跨期消費與資產組合選擇的「鞍方法」，利用完全市場中的SDF(隨機貼現因子)屬性，把動態問題轉換為靜態問題，使得結果更容易求解。Campbell，Viceira(2002)在他們合著的《戰略資產配置：長期投資者的資產組合選擇》中第一次系統地討論了長期資產組合選擇問題。他們創立了一個可以與均值方差分析相媲美的跨期實證分析方法；證明了長期通貨膨脹指數化債券是對於長期投資者的無風險資產；揭示了股票作為對長期投資者比短期投資者更為安全資產的條件；證明了勞動收入怎樣影響資產組合選擇。
（四）基於VaR的投資組合理論
VaR方法在20世紀50年代才得到研究證券投資組合理論的學者們關注，它原先被人們用於測度一些金融公司交易證券的市場風險。VaR方法的引入在一定程度上彌補了原先投資組合理論對證券投資組合風險度量的不足。
國外學者先後給VaR從不同角度進行定義。
Joroin（1996）認為是給定概率置信水平內最壞情況下的損失；Sironi，Resti（1997）認為是在定義期間內，在一定的概率條件下，潛在的最大損失。
Luciano（1998）認為是在一定的概率條件下，單個頭寸或整個組合可能產生的損失；在給定資產（組合）價值變動分布的前提下，風險按照價值變動超過某一臨界點的可能性來界定。
Mauser，Rosen，Jorion(2001)分別利用歷史模擬法或蒙特卡羅模擬法估算了VaR條件下的資產組合選擇最優化問題。但VaR仍然存在有很多的缺陷。
Artzner等（1999）提出了一致性風險度量（Coherent Measures of Risk）的概念，其中一致性以四條公理假設條件作為判別標准，由於VaR不滿足四個條件中的次可加性（Sub-Additivity），意味著在某些條件下拒絕資產組合風險分散化原理，認為VaR不是一個Coherent風險度量。
基於此，Pflug，Rockafellar，Uryasev（2000,2002）；Acerbi，Tasche（2002）先後提出了條件風險價值（Conditional Valueat Risk,CVaR）作為風險的度量來對VaR進行修正。CvaR被定義為損失超過VaR部分的條件期望，只考慮下跌風險（Downside Risk）。如果VaR對應的置信區間為（1－α），則α－CVAR就是超過α－VAR的平均損失；針對VaR無法比較來自不同市場的風險暴露，Giuseppe Tardivo（2002）提出Benchmark-VaR的概念，即在一定的時間段內，在一定的置信區間內，基金或者組合偏離基準（Benchmark）的最大離差；Emmer等（2001）引入了風險資本（Capital at Risk,CaR）的概念，用以代替方差來衡量風險；鑒於VaR僅測度了市場常態下的資產組合的風險，Embrechts等（1997）將測度極端情況的極值理論與VaR相結合提出了測度市場極端風險的方法，McNeil，Frey（2000）運用極值理論研究了瑞士金融市場時間序列的尾部特徵，結論認為極值方法比VaR更為穩健和精確。
在界定了VaR和CVaR等風險測度指標後，以其為基礎研究資產組合選擇的工作相應展開。
Rockafellar等（2000），Anderson等（2001）考慮了CVaR作為風險測度時的資產組合優化問題，證明了CVaR是凸函數，可以用來構建有效的優化方法，而且Rockafellar等還提出了一種線性規劃方法，可以同時最小化VaR和CVaR。Emmer等在引入了風險資本（Capital at Risk,CaR）的概念後，建立了資產組合選擇的「均值-CaR模型」，推導出解析形式的最優解和有效邊界；Young（1998）提出了一個極大極小收益的資產組合模型（MMR）：在保證資產組合平均收益率超過某一最低收益水平約束下，極大化其任一時期的極小收益，決策目標是考慮在最不利收益中取最優收益。風險度量指標採用的是最小的可能收益而不是方差。
另外Bogentoft等（2001）；Topaloglou等（2002）；Castellacci，Siclari（2003）也研究了基於VaR和CVaR的資產組合選擇問題。
（五）基於非效用最大化的投資組合理論
Cover是較早非效用最大化投資組合理論的學者之一，他提出了在離散時間條件下的泛組合模型。該模型的突出優點是構建它不需要知道市場參數及有關統計信息，如利率、價格波動率，甚至不需要詳細描述離散時間條件下價格變動的動力學機制，只要通過跟蹤不同證券權重的績效加權變動情況便可達到最優恆定組合。 Cover還描述了泛組合的漸近行為，並引用實例說明了泛組合具有較好的解釋力。
Hellwing提出了一種普遍適用的經濟資源定價方法---價值維持原理(Value Preserving Principle)，即資源的內在價值(將來收益價值)不隨時間變化而變化。Helwing利用該方法考察了在離散時間、有限狀態空間條件下證券市場的組合最優化問題，並表現出較好的解釋力。
Buckley和Korn從考察隨機現金流下的指數跟蹤誤差的角度認為:對於那些消極跟蹤指數的投資者來說，其理想狀況的證券組合總是由進人指數的所有證券持有組成。這必然導致資本資產投資者持有的現金賬戶績效與指數績效的偏離(即導致跟蹤誤差的產生)。據此，Buckley和Korn給出了這種情形下的相關模型(即基於半鞍的一般連續時間模型)，分析了投資者導致的脈沖控制問題，並給出了其存在最優控制策略的一般條件。除此之外，他們還探討了某些擴散類型市場價值維持策略的存在性和惟一性，解決了來自於非完全市場中的期權套期保值理論的惟一價值維持測度問題(即最小鞍測度問題)，並考察了附加約束對組合策略的影響。
（六）行為金融和行為投資組合理論
近20年來的金融實證研究不斷發現股票收益率具有可預測性的證據，EMH的理論基礎和實證檢驗都受到了強有力的挑戰。證券市場上實證研究發現了許多無法由 EMH和資本資產定價模型加以合理解釋的異常現象。面對一系列金融異象，人們開始質疑以有效市場假說為核心的傳統金融理論。由於行為金融學能夠較好地解釋這些現象，因此原先不受重視的行為金融學開始受到越來越多學者的關注。

