汇率制度改革后人民币汇率风险度量.docVIP

汇率制度改革后人民币汇率风险度量中图分类号：F822 文献标识码：A 内容摘要：汇率收益率存在以下典型特征：尖峰厚尾、偏斜和波动聚集性。因此，本文考虑两种厚尾分布，即t分布和广义误差分布；并引入一种门限GARCH模型—GJR模型来实现VaR的动态建模。实证研究表明，基于广义误差分布和GJR模型的VaR模型具有最优良的性质。 关键词：厚尾分布 人民币汇率风险 GJR模型 引言 长期以来，我国外汇储备就保持在一个较高的水平，截止2010年6月底，我国的外汇储备余额高达2.45万亿美元，占全球储备的30%还多。如此高的外汇储备为我国外汇管理带来了很大挑战。根据我国现有汇制，过快的外汇储备增长会导致我国输入型通货膨胀并带来相应的机会成本；同时受金融危机后美国量化宽松货币政策及欧债危机的影响，我国巨额外汇储备存在贬值的风险。自2005年7月开始，我国开始实行以市场供求为基础，参考一篮子货币进行有调节、有管理的浮动汇率制度，汇率的波动更有弹性，尤其是2010年6月以来，人民币对美元升值的幅度明显加快。因此，汇率风险的度量研究，对我国外汇资产的汇率风险管理具有重要意义，比如可以在目标风险价值下最优化外汇资产组合。 张伊（2007）对VaR模型当中最具代表性的两种算法—Delta正态法和历史模拟法进行了实证研究，通过我国商业银行的外汇资产、外汇头寸及其组合所面临的汇率风险进行评估和量化，进一步介绍如何运用三种VaR工具进行汇率风险管理。高喜燕（2009）将GARCH模型应用于我国商业银行汇率风险的计量，证明基于GARCH（1，1）模型得到VaR值能很好地拟合人民币兑美元汇率的日收益率，在汇率风险管理中具有应用价值。本文在已有研究的基础上，充分考虑外汇资产收益率经验分布的厚尾特征，引入能度量杠杆效应的一种GARCH模型—GJR模型来实现VaR的动态建模，选取美元对人民币汇率中间价的收盘价格数据来进行实证分析。 模型与方法 VaR方法，定义为固定持有期和给定概率水平下资产组合的最大损失，被广泛应用于资产组合市场风险的度量，投资组合可以包括期权或其他衍生工具。假定L代表某一风险资产的损益，则风险价值的数学定义为： VaRα=inf{l∈R:P(Ll)≤1-α} 根据VaR的定义，可认为VaR计算的是风险资产损失分布的分位数。在文献中，VaR的计算方法主要有三种：参数估计、非参数估计和半参数估计。由于非数估计和半参数估计样本容量要求较高，因此本文选择参数方法来估计VaR，其估计简单并且在小样本中能获得更好的性质。假定损失分布的均值和标准差分别为μ和σ，则α置信水平下的VaR参数估计如下： VaRα=μ+σfL-1(α) 其中，fL-1(α)为风险资产损失分布的标准分布。 大量文献研究已经表明，金融资产收益率尤其是汇率收益率和利率收益率的经验分布并不满足正态分布假定，相对正态分布是厚尾的、偏斜的，并且存在波动聚集性。如果使用高斯分布作为参考分布来评估市场风险，由于极端事件的概率低于其真实水平，从而导致低估资产组合的真实风险。因此，本文考虑两种厚尾，即t分布和广义误差分布（GED）来拟合USD/RMB的损失分布。 金融资产收益率序列存在轻微的自相关关系，而平方序列却存在显著的自相关关系。即金融资产的收益率序列存在波动聚集性，在短期其方差不是恒定的。因此，在对USD/RMB的收益率进行分析时，要选择相应的波动模型来刻画这一特征。在众多的波动模型中，最成功的是GARCH族模型。Engel（1982）首次提出了自回归条件异方差（ARCH）模型，Bollerslev于1986年对该模型进行了改进，提出了广义自回归条件异方差（GARCH）模型，提高了对条件方差的预测效率。但是GARCH模型对估计参数有非负的限制，并且不能度量波动的非对称性。因此本文引入一种非对称波动模型—GJR模型来度量金融资产的波动聚集性，波动方程如下： ht=α0+α1ε2t-1+ξε2t-1J{εt-10，α10，β10；α1+ξ0，α1+0.5ξ+β11 GJR模型由Glosten等三位作者于1993年提出，Engle et al.（1993）利用信息反映曲线分析比较了各种非对称GARCH模型的杠杆效应，认为GJR模型能最好的度量金融资产收益率的杠杆效应，其性质好于其他非对称波动模型。 通过对USD/RMB的日相对收益率进行GJR建模来估计出条件均值和条件方差，就可以计算出相应的VaR值。由于不同的方法计算的VaR具有不同的性质，因此同一资产在不同置信水平下或同一置信水平下的不同资产的VaR模型不太可能都具有良好的预测能力。例如，T.S. Beder就指出在使用了8种具体的VaR估计方法后，对于同一投资组合，这8种估计方法估算