本文提出了一个定义在光谱风险度量空间上的函数式,用以量化风险度量的“风险厌恶程度”。通过对CVaR的归一化和线性公理构建该函数式,给出了两种表达形式,并探讨了其性质及解释。该方法可将复杂光谱风险度量映射为单一风险厌恶度指标,易于比较和替代 ,并结合Kusuoka表征实现结构化分析.
研报核心目标是构造一个函数式 (r_p),量化光谱风险度量 (\rho) 的风险厌恶程度,使得若 (r_p(\rho_1) \ge r_p(\rho_2)),则 (\rho_1)更风险厌恶.
以CVaR作为基准,构建两个公理:归一化(Axiom 1,设定 (r_p(\mathrm{CVaR}_\alpha) = \alpha) )和线性(Axiom 2,(r_p)的变换 (s_p) 关于 (\rho) 线性),保证度量兼容凸组合.
核心公式(定理1):
[ r_p(\rho) = \begin{cases} 1 - \left[(p+1)\int_0^1 (1-t)^p dw_\rho(t)\right]^{1/p} & p\neq 0,-1 \ 1 - [w_\rho^{(l)}(1)]^{-1} & p=-1 \ 1 - \exp\left{\int_0^1 \log(1 - t) dw_\rho(t) + 1 \right} & p=0 \end{cases} ]
这里的 (w_\rho) 是风险度量的对偶效用函数,体现了风险分布权重.
另一公式(定理2)表明 (r_p(\rho)) 等价于Kusuoka表征概率测度 (\mu) 下的 (p)-广义均值:
[ r_p(\rho) = 1 - \mathbb{E}_\mu^p[1-\alpha] ]
其中 (\mathbb{E}_\mu^p) 包括算术、几何、调和均值特殊情形.
作者提出了一个函数式映射,将谱风险测度映射为衡量其风险厌恶程度的实数。直观上,这使得风险测度之间的“更偏向风险规避性”可被量化和比较。该函数满足两个公理:对条件风险价值(CVaR)的归一化和一定的线性性质,从而确保构造的功能合理、唯一。报告还给出了两种该风险厌恶程度函数的计算公式,探讨其性质、几何和统计解释,并讨论了其可能的推广方向。
报告首先定义空间Z为具有q次可积的随机变量集,q∈[1,∞),并介绍谱风险测度ρ的定义:
[ \rho(Z) = \int_0^1 F_Z^{-1}(u) dw(u), ]
其中dw是在[0,1]上的凸分布函数(dual utility function),反映了谱风险测度对损失分布不同分位数的加权偏好。
作者明确研究目标为定义函数r,对谱风险测度ρ量化其风险厌恶程度,使得r(ρ1)≥r(ρ2)意味着ρ1更风险厌恶。这为风险测度的比较提供了定量工具。本文将基于两个公理构造这一函数族rp,并给出相关公式和性质。
构造函数族rp:R→R,其中p∈R,满足下述两个公理:
[ r_p(\mathrm{CVaR}_\alpha) = \alpha, \quad \alpha\in[0,1]. ]
[ s_p(\rho) = \begin{cases} (1 - r_p(\rho))^p, & p\neq0, \ \log(1 - r_p(\rho)), & p=0, \end{cases} ]
要求sp在谱风险测度空间线性。
此外,定义一个辅助函数hp(α)(给出闭式表达和极限情况),可辅助理解风险厌恶函数的行为及直觉。
作者给出了两个闭式公式对风险厌恶度函数rp进行表征:
[ r_p(\rho) = 1 - \left[ (p+1) \int_0^1 (1-t)^p d w_\rho(t) \right]^{1/p}, ]
[ r_{-1}(\rho) = 1 - [w_\rho^{(l)}(1)]^{-1}, ]
其中wρ(l)(1)为cdf在1处的左导数;
[ r_0(\rho) = 1 - \exp\left{ \int_0^1 \log(1-t) d w_\rho(t) + 1 \right}. ]
[ r_p(\rho) = 1 - \mathbb{E}_\mu^p[1-\alpha], ]
即
