基于GARCH―VaR模型对沪深300ETF基金的实证分析.docVIP

基于GARCH―VaR模型对沪深300ETF基金的实证分析 　　【摘要】由于在金融领域内，GARCH模型在金融时间序列波动率的模拟以及金融风险的度量中都有着相对广泛的应用。故而本文基于GARCH模型以正态分布的假定度量VaR值的精确程度，并且对VaR值进行失败率检测。结果表明，沪深300ETF基金具有尖峰厚尾特特征；利用EViews8.0对基金收益率序列进行相关性检验，发现其具有强相关性。通过GARCH模型消除相关性，对收益率建模，有效预测估计了基金的VaR值。 　　【关键词】沪深300ET基金 Eviews8.0 GARCH-VaR 自相关VaR回测检验 　　一、引言 　　对于指数的研究，只能通过对跟踪其指数的ETF（Exchange Trade Fund）基金走势的计量进行观测。当前市场上跟踪沪深300指数的基金有很多，但国内学者通常使用的嘉实沪深300ETF。ETF基金是基金托管人通过“复制”和追踪指数的变化来运作的，换句话说，实际上ETF基金是由一揽子股票组成的投资基金，托管人会尽可能地使ETF基金指数与净值同步。但是沪深300ETF基金作为指数基金中的一种，本身虽然有许多优点，然而相对来说还是具有很大的局限性。近年来，众多学者对于指数基金的研究已经不胜枚举，但对沪深300ETF基金的研究相对来说并不算多。而在近来股市牛熊转变的过程中，ETF基金的市场风险日益扩大。所以，在后金融危机时代，如何加强对基金的风险管理已经成为基金管理者的一个重大课题。VaR方法能表示各类风险，并提供发生概率，所以成为当前风险管理方面最通用的一种方法。 　　因此，本文选取沪深300ETF基金数据，基于GARCH模型精确的计算VaR值，从波动性的角度，建立GARCH族模型，并且相互比较，计算出VaR值，分析VaR值与实际收益率的差别。再利用金融时间序列本身尖峰厚尾的特征来跟踪收益率变动方差的方法，为基金管理者评估，度量与防范金融风险提供一定的决策参考，希望的到研究者的重视。 　　二、理论基础 　　（一）理论基础 　　风险价值度（Value at risk，VaR）企图对金融机构的资产组合提供一个单一的风险度量，而这一度量正好可以体现金融机构的整体风险。 　　VAR的定义是在一定的持有期内和一定的置信水平下投资者或机构预期下的最大损失。其数学公式为 ，其中Δp为证券组合在持有期t内的损失，C表示给定的置信水平，VaR表示置信水平C下处于风险中的价值。 　　但在实际生活中，大家经常使用德尔塔――正态分布法[1]，其公式为 ，其中W0表示初始投资额，Zα表示标准正太分布下置信度α对应的分为数，σ为证券组合的标准差，Δt为持有期。本文选取该法计算VaR。 　　（二）GARCH模型[2] 　　ARCH（autoregressive condition heteroskedasticity）是应用于一串金融时间序列，对其波动性进行描述的模型，该模型30年来已广泛的应用到经济学与金融学的计量分析中，是分析金融时间序列的根本模型。在这个模型的基础上，1986年Bollerslev又提出所谓“广义自回归条件异方差”模型（generalized ARCH，GARCH），GARCH（p，q）模型一般公式如下： 　　其中，p≥0，q0；α00，αi≥0；i=1，…p；βj≥0，j=1，…q。 　　GARCH模型的出现，对于我们描述收益率的波动性提供了有效的途径。其最简单的形式为GARCH（1，1）模型，基本表达形式为： 　　（三）GARCH-VaR理论 　　1.VaR计算。利用GARCH模型计算出的条件方差σ2t，再将随时间变化的条件方差转换成金融资产收益率的方差，结合本论文选取的计算方法，就可以计算出未来一段时期内风险价值VaR预测值。 　　2.VaR回测检验。回测检验最常用的方法就是失败率检验法。该方法就是对比超过计算出的VaR实际损失的概率与一定置信水平下的上限值是否接近或相等。若通过模型模拟的失败率等于或接近等于预先设定的VaR的置信水平，则说明模型有效；若模拟的失败率与预设置信水平相差太大，则说明模型不恰当。假定置信水平为C，实际考察天数为T，失败天数为N，由二项式过程可以得到在T个样本中发生N次失败的概率为：（1-α）N-TαN[3]。似然比率的计算为： 　　三、数据处理及检验 　　本文选取2013年3月25日至2016年4月21日沪深300指数ETF基金每日收盘价数据，剔除节假日等无效数据，共计749个样本点。数据来源于wind，为了减少误差，在这里，我们定义yt为日收益率（%），对数函数的取值范围为全体实数，更适合用于金融建模。因此，本文选取对数收益率来?理： 　　（一）正态性检检 　　本文以Matlab为分析