雖然 VaR 和 CVaR 很相近（甚至只差一個字母！），但在風險管理中通常會偏好使用 CVaR。原因之一是它會受到損失分佈「尾端」的影響，而 VaR 只是個靜態數值。
問題：CVaR 如何把損失分佈尾端的資訊納入衡量？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
風險管理始於對風險與報酬的理解。我們將複習兩者之間的關係，辨識風險因子，並以此重新認識現代投資組合理論，將其應用到 2007–2008 年的全球金融危機。
現在該用在險價值（VaR）與條件在險價值（CVaR）等風險衡量指標，來擴充你的投資組合最佳化工具箱。為此，你會使用包含 pandas、scipy、pypfopt 在內的專門 Python 函式庫。你也將學到如何使用 Black–Scholes 模型為選擇權投資組合進行避險，以降低風險曝險。
當前練習
在本章中，你會用參數式估計與真實的歷史資料來估計風險衡量指標。接著，你將了解蒙地卡羅模擬如何協助預測不確定性。最後，你會學到全球金融危機如何顯示隨機性本身正在改變，並理解結構性斷裂及其識別方法。
接下來要探索更通用的風險管理工具。這些進階技術在試圖理解極端事件（例如金融危機期間發生的損失）以及可能無法用傳統方法估計的複雜損失分配時，至關重要。你也會了解如何運用神經網路來近似損失分配，並執行投資組合的即時最佳化。