4. 金融風險預測用什麼模型

工商銀行開發的風控模型。

5. var與cvar在度量風險中有何區別

VAR(Value at Risk)按字面解釋就是「在險價值」，其含義指：在市場正常波動下，某一金融資產或證券組合的最大可能損失。更為確切的是指，在一定概率水平（置信度）下，某一金融資產或證券組合價值在未來特定時期內的最大可能損失。

VaR的特點

VaR特點主要有：
第一，可以用來簡單明了表示市場風險的大小，沒有任何技術色彩，沒有任何專業背景的投資者和管理者都可以通過VaR值對金融風險進行評判；
第二，可以事前計算風險，不像以往風險管理的方法都是在事後衡量風險大小；
第三，不僅能計算單個金融工具的風險。還能計算由多個金融工具組成的投資組合風險，這是傳統金融風險管理所不能做到的。

6. 人力資源管理：什麼是測評指標體系

被子等接觸的時

7. 什麼是 Expected Shortfall 相比 VaR 它有什麼優點

ES 和 VaR 的區別在計算上很明顯，在實際效果值得討論。

VaR 是 " 分位值 "：

對應的是分布中紅線那個位置的值，翻譯成人話就是：我有 a% 的把握明天的損失不會大於 VaR ( 損失當然是負的了，所以一般取絕對值）
而 ES 則是 大於一個置信度（小於一個分位）的條件期望，在圖上是好是紅線左邊對應所有損失的的期望，翻譯成人話是： ( 1-a% ) 糟糕的狀況發生之後的加權平均損失

