尽管 VaR 和 CVaR 很相似（甚至只差一个字母！），但在风险管理中通常更偏好使用 CVaR。原因之一是它会受到损失分布尾部的影响，而 VaR 只是一个静态数值。
问题：CVaR 如何纳入损失分布尾部的信息？
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
风险管理始于对风险与回报的理解。我们将回顾风险与回报的相互关系，识别风险因子，并以此重新认识现代投资组合理论在 2007—2008 年全球金融危机中的应用。
现在是用 VaR（在险价值）和 CVaR（条件在险价值）等风险度量来扩展您的投资组合优化工具箱的时候了。为此，您将使用包括 pandas、scipy 和 pypfopt 在内的专业 Python 库。您还将学习如何利用 Black–Scholes 模型为期权投资组合进行对冲，从而降低风险敞口。
当前练习
在本章中，您将使用参数估计和历史真实世界数据来估计风险度量。接着，您将了解蒙特卡罗模拟如何帮助预测不确定性。最后，通过理解结构性突变以及如何识别它们，您将学习到全球金融危机如何表明随机性本身正在发生变化。
现在是探索更通用的风险管理工具的时候了。这些高级技术对于理解极端事件（例如金融危机期间产生的损失）以及可能违背传统估计技术的复杂损失分布至关重要。您还将了解如何实现神经网络来近似损失分布，并进行投资组合的实时优化。
