Coherent Risk Measures (一致风险测度)
大白话：一套「什么样的函数才算合理的风险度量」的规矩。 满足四条公理的风险度量叫一致（coherent）。 为什么要立规矩？因为常用的 VaR（在给定置信度上的最大亏损）不满足其中的可加性—— 两个各自都合规的头寸合起来可能就违规了。CVaR（预期亏损）则满足全部四条，是 VaR 的最小一致上界， 这也是 Basel III/IV 风险资本规则的基础。
定义。 一个一致风险测度（Artzner 等 1999）是定义在实值随机损益 / 亏损空间上的泛函 \rho: \mathcal Z\to\mathbb R，满足四条公理：单调性、平移不变性、次可加性、正齐次性。 它刻画的是：要让一个头寸被某个监管机构接受，需要多少资本。
公理（Artzner–Eber–Heath 1999）
设 \mathcal Z 是 (\Omega,\mathcal F) 上可测函数的线性空间，Z\in\mathcal Z 解释为头寸的亏损 （正 = 亏损，负 = 盈利）。若对所有 Z,W\in\mathcal Z 满足以下四条，则 \rho:\mathcal Z\to\mathbb R 是一致的：
- 单调性。 Z\le W \Rightarrow \rho(Z)\le\rho(W)。头寸逐点更差，风险就至少一样大。
- 平移不变性。 \rho(Z+c) = \rho(Z) + c，c\in\mathbb R。加入一笔确定的现金流入 c，资本要求就减少 c。
- 次可加性。 \rho(Z+W)\le\rho(Z)+\rho(W)。合并后的账本风险不超过各自风险之和——分散化永远不吃亏。
- 正齐次性。 \rho(\lambda Z) = \lambda\,\rho(Z)，\lambda\ge 0。敞口按比例缩放，风险线性缩放。
满足全部四条的是一致的；满足除正齐次性外三条的是凸的； 只满足第 1、3 条的是货币风险测度（Föllmer & Schied 2002）。
为什么讲一致，以及为什么是现在
这些公理把「哪些泛函可被接受为风险度量」钉死。 Artzner 等的突破在于证明了 VaR 违反次可加性—— 两个各自受 VaR 约束的头寸，合并后可能突破 VaR 上限—— 并提出替代理论：预期短缺 / CVaR 是 VaR 的最小一致上界。 这如今是 Basel III/IV 市场风险资本规则的基础。
DRO = 一致风险 的定理
让 DRO 成为一套公理化风险理论的那座桥 （Rahimian & Mehrotra §3.3.1）：
定理（Hoffman 1979 / Shapiro 2017）。 对凸且紧的模糊集 \mathcal P\subseteq\mathcal M(\Omega,\mathcal F) 与 R_P[Z]=\mathbb E_P[Z]，最坏情形期望算子 \rho_{\mathcal P}(Z) := \sup_{P\in\mathcal P}\ \mathbb E_P[Z] 是一个一致风险测度。反过来，在合适的有界可测亏损空间上，每个与分布无关的一致风险测度都能写成这种形式。
换个说法：在凸紧模糊集上做 DRO 就等于取一致风险测度， 而取到上确界的那个最坏分布 P^\ast 就是「对抗情景」。 取 \mathcal P = \{P : \mathbb E_P[\tilde\xi]=\mu_0,\ \mathrm{Cov}_P(\tilde\xi)=\Sigma_0\} 的 DRO， 得到的是在给定一、二阶矩的所有分布上的最坏期望亏损—— 即 Scarf、El Ghaoui 等、Delage & Ye 的经典组合 DRO。
表示
优化确定性等价（Ben-Tal & Teboulle 2007）
对凸的下半连续效用 u 与严格凸对偶函数，
\rho_u(Z) = \inf_{t\in\mathbb R}\ \{t + \mathbb E[u^{-1}(Z-t)]\}.