計算 ES 其實就是條件概率的期望積分

至於使用效果如何，完全看 backtesting 和閾值啊

一般而言，這類 risk measure 計算無非是兩類結果：1. 我該給多少杠桿 2. 我的資本充足率是多少

在這兩個問題上，VaR 和 ES 完全只有大小的區別。 很可能換一個波動率模型或者分布，VaR 值就大於原先的 ES 了。舉個例子，我把 Normal 下的 VaR 換成了 Standard t 的 VaR， 因為 t 分布有肥尾，quantile 肯定比 normal 大。如果自由度低一點，尾巴肥一點，很可能值就大於原先的 ES 了。

那麼多大，多小合適呢？完全是把 backtesting 的閾值說了算。一般來說，對於對於所有市場風險模型，我們都要對其進三種檢驗： 無條件檢驗（Unconditional coverage test），獨立檢驗（independent test ) ，和條件檢驗（Conditional coverage test )

簡單的說我們要做三個 Chi-square 檢驗：

為給定標準的似然概率（給定置信度下的損失大於模型的 " 額定 " 似然概率）

為實際測試的似然概率（回測實際損失大於置信度的似然概率）

為連續兩天違反模型的概率（回測連續兩天是計算時大於置信度的似然概率）

那麼在固定置信度下，我們需要做：

上面三個全是 " 是 " 檢驗，意思是接受才是對的模型。

因此，廣義的說我們不能去泛泛的去談那個 risk measure 好不好，而是：哪一種波動率假設和分布假設下的 VaR 或者 ES 對於哪一隻資產在哪一段時間的回測能不能通過檢驗

當然，橫向比較：同一個分布和波動率假設下，ES 的值當然比 VaR 大的多，也就是資本金要更加充足。這種無條件的 " 大 " 估計是 basel 強行要求充足率要用 ES 的計算的原因，監管者就是喜歡一些簡單粗暴好管的東西嘛～

8. 項目風險度量的度量評析

Var與CVar度量辦法評析
Var度量方法由於開發的較早，已成為世界金融領域較為流行的風險度量方法。它採取了向後測試法運算簡潔對數據要求比較低。它能充分檢測金融資產對風險來源的敞口性和市場逆向變化的可能性，以最簡單的方法將不同的市場因子不同市場風險集成一個數，基本准確的測量了不同風險來源及其相互作用產生的潛在損失，較好的迎合了金融市場發展的動態性、復雜性、全球一體化趨勢。 但是與CVar度量方法比較有三個致命的缺陷，其一，因為它無法考察分位點以下的信息，忽略了資產的尾部風險，這樣可能引發因小概率事件而引起的巨額損失，甚至是金融危機，這需要引起足夠的重視。其二，Var不具有次可加性，這將會誘導投資者做出錯誤判斷進而產生錯誤的風險規避策略即，一個包含多個金融部門的機構若將其資產分別劃分給旗下各個部門，由各個部門分別計算Var再求和，就能實現整個金融機構風險的降低。但實際上是做不到的，這是因為 違背次可加性而給系統帶來的漏洞。其三，Var不能起到預警作用，這是由Var是一種利用歷史數據預測未來分布造成的。
CVar度量方法是基於Var方法基礎之上建立起來的，自然比Var方法更加理想與完善。它避免了由於Var自身缺陷有可能帶來的風險，有效的彌補了Var尾部損失測量的不充分性，並且滿足次可加性這樣就減少了對投資者進行有害激勵的負面效應，尤其是用於組合投資風險的度量。
作為新興的金融工具，CVar也還存在多方面的不足有待改進。首先，CVar計算復雜，相對Var對數據要求更高，也不能確保估值的穩定性。其次，CVar向後測試要比Var復雜的多，Var向後測試只需將實際損失超過Var的頻率與置信水平比較即可，但CVar的向後測試需要比較實際損失超過Var的期望值與估算出的CVar，通常損失超過Var水平很低，需要更多的數據支持同時對期望值計算精度也大大的降低了。CVar度量方法顯著的增強了風險度量的有效性，降低了隨機性，對風險描述也更趨合理、科學。

