股指期货GARCH―VaR的风险管理分析方法及数据实证.docVIP

股指期货GARCH―VaR的风险管理分析方法及数据实证 　　摘要：本文使用沪深300股指期货连续日数据，运用较完整的分析过程，从初始数据平稳性判断处理，对特征事实的计算和观察，资产对数收益率ARMA模型选模原则及拟合效果，到GARCH模型拟合、残差诊断及预报，并将预报结果应用于在险价值（VaR）和期望损失（ES）的计算中。 　　关键词：ARMA GARCH；险价值VaR；期望损失ES；股指期货 　　中图分类号： 文献标识码：A 文章编号：1001-828X（2015）003-000-04 　　引言 　　波动率研究一直是金融市场中的一项重要课题，其所涉及到的相关研究模块有基础资产的分布研究、通过基础资产或相关度高的资产衍生品进行风险管理、包括期货及期权产品、指数化产品市场等。随着金融市场产品的不断丰富和完善，管理难度增加，加之几次金融危机爆发给金融机构所带来的灾难性影响，针对多资产所进行的风险管理已经成为金融机构及监管当局所关注的焦点。 　　为了提高波动率研究的精准度，金融市场中的统计模型和方法已经成为研究理论和实证分析中必不可少的部分。本文就沪深300股指期货近5年的交易数据，以科学有序的研究方法分析数据，其中考虑到金融时间序列所具有的波动率聚集、尖峰后尾态分布、非对称性和杠杆效应等效应，使用较比于正态分布具有厚尾性质的Student t 分布假设拟合GARCH模型，并根据所拟合的GARCH模型进行残差诊断及预报，最后采用国际广泛认可的风险测量技术计算在险价值（VaR）。 　　一、数据来源与处理方法 　　本文使用的数据来自于Wind万得终端抓取的股指期货活跃品种连续日数据，共选取2010年4月16日至2015年2月3日交易日，共1166个样本点。因金融数据时间序列有随机游走的特性，需要除去趋势项保证研究数据的平稳性，并考虑到对数收益率的一些良好数学属性。本文中的研究数据处理采用对数收益率做差分的方法。（图1） 　　二、数据平稳性及ARMA模型 　　ARMA模型在商业、经济和工程时间序列的建模中很有用，对于金融中的收益率序列，直接应用ARMA的机会比较少。然而，ARMA模型的概念与波动率建模有密切关系，波动率研究中被广泛使用的广义自回归条件异方差（Generalized Autoregressive Conditional Heteroscedastic，GARCH）模型可以认为是序列 ut2 的ARMA模型。 　　一般的ARMA（p，q）模型形式为 　　其中{ut }是白噪声序列。 　　将ARMA模型推广到允许其特征多项式以1作为特征根，则模型为自回归求和移动平均（Autoregressive Integrated Moving Average， ARMA）单整ARMA模型。因为其AR特征多项式有单位根，所以ARMA模型为单位根非平稳，有强记忆性，因为其MA中的系数不随时间衰减，即过去的扰动项对序列有持久效应。 　　处理单位根非平稳性的方法是差分（differencing）方法。在金融数据中，通常认为价格序列是非平稳的，而对数收益率序列 xt=ln（pt ）-ln（pt-1） ） 是平稳的趋势平稳时间序列。 　　图1.（上图）原始数据时间序列（下图）差分后对数收益率 　　实证利用股指期货对数收益率差分后，最大似然函数MLE方法得到的AR阶数为0，Dickey-Fuller单位根检验，统计量-34.8827，p-value 0.01拒绝原假设。 　　三、季节差分和SARIMA模型 　　用算子1-B的作用做差分可以去除线性趋势，而季节差分则致力于除去周期性的季节因素季节性ARIMA 　　（p，d，q）×（P，D，Q）s 模型（或称SARIMA模型） 　　其中，φ 和 Φ 分别是 p 阶和 P 阶多项式，且零点都在单位圆之外，ψ 和 Ψ 分别是 q 阶和 Q 阶多项式。SARIMA（P，D，Q）S 模型，如： 　　Φ（Bs） （1-Bs ）D xt=Ψ（Bs ） ut 　　是ARIMA过程的一个季节性版本。ARIMA模型的基本想法是对时间序列做尽可能少的差分（或做季节性差分来处理周期性因素）使之达到平稳。实际中常常通过对差分序列或其ACF作图来观察平稳性。（图2） 　　图2.季节差分 　　四、独立性检验 　　利用ACF自相关函数检验数据平稳性。 　　图3.对数收益率及对数收益率平方的ACF和Ljung-Box检验 　　实证结果显示，对数收益率的自相关程度较低且存在条件异方差。直觉上，可倾向于考虑GARCH（1，1）拟合。 　　五、波动率聚集现象 　　许多金融时间序列数据都表现出大的收益率波动群聚现象，这种现象导致平方收益率数据比收益率数据本身表现出更强的自相关性。波动