这是与分布无关的一致风险测度的表示。 取 u(t) = -e^{-\alpha t} 得到熵风险；取 u(t)=\min(t,0) 时下确界为 -\infty， 但相关的 CVaR 是一个一致的特殊情形。
凸对偶
对 L^\infty 上的一致 \rho，
\rho(Z) = \sup_{Q\in\mathcal Q}\ \mathbb E_Q[Z]
其中 \mathcal Q 是某个「风险调整概率」的凸集（风险包络）。 集合 \mathcal Q 恰好就是 DRO 表示中的模糊集 \mathcal P。 \mathcal Q 与 \rho 之间的对偶，和 \mathcal P 与所得 DRO 目标之间的对偶是同一个对偶。
常见的一致风险测度
| 风险测度 | \rho(Z) | 一致？ | 说明 |
|---|---|---|---|
| 期望损失 | \mathbb E[Z] | 是（退化） | 风险中性；不敏感尾部 |
| CVaR_\alpha（预期短缺） | \mathbb E[Z\mid Z\ge \mathrm{VaR}_\alpha(Z)] | 是 | Basel III/IV 标准；可加；是 VaR 的最小一致上界 |
| 熵风险 | \frac{1}{\alpha}\log\mathbb E[e^{\alpha Z}] | 是 | 光滑；与指数倾斜对偶 |
| 最坏情形 | \mathrm{ess\,sup}(Z) | 是 | 平凡地一致；DRO 取 \mathcal P = 支撑集上全部分布 |
| VaR_\alpha | \inf\{z: P(Z\le z)\ge\alpha\} | 否（违反次可加性） | 说明一致性为何重要的那个反面例子 |
| 均值-方差 | \mathbb E[Z]+\lambda\,\sqrt{\mathrm{Var}(Z)} | 是（\lambda\ge 0） | 马科维茨式的风险调整 |
按风险测度给出的 DRO 配方
对每个一致风险测度，模糊集就是风险包络——但在 DRO 里反向构造更有用： 挑一个可处理的 \mathcal P，白拿一个一致的 \rho_\mathcal P。标准配方（Rahimian & Mehrotra 表 1）：
| \mathcal P 的选择 | 得到的最坏期望 | 一致？ |
|---|---|---|
| Wasserstein 球 (§5.1.1) | \sup_{P: W_p(P,\hat P_N)\le\epsilon}\mathbb E_P[Z] | 凸紧 Wasserstein 球时是 |
| \phi-散度球 | \sup_{P: d_\phi(P,P_0)\le\epsilon}\mathbb E_P[Z] | 是（Ben-Tal 等 2013 ——软鲁棒） |
| 均值-协方差（Delage-Ye） | \sup_{P: (\mu,\Sigma)\in\mathcal U}\mathbb E_P[Z]，\mathcal U 为椭球 | 是 |
| 切比雪夫（均值 + 方差） | \sup_{P: \mathbb E_P[\tilde\xi]=\mu_0,\ \mathrm{Var}_P(\tilde\xi)\le\sigma_0^2}\mathbb E_P[Z] | 是（Scarf 1958） |
| 全支撑（无约束） | \mathrm{ess\,sup}(Z) | 是（平凡——这其实是 RO） |
对量化金融的含义
- 风险资本可以直接读成组合亏损 Z 的 \rho(Z)。
- 组合约束可以写成 \rho(\text{收益})\ge \text{下限}—— 这就是 Iyengar & Ma、Krokhmal、Palmquist、Uryasev 的「DRO 均值-CVaR」组合。
- 模型风险由此自然表达：如果我们对分布不确定，最坏期望就是风险资本； \mathcal P 的选择就是「对先验的先验」。
与 CVaR 优化的关系
一致风险测度是一套公理，CVaR 优化是把其中一个具体测度装进求解器。Artzner 等 1999 给出了公理与表示定理（情景法：\rho 相干 \iff 存在一族概率测度 P 使 \rho(X)=\sup_{P}\mathbb E_P[-X/r]）；Rockafellar 与 Uryasev 则回答了下一个问题：给定一个相干测度，怎么把它写成能算的形式。
对 CVaR 而言答案是分段线性化：引入分位点 \zeta 与辅助变量 z_j \ge f(x,y^{(j)})-\zeta，把 \mathrm{CVaR}_\alpha(x)=\min_\zeta F(x,\zeta) 化成线性规划，于是"最小化 CVaR"可以直接送进 LP 求解器——讲义称可用于超过 1,000,000 个工具与情景的问题。详见CVaR 优化。
两者的分工可以这样记：公理回答"这样的风险度量可不可接受"，LP 刻画回答"这个可接受的度量怎么算得动"。Artzner 等的论文还给出了尾部条件期望 TCE 与最坏条件期望 WCE 这对构造，说明"相干"这一条件本身留下了很大的自由度——最终选哪个测度仍要靠额外经济考虑。
交叉引用
- concepts/models-theory/Distributionally Robust Optimization — DRO = 一致风险（\mathcal P 凸紧时）
- concepts/models-theory/Wasserstein Ambiguity Set — 最常用的数据驱动 \mathcal P，给出一致的 \rho_\mathcal P
- concepts/risk-portfolio/Robust Optimization — 退化情形 \mathcal P = 支撑集上全部 \Rightarrow \rho = \mathrm{ess\,sup}
- concepts/risk-portfolio/Volatility Targeting — 一个实用的风险预算层；DRO 形式化了「目标波动率」到底意味着什么
- concepts/risk-portfolio/Risk Parity — ERC 在其风险预算公式中用 CVaR 作风险测度
相关页面
- Artzner et al. 1999 摘要 —— 公理与表示定理的原文出处
- Artzner et al. 1999 论文实体页 —— 结构、VaR 三个反例与标准文献
- CVaR 优化 —— 公理框架在优化侧的实现
- Artzner, P., Eber, J.-M. & Heath, D. (1999) "Coherent measures of risk" Mathematical Finance 9(3).
- Föllmer, H. & Schied, A. (2002) Stochastic Finance — axiomatic treatment.
- Shapiro, A. (2017) "Distributionally robust stochastic programming" — the duality theorems.
- Acerbi, C. & Tasche, D. (2002) "On the coherence of Expected Shortfall" — CVaR = ES = coherent superset of VaR.