分位风险
VaR 是给定置信度下不被超过的损失阈值。
用 VaR 与 ES 描述尾部损失
VaR 回答分位点在哪里；ES 回答跨过分位点后平均有多糟。两者都依赖持有期与置信度。
本章胜利条件：能计算并比较 VaR 与 ES，选择历史、参数或 Monte Carlo 方法并设计回测。
1. 先建立模型骨架
尾部均值
ES 对阈值以外损失取条件平均，更关注尾部厚度。
模型检验
回测关注超损次数、聚集性和模型更新。
VaRα=损失分布的 α 分位数；ESα=E[L | L>VaRα]
同一组合若不说明置信度和持有期，VaR 数字没有完整含义。
2. 操作参数，观察敏感度
CHAPTER 22 LAB双参数情景实验
先预测方向，再拖动参数模型读数
最容易错的地方
把 99% VaR 当成最大损失，或只看超损次数不看超损聚集。
3. 用判断证明理解
ES 相比 VaR 多回答了什么？
选择后显示推理反馈。
章末主动回忆 · 不看答案先作答
为何正态参数 VaR 会低估卖期权组合风险？
参考：非线性 gamma 和厚尾使损失分布偏斜且尾部更重，线性正态近似漏掉极端场景。
Hull 第 11 版第 22 章，PDF 第 516-543 页。建议先完成本页实验与主动回忆，再读 Summary 和章末题核对术语。
遇到推导跳步时，把具体公式和你的推理发给老师；不要用“看懂答案”替代独立重建。