9. 請通俗解釋一下CVaR(條件風險價值)

風險控制一直是投資裡面一個比較重要的話題。最關鍵的風險管理，就是這個投資組合可能會虧多少錢。長期以來，一個比較流行的風險量度方法就是Value
At Risk (VAR)。VAR
假設投資組合的價值波動遵循正態分布，因此可以根據正態分布的概率分布，選擇一個非常小的概率（一般為5%）來計算投資組合在這個概率下的波動值。
例如，我們已知正態分布下投資組合有5%的概率會超過NORMSINV(95%)=1.64個標准差的波動。並且已知一個投資組合的均值為100，標准差為10。根據VAR的定義，這個投資者組合的VAR=10*1.64=16.4萬。即我們根據歷史數據和VAR的計算結果，有95%的把握這個組合的損失不超過16.4萬。
雖然VAR有著很多優點，比如實現簡單，計算方便，以及容易為第三方所理解等等。但是，有些風險問題並不能夠用VAR來解決。

例如，雖然我們知道95%的概率下這個組合的損失不會超過VAR值，但是如果超過了95%概率，那麼組合的期望損失又是多少？VAR無法回答上述問題。甚至，假設有投資組合A和投資組合B的5%預期損失相同，但是2%的預期損失不同，兩個投資組合的風險在VAR測量下是一樣的。這顯然會誤導投資者的獨立決定。
例如，雖然我們知道95%的概率下這個組合的損失不會超過VAR值，但是如果超過了95%概率，那麼組合的期望損失又是多少？VAR無法回答上述問題。甚至，假設有投資組合A和投資組合B的5%預期損失相同，但是2%的預期損失不同，兩個投資組合的風險在VAR測量下是一樣的。這顯然會誤導投資者的獨立決定。
因此，業界推出了Conditional Value At Risk (CVAR)指標，作為VAR的一個補充。與VAR比較，CVAR的優勢在於它統計的是不是一個點概率上的數值，而是超越選定概率以上的所有損失的加權平均期望值。

仍然以上面的投資組合為例，假設我們已知VAR下5%概率的損失是16.4萬，然後我們設定5%-0%的損失是近似線性遞增，從16.4萬上升到整個100萬本金，因此簡單計算下CVAR就等於 (16.4+100)/2=58.2萬。換言之，根據CVAR我們預期在小於5%的概率下，整個股票組合的期望損失為58.2萬。這個數字比VAR的結果16.4萬要大，因此一般情況下，用CVAR計算出來的結果要比VAR更加保守。同時，它也解決了不同尾部分布的投資組合之間的風險比較問題。
當然，CVAR也有它的一些使用限制。比如它仍然需要依賴於給定的風險分布假設，而這個風險分布假設有可能會隨著時間推移而變化。即使是同樣的正態分布假設，其均值和方差都會隨著量度樣本而改變。另外，計算CVAR一般涉及到微積分，需要較為高級的工具如Matlab等，也限制了CVAR的推廣。無論如何，CVAR已經作為一個極其有希望的VAR替代指標，被越來越多的金融機構所採用。

