论文部分内容阅读
摘要：在经济全球化和金融一体化的影响下，全球的金融环境发生了重大的变化，金融市场的波动性和系统风险也随之加剧。VaR作为一种新的风险度量和管理的工具，自诞生以来就得到广泛应用，它相比于传统的金融风险管理模型，更具有实用性和投资参考意义。我国股票市场发展时间较短，存在许多不成熟不规范的地方，使得我国证券市场指数经常大起大落，加强风险管理势在必行。
关键词：金融市场风险；VaR模型；GARCH模型
中图分类号：F83文献标识码：A文章编号：1672-3198（2012）19-0106-02
1金融市场风险
金融风险（FinancialRisk）是指金融变量的变动所引起的资产组合未来收益的不确定性。自20世纪70年代布雷顿森林体系崩溃以来，各国汇率制度开始向浮动汇率转变，许多发展中国家对外开放资本账户的速度过快，放松了对利率和汇率的干预，从而加剧了利率和汇率的波动，而金融化程度的进一步加深，强化了国家金融体系的相互依赖性，也由此加剧了市场风险在各国间的扩散和传播，金融市场风险已成为各类金融机构无法回避而必须面对的基础性风险。一般来说，金融风险可分为市场风险、操作风险、信用风险、流动性风险及其他类型的金融风险。从发生的可能性以及对金融机构的影响来看，又以市场风险影响最大。
金融市场风险（FinancialMarketRisk）是指由于金融市场变量的变化而引起的资产组合未来收益的不确定性。我们常说的金融市场变量也称为市场风险因子（MarketRiskFactor），主要包含股票价格、汇率、利率及衍生品价格等等，所以金融市场风险也常被称作金融资产价格风险（PriceRiskofFinancialAssets）。
2VaR方法
2.1VaR基本概念
VaR（ValueatRisk）意为处在风险中的价值。根据Jorion（1996）给出的定义：“VaR是指在一定的概率水平下（置信度），某一金融资产或证券组合在未来特定的一段时间内的最大可能损失值。”用数学语言可以表示成：
2.2置信度和持有期的选择和设定
VaR的基本公式可看作是置信度α和持有期Δt的函數，而且，在其他因素不变的情况下，置信度越大，持久期越长，计算出来的VaR也就越大。本文中我们采用巴塞尔委员会要求的99%的置信水平。同时为确保VaR值的可靠性，选择较短的持有期，持有期为一日。
2.3GARCH模型
GARCH模型具有良好的描述金融时间序列的特性，即方差的时变性和处理厚尾的能力，较其他波动估计方法更能描述VaR模型的估计。在GARCH模型中，通常包含两个方程，一是自回归模型，二是条件方差模型，1985年Bollerslow提出了广义自回归条件异方差模型：
3实证分析
为了更好地拟合GARCH模型，采用从2005年5月股权分置改革至2012年5月（从2005年5月9日至2012年5月14日(观察值个数为1708)）日收盘价为样本数据，选取的样本容量大，且为最新数据，便于保证可以得到高精度的结论。
3.1平稳性检验
我们采用单位根检验来验证样本数据的平稳性，ADF检验输出结果如表1所示，t统计量为-41.10744，远远小于-3.44，样本数据上证指数收益率平稳。
3.2自相关检验
输出样本自相关图，由图1可知，收益率之间的相关性并不显著，但在高阶后呈现相关。
我们可以假设均值方程为St=rt+εt，对序列进行残差平方的统计量检验，输出结果如图3所示。
差平方的相关性检验的结果，从图3中可以看出，Q统计量是显著大于0的，而且自相关（AC）系数和偏相关系数（PAC）系数也均不为0，此时可充分证明说明残差平方存在相关性，即拒绝原假设，认为残差平方序列存在自相关，均值方程存在异方差，即存在着ARCH效应。
5建立模型
假设残差服从正态分布，建立GARCH（1,1）模型，结果如下，所有参数都通过检验，AIC和SBC的数值都非常小。
再对模型的残差进行异方差的LM检验，得出的结论是不能拒绝原假设，即认为模型的残差不存在异方差，不管是正态分布还是T分布，β值大于0.7，回报系数α值小于0.25，就可以说明方程具有较强的解释能力，能较好地刻画上证指数收益率异方差现像。
6基于GARCH模型的VaR计算
利用Eviews软件，分布生成残差服从正态分布和残差服从T分布的GARCH条件异方差序列，将条件异方差序列开方得到标准差序列如图4所示。
由计算的数据可知失败率为12.65%，说明正态分布假设下得到的VaR高估了风险。通常的模型假设残差服从正态分布，但在实际应用中收益序列具有尖峰厚尾性，即回报率分布的峰度通常比标准正态分布的峰度高，而且分布中会出现厚尾现象，这意味着出现超额损失的频率就比正态分布的预测结果更高。当假模型假设残差服从T分布时，失败率有小范围下降，但仍旧高估风险。
参考文献
［1］张金清主编.金融风险管理［M］.上海：复旦大学出版社,2009.
［2］魏捷.基于GARCH模型的上证指数VaR计算［J］.统计与决策，2010，（23）.
［3］刘瑾,施建准.基于ARCH类模型的VaR方法在外汇风险计量中的应用［J］.国际金融研究,2008,(8).
