基干VaR模型我国股票市场风险度量探讨.docVIP

基于VaR模型的我国股票市场风险度量研究 　　摘 要：本文选取了2008年1月2日到2013年4月13日的上证综合指数的日收益率作为研究对象，对我国股票市场风险度量进行实证分析，得到如下结论：第一，GARCH族模型能够成功地描述收益率波动的时间相关性；第二，我国股票价格收益率波动具有非对称效应，存在“杠杆效应”；第三，基于GDE分布的GARCH族模型比基于t分布的模型能够更好地描述我国股票市场的波动性 关键词：股票市场风险；GARCH；VaR；回测检验 1、引言 风险是金融市场的最基本属性，这是由金融体系自身的脆弱性决定的；金融市场必然存在无可避免的风险，而金融风险的产生又是经济风险的集中体现，使全球经济体的发展处于动荡之中；20世纪90年代以后全球经济频繁爆发金融危机，例如1997年东南亚金融危机，2008年金融危机等，这些危机的发生都给全球经济造成了巨大的创伤。然而，随着全球经济日益联系紧密，我国股票市场的发展越来越活跃，正处在一个高速发展的阶段，国际金融市场的风险对我国金融市场的影响越来越明显，为了确保我国金融市场发展越快越好，有必要加强对我国金融市场风险的管理。由于我国的金融市场本身存在不完善、法律法规的不健全以及金融机构的风险管理意识薄弱，有必要运用VaR模型[1]对我国股票市场进行风险测度 2、VaR方法的介绍 2.1 VaR的定义及计算 VaR（Value at Risk），指的是在市场正常的波动下，投资者在证券市场上的资产在市场最糟糕的情况下遭受到的损失，在实证研究中，方差-协方差法被广泛地运用在风险价值VaR的计算上，计算公式为下面形式： VaR=ZασpΔt（2.1） 其中Zα是在置信水平α下的分位数，σp是资产价格收益率的标准差，Δt是资产持有时间 2.2 GARCH族模型 在金融工具收益率分布呈现尖峰厚尾，不符合正态分布的特点假设时，GARCH模型具有处理收益率方差的时变性的优点[2]。用数学公式表达，即： σ2t=ω+α1ε2t-1+…+αpε2t-p+β1σ2t-1+…+βqσ2t-q （ω0，α1，…，αp≥0，β1，…，βq≥0）（2.2） 式中 ω，α1，…，αp，β1，…，βq都是需要估计的参数 当金融市场存在杠杆效应，即利空信息对金融市场的冲击大于利好信息对金融市场的冲击时，TARCH模型[3]能够有效地检验出这种情况，其条件异方差方程的表达式为： σ2t=ω+∑pi=1αiε2t-i+∑qj=1βjσ2t-j+∑rk=1γkε2t-kΙt-k ω0，α1，…，αp≥0，β1，…，βq≥0（2.3） 其中，Ιtt-kεt-k0就说明利空消息产生的波动比利好消息产生的波动更大，即金融市场存在杠杆效应；当γi≠0说明利好消息和利空消息并不是对称的； EGARCH模型[4]能够更加准确地反应出“杠杆效应”，该模型是由Nelson于1991年提出来的；其条件异方差方程表达式为： lnσ2t=ω+∑pi=1αiεt-iσt-i+∑qj=1βjlnσ2t-j+∑rk=1γkεt-kσt-k（2.4） 方程中采用了自然对数，使当期方差σt呈现出非负性；对参数α，β没有施加任何约束；由于是具有对数形式的条件方差，使得杠杆效应的形式是指数型而非二次型，当γi≠0，即可说明利好利空消息的非对称性。在实际应用过程中发现EGARCH模型能够很好地刻画出金融时间序列的波动性 2.3残差分布假设问题 GARCH族模型的残差分布都应根据时间序列本身的特点进行恰当的选择。学生t分布相比于正态分布来说，其概率密度曲线在左右尾部的厚度比正态分布概率密度函数曲线更厚，有利于分析那些具有厚尾特征的分布的金融时间序列；其概率密度函数表达式为： f（x，v）=Γ（（v+1）/2）（vπ）1/2Γ（v/2）1+x2v-（v+1）/2（2.5） GED分布具有很好的适应性，对其概率密度函数中的参数进行适当的赋值可以产生不同的分布形式，通过适当参数调整其概率密度函数曲线左右尾部的厚度不仅可以比学生t分布还要厚，而且还可以比正态分布更薄，其概率密度函数表达式为： f（x，v）=v{exp[-1/2x/λv]}λ?2[v+1/v]Γ（1/v）（2.6） 其中λ=2（-2/v）Γ（1/v）Γ（3/v）12即尾部厚度参数，给参数v赋予不同的值从而可以产生不同形式的分布。当v=2时即为正态分布形式；当v 　　3、我国股票市场的VaR实证分析 3.1数据样本及统计特征分析 3.1.1数据样本的选取 目前，上证综合指数是我国股票市场中非常重要的指数，该指数能够比较全面的反映出我国股票市场风险水平的高低