10. FRM考試中的常見金融風險模型有哪些

一、波動性方法
自從1952年Markowitz 提出了基於方差為風險的資產組合選擇理論後，方差（均方差）就成了一種極具影響力的經典的金融風險度量。方差計算簡便，易於使用，而且已經有了相當成熟的理論。當然，波動性方法也存在以下缺點：
（1）把收益高於均值部分的偏差也計入風險，這可能大家很難接受；
（2）以收益均值作為回報基準，也與事實不符；
（3）只考慮平均偏差，不適合用來描述小概率事件發生所導致的巨大損失，而金融市場中的「稀少事件」產生的極端風險才是金融風險的真正所在。
二、VaR模型（Value at Risk）
風險價值模型產生於1994年，比較正規的定義是：在正常市場條件下和一定的置信水平a上，測算出在給定的時間段內預期發生的壞情況的損失大小X。在數學上的嚴格定義如下：設X是描述證券組合損失的隨機變數，F（x）是其概率分布函數，置信水平為a，則：VaR（a）=-inf{x|F（x）≥a}。該模型在證券組合損失X符合正態分布，組合中的證券數量不發生變化時，可以比較有效的控制組合的風險。因此，2001年的巴塞耳委員會指定VaR模型作為銀行標準的風險度量工具。但是VaR模型只關心超過VaR值的頻率，而不關心超過VaR值的損失分布情況，且在處理損失符合非正態分布（如厚尾現象）及投資組合發生改變時表現不穩定。不想重考，想一次通過，我有秘訣！！！
三、靈敏度分析法
靈敏度方法是對風險的線性度量，它測定市場因子的變化與證券組合價值變化的關系。對於市場因子的特定變化量，通過這關系種變化關系可得到證券組合價值的變化量。針對不同的金融產品有不同的靈敏度。比如：在固定收入市場的久期，在股票市場的「β」，在衍生工具市場「δ」等。靈敏度方法由於其簡單直觀而得到廣泛的應用但是它有如下的缺陷：
（1）只有在市場因子變化很小時，這種近似關系才與現實相符，是一種局部性測量方法；
（2）對產品類型的高度依賴性；
（3）不穩定性。如股票的「貝塔」系數存在不穩定的缺陷，用其衡量風險，有很大的爭議；
（4）相對性。敏感度只是相對的比例概念，並沒有回答損失到底有多大。
四、一致性風險度量模型（Coherentmeasure of risk）
Artzner et al.（1997）提出了一致性風險度量模型，認為一個完美的風險度量模型必須滿足下面的約束條件：
（1）單調性；
（2）次可加性；
（3）正齊次性；
（4）平移不變性。
次可加性條件保證了組合的風險小於等於構成組合的每個部分風險的和，這一條件與我們進行分散性投資可以降低非系統風險相一致，是一個風險度量模型應具有的重要的屬性，在實際中如銀行的資本金確定和化組合確定中也具有重要的意義。目前一致性風險度量模型有：
（1）CVaR模型（Condition Value at Risk）：條件風險價值（CVaR）模型是指在正常市場條件下和一定的置信水平a上，測算出在給定的時間段內損失超過VaRa的條件期望值。CVaR模型在一定程度上克服了VaR模型的缺點不僅考慮了超過VaR值的頻率，而且考慮了超過VaR值損失的條件期望，有效的改善了VaR模型在處理損失分布的後尾現象時存在的問題。當證券組合損失的密度函數是連續函數時，CVaR模型是一個一致性風險度量模型，具有次可加性，但當證券組合損失的密度函數不是連續函數時，CVaR模型不再是一致性風險度量模型，即CVaR模型不是廣義的一致性風險度量模型，需要進行一定的改進。
（2）ES模型（Expected Shortfall）：ES模型是在CVaR基礎上的改進版，它是一致性風險度量模型。如果損失X的密度函數是連續的，則ES模型的結果與CVaR模型的結果相同；如果損失X的密度函數是不連續的，則兩個模型計算出來的結果有一定差異。
（3）DRM模型（Distortion Risk-Measure）：DRM通過一個測度變換得到一類新的風險度量指標。DRM模型包含了諸如VaR、CVaR等風險度量指標，它是一類更廣義的風險度量指標。
（4）譜風險測度：2002年，Acerbi對ES進行了推廣，提出了譜風險測度（Spectral Risk Measure）的概念，並證明了它是一致性風險度量。但是該測度實際計算的難度很大，維數過高時，即使轉化成線性規劃問題，計算也相當困難。