［4］徐炜.GARCH模型与VaR的度量研究［J］.数量经济技术经济研究，2008，（1）.
［5］龚锐．GARCH族模型计算中国股市在险价值风险的比较研究与评述［J］．数量经济技术经济研究，2005，（7）.
关键词：金融市场风险；VaR模型；GARCH模型
中图分类号：F83文献标识码：A文章编号：1672-3198（2012）19-0106-02
1金融市场风险
金融风险（FinancialRisk）是指金融变量的变动所引起的资产组合未来收益的不确定性。自20世纪70年代布雷顿森林体系崩溃以来，各国汇率制度开始向浮动汇率转变，许多发展中国家对外开放资本账户的速度过快，放松了对利率和汇率的干预，从而加剧了利率和汇率的波动，而金融化程度的进一步加深，强化了国家金融体系的相互依赖性，也由此加剧了市场风险在各国间的扩散和传播，金融市场风险已成为各类金融机构无法回避而必须面对的基础性风险。一般来说，金融风险可分为市场风险、操作风险、信用风险、流动性风险及其他类型的金融风险。从发生的可能性以及对金融机构的影响来看，又以市场风险影响最大。
金融市场风险（FinancialMarketRisk）是指由于金融市场变量的变化而引起的资产组合未来收益的不确定性。我们常说的金融市场变量也称为市场风险因子（MarketRiskFactor），主要包含股票价格、汇率、利率及衍生品价格等等，所以金融市场风险也常被称作金融资产价格风险（PriceRiskofFinancialAssets）。
2VaR方法
2.1VaR基本概念
VaR（ValueatRisk）意为处在风险中的价值。根据Jorion（1996）给出的定义：“VaR是指在一定的概率水平下（置信度），某一金融资产或证券组合在未来特定的一段时间内的最大可能损失值。”用数学语言可以表示成：
2.2置信度和持有期的选择和设定
VaR的基本公式可看作是置信度α和持有期Δt的函數，而且，在其他因素不变的情况下，置信度越大，持久期越长，计算出来的VaR也就越大。本文中我们采用巴塞尔委员会要求的99%的置信水平。同时为确保VaR值的可靠性，选择较短的持有期，持有期为一日。
2.3GARCH模型
GARCH模型具有良好的描述金融时间序列的特性，即方差的时变性和处理厚尾的能力，较其他波动估计方法更能描述VaR模型的估计。在GARCH模型中，通常包含两个方程，一是自回归模型，二是条件方差模型，1985年Bollerslow提出了广义自回归条件异方差模型：
3实证分析
为了更好地拟合GARCH模型，采用从2005年5月股权分置改革至2012年5月（从2005年5月9日至2012年5月14日(观察值个数为1708)）日收盘价为样本数据，选取的样本容量大，且为最新数据，便于保证可以得到高精度的结论。
3.1平稳性检验
我们采用单位根检验来验证样本数据的平稳性，ADF检验输出结果如表1所示，t统计量为-41.10744，远远小于-3.44，样本数据上证指数收益率平稳。
3.2自相关检验
输出样本自相关图，由图1可知，收益率之间的相关性并不显著，但在高阶后呈现相关。
我们可以假设均值方程为St=rt+εt，对序列进行残差平方的统计量检验，输出结果如图3所示。
差平方的相关性检验的结果，从图3中可以看出，Q统计量是显著大于0的，而且自相关（AC）系数和偏相关系数（PAC）系数也均不为0，此时可充分证明说明残差平方存在相关性，即拒绝原假设，认为残差平方序列存在自相关，均值方程存在异方差，即存在着ARCH效应。
5建立模型
假设残差服从正态分布，建立GARCH（1,1）模型，结果如下，所有参数都通过检验，AIC和SBC的数值都非常小。
再对模型的残差进行异方差的LM检验，得出的结论是不能拒绝原假设，即认为模型的残差不存在异方差，不管是正态分布还是T分布，β值大于0.7，回报系数α值小于0.25，就可以说明方程具有较强的解释能力，能较好地刻画上证指数收益率异方差现像。
6基于GARCH模型的VaR计算
利用Eviews软件，分布生成残差服从正态分布和残差服从T分布的GARCH条件异方差序列，将条件异方差序列开方得到标准差序列如图4所示。
由计算的数据可知失败率为12.65%，说明正态分布假设下得到的VaR高估了风险。通常的模型假设残差服从正态分布，但在实际应用中收益序列具有尖峰厚尾性，即回报率分布的峰度通常比标准正态分布的峰度高，而且分布中会出现厚尾现象，这意味着出现超额损失的频率就比正态分布的预测结果更高。当假模型假设残差服从T分布时，失败率有小范围下降，但仍旧高估风险。
参考文献
［1］张金清主编.金融风险管理［M］.上海：复旦大学出版社,2009.
［2］魏捷.基于GARCH模型的上证指数VaR计算［J］.统计与决策，2010，（23）.
［3］刘瑾,施建准.基于ARCH类模型的VaR方法在外汇风险计量中的应用［J］.国际金融研究,2008,(8).
［4］徐炜.GARCH模型与VaR的度量研究［J］.数量经济技术经济研究，2008，（1）.
［5］龚锐．GARCH族模型计算中国股市在险价值风险的比较研究与评述［J］．数量经济技术经济研究，2005，（7）.