VaR计量模型分析案例.pdfVIP

沪市动态 VaR 计量模型分析案例 西南财经大学统计学院 马 丹 一、案例背景 金融风险是指由于经济活动的不确定性而导致资金在筹措和运用中遭受损失的可能 性。在 20 世纪 80 年代以前，金融机构所面临的风险还主要是信用风险。然而，近 20 多年 来金融市场发生了重大变化，全球化的证券市场迅猛发展，资产证券化的趋势越来越强，外 汇交易和衍生品交易成了金融市场交易的重要组成部分。这使得金融机构所面临的主要风险 已从信用风险转向了市场风险。 市场风险度量的方法有多种， VaR （Value-at-Risk ）方法是目前金融市场风险测量的主 流方法。VaR 是一定的概率水平下，证券组合在未来特定一端时间内的最大可能损失。其优 点在于将不同的市场因子、不同市场的风险集成为一个数，较准确测量由不同风险来源及其 相互作用而产生的潜在损失，适应了金融市场发展的动态性、复杂性和全球整合性的趋势。 应该注意的是，VaR 本身的含义是风险价值，是一个数值，但是它是由一系列统计方法实现 的，因此在许多场合它又被称为风险度量方法。 VaR 方法是由 JP MORGAN 公司率先提出来的，并在实践中得到广泛应用。其在风险 测量合管理中的巨大优点已为国际金融监管当局认可和接受，1990 年以来的许多金融监管 法案和原则都充分强调了基于 VaR 的风险监管方法。巴塞尔委员会的巴塞尔银行业有效监 管核心原则、欧盟的资本充足法令等都要求金融机构用 VaR 技术确定内部风险资本要求、 风险控制等。 VaR 计算方法包括历史模拟法、方差——斜方差法和蒙特卡罗模拟法。历史模拟法和蒙 特卡罗模拟法由于在技术上较为复杂，较难实现，因此，在实践中常用的方法仍然是方差— —斜方差法。 方差——斜方差法中有两个需要注意的问题。一是如何刻画金融数据的尖峰厚尾、波动 簇集的时变特征。二是如何寻找金融数据的分布密度函数。 TM Risk Mrtrics 利用指数平滑技术来反映波动时变现象，并假定金融数据服从正态分布。 然而，大量文献资料证明，金融数据有强烈的ARCH效应，其尾部和中间部位集中了大量的 概率分布，比正态分布拥有“肥尾”特性。金融数据的集群性，异方差性等特征显然违背了 古典假设，利用传统的基于古典假设的回归模型，OLS建模方法难以刻画出真实的数量规律， 所做出的统计推断也是不精确的。为了对金融数据做出有效的描述，Engle于 1982 提出了 ARCH 模型，模拟出数据的集群性特征，他的学生Bollerslev 在 1986 年提出了GARCH [1]，将高阶的ARCH模型 （Generalized Auto Regressive Conditional Heteroscedasiticity ）模型 转化成为简洁的GARCH模型,描绘出金融数据方差项的某种自相关性。但实际应用中， GARCH模型虽然有助于模拟金融数据分布的宽尾特征，却不能解释金融市场上存在的杠杆 效应。针对这一问题，近年来Nelson等人提出了非对称性（Asymmetric ）GARCH模型以刻 画出条件方差对正的价格变化反应弱而对负的价格变化反应强这一现象。这类模型包括 TARCH、EGARCH等，收益率序列残差往往假定为正态分布，但实际上正态GARCH模型不 能充分描述数据的尖峰厚尾性。对此，可以假定残差服从t 分布、混合正态分布或一般误差 分布。本案例讨论了基于Normol-GARCH 、t-GARCH 的中国股市动态VaR测度方法，并比较 了两种假定下VaR 的估计效果。 1 二、GARCH 模型与 VaR 计算方法简介 1、VaR 计算模型 VaR （Value-at-Risk ）是一定时期内，在一定的置信度下，投资组合可能出现的最大损 失，用公式表示为： μ Fσ+ p −1 ( )