基于GARCH―VaR模型对我国股票市场的风险度量研究.docVIP

基于GARCH―VaR模型对我国股票市场的风险度量研究 　　一、前言 　　自20世纪70年代以来，金融市场的波动日益加剧；80年代以后，国际资本流动加剧，世界性金融风险和金融危机变得更加突出。90年代，随着国际金融市场的日趋规范、壮大，各金融机构之间的竞争也发生了根本性变化。1988年《巴塞尔协议》的诞生，该协议通过对不同类型资产规定不同权数来量化风险，是对银行风险比较笼统的一种分析方法。因此引发了各银行对风险管理的研究。 　　但是，这些传统方法很难准确定义和度量金融机构存在的金融风险。以往的风险衡量技术都只能适用于特定的金融工具或在特定的范围内使用，这些方法都难以综合反映风险承担的情况。风险监管者越来越需要一种既便于掌握和理解，又能全面反映金融机构所承担的市场风险的技术方法。VaR（Value-at-Risk，风险价值）方法正是在此背景下应运而生。 　　本文将选用GARCH-VaR方法对金融市场所面临的金融市场风险进行刻画，对沪深300最近两年的日收盘价进行考察，从实证的角度分析金融机构在金融市场上所暴露的风险。 　　二、模型介绍 　　（一）VaR模型的介绍 　　1.VaR的定义及数学表达。VaR（Value at Risk）的含义是“处在风险中的价值”，即在险价值，指的是资产价值中暴露于风险的部分。用数学公式可表示为： 　　其中：α为给定的置信度，ΔVΔt为投资组合在持有期Δt内的损失：VaR为置信水平下处于风险中的价值。 　　2.VaR的计算。 　　（1）方差-协方差方法。 　　假定持有期内资产价值的变化与其风险因素报酬成线性关系，风险因素报酬均服从正态分布。即： 　　其中：Pt-1表示前一期的资产实际价值，Zα表示置信水平为α下的资产收益率分布的分位数，ht为资产收益率的条件方差，反映了资产收益波动率，t为持有天数。 　　因而，计算VaR的关键在于计算出第t期资产回报率的方差。目前，主要有两种方法估计方差：简单移动平均法（SMA）、指数加权移动平均法（EWMA） 　　SMA的数学表达式：；或者 　　在简答移动平均法中赋予了相等的权重；假设信息的权重随着时间成指数衰减，即赋予近期的数据较高的权重，赋予远期数据较低的权重，就得到了EWMA方法： 　　EWMA的数学表达式： 　　（2）分析法（GARCH族模型）。 　　分析法利用GARCH族模型来刻画资产收益率系列的条件异方差效应、非对称现象以及杠杆效益，选择不同的分布函数刻画资产收益率序列的尖峰厚尾特征，使其具有比较好的拟合效果。同时参数假设资产收益率服从某一特定的分布，极大程度的简化了VaR的计算，也越来越被大多数人所接受，成为计算VaR值得主流计算方法。具体的GARCH模型将在下面进行详细介绍。 　　（二）GARCH类模型的简介 　　1.ARCH模型。为克服了传统模型线性处理数据的缺陷，解决金融时间序列残差的异方差问题。经济学家Engle在1982年提出了自回归条件异方差ARCH模型（autoregressive conditional heteroscedasticity），大量的实践证明，ARCH模型是较好地刻画金融资产收益数据的分布波动特性。 　　ARCH（p）模型的一般形式为： 　　2.GARCH模型。为克服ARCH模型中的上述缺点，计量经济学家Bollerslev在1986年提出了著名的GARCH类模型。该模型的一般形式为GARCH（p，q）： 　　为了分析GARCH模型额特点，方便起见，取其中最为简单的GARCH（1，1）模型为代表来分析模型，GARCH（1，1）模型的条件方差等式为： 　　三、实证研究 　　（一）数据选取与数据说明 　　本文选取了从2013年6月1日至2015年5月31日共2年的沪深300指数收盘价的数据，剔除没有交易的交易日后，沪深300指数收盘价的数据个数共为485个。 　　在金融研究中，人们普遍关注的是价格的变动而引起的收益率的变动而并非是价格本身，因此，本文将沪深300的收盘价转化为收益率序列来度量资产的在险价值。 　　对日收益率取自然对数可适当降低其异方差性，可以使得时间序列更易平稳，有利于建模因此，基于以上原因，本文采用几何收益率Ri=lnPt-lnPt-1。 　　（二）基本数据的统计检验 　　1.正态检验。如果假定该收益率是服从正态分布则可以先找到在给定置信水平下的一个分位点，求出相对应的收益率，所以我们将对收益率进行正态检验，看是否服从正态分布。 　　（1）Jarque-Bera检验。 　　用eviews得到的描述性统计量如下图 　　由图可知：沪深300的S为-0548461，不为0，则说明该分布有着较长的左拖尾，K为7.052502大于3，说明该分布