银行经济论文银行金融论文基于GARCHEVT模型的人民币汇率风险测度研究.docVIP

银行经济论文银行金融论文 基于GARCH-EVT模型的人民币汇率风险测度研究 [摘要]考虑到金融资产收益序列的时变性和厚尾性,本文采用GARCH模型和EVT模型相结合的方法研究人民币汇率风险测度,求出了相应置信水平下的汇率风险值。返回检验的结果表明,基于GARCH-EVT模型的人民币汇率风险方法要明显优于传统的历史模拟法和极值理论方法,而且在低置信水平下,用条件在险值CVaR来预测汇率风险值会得到更准确的结果。 [关键词]GARCH-EVT模型;汇率风险;返回检验;人民币汇率;条件在险值　　 前言 人民币汇改以来,我国外汇市场机制不断发展和完善,外汇投资已经成为继股票投资后的又一重要投资领域。而与此同时,人民币汇率波动的加大致使外汇投资风险加大,如何对汇率风险进行准确测度是汇率风险管理中的重要问题之一。目前,国际上先进的风险测度方法是在险值VaR(Value atRisk),由于其概念简单(将风险集中为一个具体的数)且应用性强,国外各大金融机构与企业均已采用VaR作为风险测度方法,巴塞尔协议也推荐把VaR作为风险测度的标准。本文的人民币汇率风险测度采用VaR计量,但VaR也存在一些缺陷,是非一致性风险测度指标,因此,我们使用条件在险值CVaR(ConditionalValue atRisk)作为对VaR的补充。另一方面,金融资产的收益分布特征也是准确度量金融资产风险所必须的。众所周知,资产收益分布有着明显的厚尾性和异方差性,人们往往采用GARCH模型来处理异方差性,采用极值理论来拟合收益序列的尾部,同时假定残差序列服从条件正态分布或t分布。 GARCH模型是Engle(1982)[1]提出的自回归条件异方差模型的扩展,由Bollerslev[2]于1986年提出,之后许多研究发现GARCH模型能很好地拟合金融时间序列: Aguilar(2000)[3]用GARCH模型来对汇率的波动性建模; Torben(2001)[4]以马克和日元对美元收益率数据为样本,完善了GARCH模型使用过程中对样本分布的限制条件;惠晓峰(2003)[5]运用GARCH模型对汇率改革后的人民币美元汇率建模并进行预测,取得了令人满意的预测效果;沈兵(2005)[6]以美元对日元汇率数据为研究对象,以不同的GARCH模型考察收益率的风险报酬补偿特征和不对称性,并用VaR对汇率风险进行度量。 极值理论(EVT)是测量极端情况下的风险损失,它不需要假设资产收益的分布,而是用数据直接拟合分布的尾部,这也是VaR所关注的部分。Yasuhiro(2002)[7]利用极值理论对3个工业化国家和18个新兴经济国家货币对美元的汇率风险进行了度量。李胜朋(2007)[8]给出一个极值相关模型估计了加元和日元资产组合不同置信水平下的VaR值;王宗润(2008)[9]引入极值理论对欧元/人民币和日元/人民币的收益序列尾部进行估计,并得出基于极值理论的VaR比历史模拟法和方差协方差法计算的VaR更准确的结论。 然而,上述研究在度量汇率风险时均是单独考虑时变性或厚尾性,具有片面性:如果只运用GARCH模型,虽然考虑了金融资产的时变性,但研究的是整个分布而非风险管理所关心的尾部;如果单用极值理论,优点是得到的参数值可以直接计算VaR值和CVaR值,且考虑了金融资产收益率的厚尾特征,但却忽略了金融资产的时变性,且资产收益率是独立同分布的假设。基于此,本文拟将两者结合,采用GARCH-EVT模型来计算汇率的动态风险,并将损失的条件在险值CVaR作为对VaR的补充。 本文的结构安排如下:第一部分是GARCH-EVT模型的引入;第二部分是人民币汇率风险测度的实证研究;第三部分是结论。 一、GARCH-EVT模型 (一)GARCH(1, 1)模型 金融时间序列的随机扰动项往往在较大幅度的波动后伴随更大幅度的波动,在较小幅度的波动后伴随更小幅度的波动,这种性质称为波动的集群性。在经典的回归分析和时间序列分析中,要求随机扰动项是独立同方差。但这类序列随机扰动项的无条件方差是常量,条件方差是变量,所以,有必要使用动态波动模型。动态波动模型的一般形式为: rt=μt+σtzt(1) 其中,σt是在时间t时收益率的波动量,μt是期望收益率,rt是实际波动率。模型的随机性来自于随机变量zt,也就是残差序列。 在各种动态波动模型中, GARCH(p, q)模型是最为常用的。随后,计量经济学家们对基本的GARCH模型进行了扩展,比如EGARCH模型、RS-GARCH模型等等,这使得模型更为复杂。事实上,对于大多数金融时间序列来说,GARCH(1, 1)模型已经能够满足要求。因此,本文采用GARCH(1, 1)来处理汇率收益率数据。模型如下: rt=μ+σtztσt2=a0+a1(rt-1-μt-1)2+β1σ