基于ARCH族模型上证A股指数VaR风险预测的分析.pdfVIP

基于ARCH 族模型的上证A 股指数VaR 风险预 测分析∗ 贾胜如 兰州大学数学与统计学院，兰州(730000) Email ：jiashr05@ 摘 要： VaR方法作为当前国际金融界广泛认可的一种度量金融风险的工具,本文用当前金 融领域刻画条件方差最典型的GARCH模型及其最新衍生模型如EGARCH 、PARCH,分别在 正态分布以及能刻画收益厚尾特性的t-分布假设下,结合上证A 股指数进行实证分析,通过 Back-test检验, 分析了影响风险价值VaR预测值的因素. 关键词： ARCH 族模型, VaR, 波动性, 风险度量 1. 引言 金融市场的波动性和风险的加剧,导致了金融市场风险管理的必要性.传统的风险管理主 要从灵敏性和波动性（方差- 均方差）两个方面着手分析,但精确性和全面性存在缺陷, 1994 年J.P.Morgan 提出了风险价值VaR(Value at Risk),最初主要应用于金融市场风险的度量和控 制；VaR 使用统计技术弥补了灵敏性分析和波动性分析的缺陷, 因而成为近年来国际金融 界广泛认可的一种度量金融风险的工具.在正态分布的假设下,RiskMetrics 给出了计算VaR 的方法.然而对大量的金融数据的实证分析表明,资产的收益率不是正态分布的,而是厚尾的、 有偏的和尖峰的,并且波动具有聚集性(即大的波动后紧随大的波动,小的波动后紧随小的波 动),并且存在杠杆效应,如Zangaric[8] 所指出,在正态假定下所计算的VaR,常常是低估实际风 险.鉴于此, 国内外对于VaR 计算方法的研究是比较多的：姚刚(1998) 等介绍了VaR 方法产 生的背景、定义、计算方法、用途及引入中国的必要性.Kupiec(1995) 提出了检验VaR 计算 的方法――返回检验法,并给出了不同持有期的置信区间.Billion 和Pelizzon(2000) 在假设正 态分布和学生分布下用RiskMetrics和GARCH(1,1)模型得出比以前更准确的结果。 2. 模型概述 在金融时间序列里,收益的波动不仅随时间变动,而且常常会出现波动聚集现象,即一次 大的波动后伴随着较大幅度的波动；一次较小的波动后伴随着较小幅度的波动；从统计学上 看,这样的序列,往往存在着异方差现象[7], Robert Engle[1,5] 于1982 年提出自回归条件异方差 模型(Auto Regressive Conditional Heteroskedasticity Model, 简称ARCH 模型) [7]. Bollerslev于 1986年又把高阶回归的ARCH扩展成GARCH(p,q)模型[1],使待估参数大为减少,从而模型的识 别和估计都变得比较容易；在进一步的金融市场研究中,又发现股市的非对称性, 即股价的下 跌要比股价的上涨引起更大的波动；为了捕捉这种非对称因子,又衍生了一些新的ARCH 类 模型,下面简介几类ARCH 模型： 2.1 ARCH 族模型 2.1.1 ARCH （q ）模型 设ε f (y , x ,β) 是一个实数域上的离散时间随机过程, Ψ 是直到t时间的所有信息 t t t t ∗本文受兰州大学青年骨干教师科研基金（584337 ）资助 - 1 -