[ \mathbb{E}\mu^p[1-\alpha] = \begin{cases} \left( \int{[0,1]} (1-\alpha)^p d\mu(\alpha) \right)^{1/p}, & p\neq 0, \ \exp\left{ \int_{[0,1]} \log(1-\alpha) d\mu(\alpha) \right}, & p=0. \end{cases} ]
定理3:对任意p,rp(ρ)均取值于区间[0,1],意味着风险厌恶程度被规范为闭区间实数,使得比较直观和方便。
推论1:任何谱风险测度ρ存在唯一CVaR风险测度CVaRα与其风险厌恶度一致,即
[ r_p(\rho) = r_p(\mathrm{CVaR}_\alpha) = \alpha. ]
这表示谱风险测度的风险厌恶度函数rp提供一种基于CVaR的风险测度替代选择,简化复杂谱风险测度的应用。
[ \rho_1(Z_p) = \rho_2(Z_p). ]
其中Zp的分布形式依p取值不同而不同(如p=0时为指数分布,p=1时为均匀分布)。这为p的选取提供操作意义:若后续风险测度用于特定类分布,则相应的p能恰当刻画风险厌恶度,且用CVaR替代谱风险测度无信息损失。
[ r_1(\rho) = 2 \int_0^1 t, d w_\rho(t) - 1. ]
r1(ρ)可视为dual cdf wρ与均匀分布cdf的Gini系数:
[ r_1(\rho) = 1 - 2 \int_0^1 w_\rho(t) dt. ]
该值反映wρ与u(t)=t之间的离散不平等程度,r1(ρ)在[0,1]区间最小值对应wρ(t)=t(即期望风险测度),最大值对应极端风险规避(essential supremum,对应CVaR1)。
r1(ρ)也等价于dual cdf与均匀分布之间的type-1 Wasserstein距离的两倍:
[ r_1(\rho) = 2 W_1(\mathbb{P}{w\rho}, \mathbb{P}_u). ]
这两个命题提供r1的直观“距离”度量解读。Gini系数体现了风险权重分布的不均匀度,Wasserstein距离强调分布的整体差异性。两者均表征风险测度的风险厌恶强度。
与此同时,最小风险厌恶值对应均匀加权的期望,最大值对应极端尾部风险关注,符合金融风险测度的传统理解。
[ \rho(Z) = \sup_{\mu\in\mathcal{M}} \int_0^1 \mathrm{CVaR}_\alpha(Z) d\mu(\alpha), ]
其潜在推广为:
[ r_p(\rho) = \sup_{\mu\in\mathcal{M}} \left{1 - \mathbb{E}_\mu^p[1-\alpha]\right}. ]
本报告以数学公式、定理和命题为主要形式表达观点,没有传统意义上的数据表格或图像,但诸多公式充当“定量图表”核心表达。
公式:
[ r_p(\rho) = 1 - \left[ (p+1) \int_0^1 (1-t)^p d w_\rho(t) \right]^{1/p}, \quad p\neq 0, -1, ]
[ r_{-1}(\rho) = 1 - [w_\rho^{(l)}(1)]^{-1}, ]
[ r_0(\rho) = 1 - \exp\left{ \int_0^1 \log(1-t) d w_\rho(t) + 1 \right}, ]
对其解读:
wρ是dual utility函数,是一种累积分布函数,凸性保证风险权重递增。公式表明风险厌恶度是对dual函数分布加权下计算的泛化均值,通过(1−t)p权重加不同非线性变换。
不同p反映对极端尾部风险的不同程度体重,p=−1只关注cdf在1点的斜率,反映极端风险敏感;
该公式体现,风险厌恶度是dual utility函数形态的函数,将复杂的函数转化为单一数值。
[ r_p(\rho) = 1 - \mathbb{E}_\mu^p[1-\alpha], ]
其中
[ \mathbb{E}\mu^p[1-\alpha] = \begin{cases} \left( \int{[0,1]} (1-\alpha)^p d\mu(\alpha) \right)^{1/p}, & p\neq 0 \ \exp\left( \int_{[0,1]} \log(1-\alpha) d\mu(\alpha) \right), & p=0 \end{cases} ]
