基于GARCH模型的VaR方法在保证金设计中的应用.pdfVIP

基于 GARCH 模型的 VaR 方法在保证金设计中的应用 杨艳军 王永锋 期货市场的一个重要特征是保证金交易制度。保证金作为期货合约履约的保证，在保障期 货市场正常运行过程中发挥着重要作用，同时它也是交易成本的主要组成部分。因此，过高的交 易保证金水平虽然可以降低客户的违约风险，维护交易信用，保证期市的正常运行，但同时也提 高了市场参与者的交易成本，降低了期货市场的杠杆功能，从而影响到期市的流动性。因此，保 证金机制的设计，不仅要考虑控制信用风险，而且要兼顾到资金的使用效率。理想的保证金额度， 一方面可以达到控制违约风险的目的，另一方面仍然可以提供具有吸引力的杠杆倍数，使市场参 与者有较高的资金使用效率。 目前，国内外期货市场保证金的具体确定方式主要有两种：一是按期货合约价值确定。一般 为合约价值的一定比例，这种方法目前为我国的期货市场普遍采用。在我国，保证金比率已成为 期货合约的一个条款。二是按价格的变动量确定。主要是依据期货合约价格的变动量来确定保证 金值，这种方法主要为国外交易所所采用。如目前 HKCC（HKex 的全资附属子公司）正使用EWMA ——以变动为基础的保证金模型来确定保证金收取比例。不论采用何种方式确定保证金，都涉及 到交易保证金的设定方法问题。 在上世纪 80 年代早期，期货市场中多采用价格波动率为正态分布的理论来决定交易保证金， 而后逐渐出现了极限价值理论（EVT ）、组合理论等新的保证金设定方法。但是，无论极限价值理 论，还是组合理论，其根本目的都是提高保证金的使用效率。而这需要以市场自身的高质量运行 为基础。因此，即便在国外发达的期货市场，期货交易所在采用后两种理论确定保证金时也十分 谨慎，更多的则是从控制风险角度出发设计保证金。故较为保守的价格波动率为正态分布的理论 成为期货交易所决定交易保证金水平的首要前提。 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。如果用正态分布来刻画金融数据将损失大量的尾部信 息，造成数值低估。目前，对金融数据尖峰厚尾、波动簇集的时变特性主要采用 GARCH 模型进 行描述，即动态 VaR ；对数据的分布则有Normal 、t 、GED 分布假定。故本文提出一种新的值得 探讨的方法：基于 GARCH 模型的 VaR 在期市交易保证金设计中的运用。 一、GARCH 模型与 VaR 计算方法 （一）VaR 模型 VaR 是指在特定的持有期及置信度内，由于市场的负面波动而导致的证券组合的最大潜在损 失。用数学公式表示 prob( ΔP － VaR) = 1 － α 其中ΔP 为证券组合在持有期Δt 内的损失， VaR 为置信水平α下处于风险中的价值。 我们知道，期货保证金所涵盖的风险应指正常交易状况下的所持期货头寸的损益，所以保证 金不应被设计成为涵盖极端市场波动的机制。而这一点恰好符合 VaR 值在估算正常市况下最大可 能损失金额的特性，故可利用 VaR 来设计保证金。 1 （二）基于GARCH 模型的 VaR 大量实证研究表明：金融机构序列有波动集聚性和分布的尖峰厚尾性。为描述金融时间序列 的这些特性，Bollerslev(1989 年)提出了 GARCH 模型，之后逐步形成了以 GARCH 模型为核心的 GARCH 模型族。从实证分析来看，GARCH 模型族是目前最为有效的描述金融时间序列的工具， 尤其是 GARCH(1，1)－t 过程更为常用。因此，本文采用此过程的条件方差来度量期市的价格波 动性。此时 VaR= 其中 h t 是由 GARCH(1，1)－t 模型估计得到的条件方差；z α是α分 位点，其大小由价格波动率分布函数决定。GARCH(1，1)－t 过程的表达式为：yt= μ＋εt; εt～t 分布；σ2t = α0 ＋αε2t －1 ＋βσ2t －1 其中μ表示波动率的均值，σ2t 表示εt 的条件方差， α≥0，β≥0 。α＋β1 蕴涵着 GARCH 过程为宽平稳。 二、期市保证金设定的 VaR 模型实证分析 （一）数据选取及统计描述 本文采用上海期货交易所