同一段 S&P 500 日收益率，同样取 5% 尾部概率，同样一个 1,000 美元的组合，四种算风险的方法给出四个数字：18.32、16.06、12.23、11.72。最低的是最高的六成四。这不是谁算错了，是历史模拟、EWMA、正态 GARCH、t-GARCH 四种模型对"最近发生了什么"和"尾部有多厚"的判断不一样。

《Financial Risk Forecasting Notebook》第 5 版就是拿这四种方法做这件事的。作者 Jon Danielsson 在伦敦政治经济学院任教，这份在线笔记配合他的同名教材使用，2026 年 8 月 27 日发布第 5 版，共 31 章。全部免费在线阅读，不需要注册。

2024 年那版在线笔记只讲 R，代码也主要给 R。第 5 版改了做法：每个代码块都是一组标签页，
R、Python、Julia 三份实现叠在一起，翻到哪一章、切到哪种语言，位置是对齐的。配套网站另外还有 Matlab 的示例，但笔记本本身只维护这三种。

31 章分六块：

导论（1—5 章）：背景、金融与经济数据、编程语言、变量与对象、日期与时间。

编程（6—17 章）：环境配置、R/Python/Julia 三种语言的变量写法、文件格式、本书用的数据集、画图、时间序列、描述统计、模拟、最佳实践、汇报与报告。

波动率（18—22 章）：单变量波动率模型、波动率模型的评价、模型失效的情形、手工估计、多变量波动率。

风险（23—28 章）：风险预测的实现、组合风险、风险的模拟方法、跑回测、检验回测、模型风险与监控。

参考（29—31 章）：学习资源、数据供应商、完整报告模板。

第 23 章和第 26 章是整套东西的落点。前者把波动率模型变成 VaR 和 ES，后者把同一套函数放进滚动窗口跑成千上万次。

第 23 章用四种方法算了同一个组合的次日风险，输出直接印在页面上：

历史模拟给 18.32 的 VaR 和 30.53 的 ES，是四个里最高的。它只用估计窗口里真实发生过的损失排序取分位数，不做分布假设。代价是移动很慢：一笔大亏损只要还在窗口里就一直占满权重，掉出窗口那天又一次性消失，所以市场平静下来很久之后它还可能挂在高位。

EWMA 给 16.06 和 20.14，波动率预测 0.0098。指数权重让最近几天主导结果，反应快，但它是正态分布且没有均值回复，预测永远跟着最近的行情走，不会被拉回长期水平。

正态 GARCH 给 12.23 和 15.33，波动率预测 0.0074。它把均值回复补上，让数据自己去估波动率的动态，只是仍然假设新息是正态的，尾部的形状完全由波动率路径决定。

t-GARCH 给 11.72 和 16.46，估出来的自由度 5.71。这里有个容易被跳过的细节：在 5% 这个位置上，t-GARCH 的 VaR 反而比正态 GARCH 低，因为标准化 t 分布和正态密度在靠近中段的地方交叉，分位数更小；厚尾的代价体现在 ES 上，ES 对整条尾部取平均，t-GARCH 的 16.46 明显高过正态 GARCH 的 15.33。想看清厚尾效应，得看 ES 而不是 5% 的 VaR。

再往下到 1%，差距就压不住了。第 23.8.2 节把两种分布在 1% 概率、单位方差下的乘数直接列表：

自由度 4 时，ES 比正态高 38.5%，VaR 只高 13.9%。自由度回到 30，两个数都收敛到 2% 到 4%。所以"用 t 分布"这句话本身不构成结论，得看估出来的自由度落在哪。

跨语言一致性在第 23.10 节单独列了三张表。历史模拟和 EWMA 在三种语言里完全相同，因为这俩没有需要优化的参数。两个 GARCH 有小差别：正态 GARCH 的 VaR 是 Julia 12.23、Python 12.22、R 12.23；t-GARCH 的 ES 是 Julia 16.48、Python 16.43、R 16.46；自由度 Julia 5.69、Python 5.76、R 5.71。

作者把原因写在页面上了：三个包的优化算法不同、参数估计的初值不同、极大似然估计的数值精度不同。他的判断是这些差别小到可以在实务里忽略。对读代码的人来说，这个差别反而是有用的信号：三个独立实现能对到千分位，说明代码本身没有理解偏差。

第 26 章要跑滚动窗口回测，每个交易日都要重新估一次 GARCH，几千次下来，包选错就是几小时的差别。作者用 2,000 个观测的窗口做了 GARCH(1,
1) 单次估计的计时：

最快和最慢差了两个数量级以上。tsgarch 慢是因为它支持的 GARCH 变体和分布最多，rugarch 同理。R 里正态误差用 tseries 最快，但它只支持正态，要 t 分布就得换 fGarch。作者自己也注明这组计时是相对参考，没有记录硬件和包版本，不能当可复现的基准。

回测框架本身很小：三种语言各有一个 common/functions 文件，里面放四个 Risk_ 函数和一个 RunOneDay()，后者算单个交易日的全部方法。窗口、概率、组合价值对所有模型统一，保证可比。结果存成各语言的二进制格式（.RData、.pkl、.jls），并附上运行日期、机器名、包版本、起止日期。理由是重估几千次太贵，而下一章的统计检验是另一件事，不该每次重跑估计。

并行部分给了四种写法：R 的 mclapply 在 Mac 和 Linux 上靠 fork，Windows 上用 foreach 加 doParallel 建集群，Python 用 joblib 的 n_jobs=-1，Julia 用 Threads.@threads 共享内存。路径选择本身是有信息量的：fork 省事但不能跨平台，集群方式要显式把库和变量送到工作进程。

页面开头就把边界划清：这套笔记不推导风险预测的数学，也不从零教编程，作者认为这两件事有更好的资料。教材和讲义承载数学与统计，编程部分只复习后面要用到的语言基础，第 29 章给三种语言的训练材料链接。它做的是把规格、代码和数据拼起来，产出市场风险预测。

范围也只到交易账户的市场风险，监管框架本身不展开，留给第 13 章。组合优化、风险预算、压力测试只提了一句"超出范围"。

第 23.11 节还列了四种方法在极端分位上的困难：1% VaR 配 1,000 个观测，只有大约 10 个点决定估计值；0.1% 需要 1,000 个观测才指望看到一次超越；日频数据下 1% VaR 一年本该被突破两三次，统计检验的功效极低。作者给的实践建议相当克制：样本量比方法精巧更重要，几个方法之间的分歧本身就是不确定性的度量，一个尾部估计不可靠的复杂方法，常常不如一个置信区间更宽但诚实的方法。

许可方面需要说清楚：这份笔记是 CC BY-NC-ND 4.0，允许署名转载原文，禁止商业使用，也禁止分发改编版本。所以整本翻译、改写、打包成付费附件都不合规，能做的只有给出官方入口和写导读。文末的论坛币区放了六个直达入口、31 章完整目录、三张结果表和许可条款原文。

想看完整目录、三语对照的结果表、厚尾乘数表和获取入口的，回复后可见。