μ为CVaR参数α的概率测度,代表谱风险测度的构成权重。
此公式表明风险厌恶度为1减去对1−α的p阶泛化均值,反映风险规避如何由CVaR构成权重μ决定。
解析具体p取值,连接常用均值类型,提供灵活可描述不同风险衡量偏好。
公式:
[ r_1(\rho) = 1 - 2 \int_0^1 w_\rho(t) dt, ]
等同于基于dual wρ和均匀cdf的Gini系数,或2倍type-1 Wasserstein距离:
[ r_1(\rho) = 2 W_1(\mathbb{P}{w{\rho}}, \mathbb{P}_u). ]
数值解读为,两cdf的“距离”反映风险分布权重对尾部的集中度及偏好。
Gini系数意涵“不平等度”,云集更多权重于高尾部对应更高风险厌恶度。
Wasserstein距离为概率测度间一种合理且平滑距离,适合风险测度分布比较。
本报告并非针对某个公司或资产定价,而是建立数学函数式风险厌恶度度量,故无传统的收益、利润或股票估值预测,亦无DCF或倍数估值法。
但数学估值层面,核心为:
定义风险厌恶度函数rp;
输入函数wρ或测度μ;
通过定理式(5)和(7)计算;
解释p值对均值形态和风险解读的影响。
该方法强调模型的唯一性和线性体现,没有传统估值中的折现率或增长率假设。
报告本身不是描述某种资产投资风险的金融分析报告,而是理论性质的风险测度方法构造,因此“风险因素”更多指该函数式框架本身可能面临的限制:
信息损失问题:将谱风险测度(实质为函数或测度)归纳为单一风险厌恶度标量不可避免会丢失细节信息,可能无法全面反映风险测度的“偏好结构”;
对p值的选择敏感性:不同p对应不同风险厌恶度含义,实际应用中需谨慎选取p以匹配风险环境或偏好,否则解读和应用效果有限;
推广至更广泛风险测度的不确定性:对law invariant coherent risk measures的推广(最坏情形主导风险厌恶度)可能过于保守,需要进一步验证其实用性和合理性;
对极端风险的非直接解释:某些p取值(如p=−1)聚焦点较窄,可能导致风险厌恶度对实际尾部行为的适用有限。
报告没有明确提出缓解策略,但在讨论中提出未来研究方向,关注上述问题。
报告视角严谨、淡色倾向中立,明显数学上强调函数唯一性和线性,理论公理充分支撑构造,减少主观猜测。
潜在偏见在于选择CVaR参数线性对应为归一化基础,虽然合理,但对于风险规避的多样化表述可能不完全通用;
函数rp虽然满足公理,但导致信息浓缩(由函数或测度降维为单值)本质上可能忽略风险测度间更复杂差异,实际运用时或有局限;
对p不同取值的实务意义尚需展开研究,特别是极端p和实际金融资产的匹配度暂无实证支持;
报告对数学证明严谨,但第7页Proof of Theorem 2部分存在排版混乱和非完备性,这或许影响精读,但不影响章节整体逻辑。
本报告由E. Ruben van Beesten提出,针对谱风险测度的风险厌恶程度量化,构造了函数族rp,该函数基于二公理原则(CVaR的归一化和p-线性扩展)定义,且有两种等价计算方式:
报告证明rp取值在[0,1]区间,使风险测度的风险厌恶度规范化且具有比较意义。尤其重要的是,任何谱风险测度可对应一个风险厌恶度相同的CVaR风险测度,后者作为简化工具具有潜在实际使用价值。
关于p的选取,报告指出其连接不同形式的均值(算数、几何、调和),更特别强调了p=1的特殊几何意义:风险厌恶度可被理解为dual cdf相对于均匀cdf的Gini系数或type-1 Wasserstein距离,赋予其统计和几何双重层面的理解。
最终,作者探讨了将rp推广至更广泛law invariant coherent风险测度的可能方向,提出风险厌恶度可理解为最坏情形的谱风险度量,但强调这方面仍是未来研究课题。
整体来看,该报告构建了描述谱风险测度风险偏好的理论工具,清晰阐释了数学结构与统计解释,且与经典风险测度CVaR紧密关联,具有较强的理论价值和潜在应用前景。
参考溯源注释:上述内容均基于论文正文推断,以下为引用主要页码:
2408.15675.pdf