非对称结构下金融市场动态风险测量路径探析.docVIP

非对称结构下金融市场动态风险测量路径探析 　林宇，成都理工大学商学院副教授，博士，硕士生导师，成都 610059；魏宇，西南交通大学经济管理学院教授，博士，博士生导师，成都 610031；程宏伟，成都理工大学管理科学学院教授，博士，博士后，硕士生导师，成都 610059。 引言 信息技术的迅猛发展，金融创新与自由化推动了金融工具的日益增多，促使金融市场变得更加动荡，风险暴露更加复杂化，从而使金融市场风险管理面临着更多的压力与挑战，尤其是近年爆发的全球性金融危机使得金融风险管理变得尤其重要，也对金融风险测度方法提出了更高更新的要求。 值得注意的是，长期以来，金融风险管理都是以“有效市场假说”(Efficient Market Hypothesis, EMH)理论为基石的主流金融理论展开的。但自20世纪70年代以来，科学技术的飞速发展推动了金融技术创新，取得了丰硕成果。大量的实证研究发现，实际金融市场存在着许多无法为EMH所解释的“典型事实”(Stylized Facts)特征，这些典型事实特征既不能为EMH所解释，又往往普遍存在于不同国家和不同类型的市场当中[1－3]，其中之一就是金融收益时间序列展示出来的非对称结构(Asymmetry Structure)。如：金融市场收益率展示出的“有偏、胖尾”分布(Skewed and Fat Tailed Distribution)结构，对市场好消息(Good News)与坏消息(Bad News)的反应表现出金融收益的条件波动率呈现出非对称性结构的杠杆效应(Leverage Effect)等[3－5]。近年来，基于非对称结构下金融市场特征的研究已成为一个非常活跃的课题[6]。 金融市场风险管理是金融市场建设的重点之一，而金融风险管理的关键又就在于能否对金融市场收益分布及其条件波动结构有准确可靠的描述。长期以来，金融风险测度都是基于EMH下金融资产收益服从正态/高斯分布(Normal Distribution/Gauss Distribution)，然后根据金融收益分布的特征来测度金融市场的风险价值指标(Value at Risk, VaR)[3,7]。非对称结构的出现，使得基于金融市场非对称假设下的风险管理变得尤为重要，同时也使传统的风险测度方法(如VaR)面临着严峻的挑战，如果仍然按对称的正态分布(Normal Distribution)、学生T分布(Student T Distribution, ST)来对金融收益分布建模，势必会低估金融市场风险(Underestimate Financial Markets Risk)，使投资者蒙受损失，对金融市场的健康发展极为不利。因此，在新的背景下，风险管理的一个重点和关键在于准确有效地捕获金融收益的非对称分布特征。近年来，有学者运用比正态分布具有更长尾部的学生T分布(ST)来对金融收益建模，但仍然不能刻画分布的有偏特征，仍然与金融收益的实际分布形态明显不符，而有偏学生T分布(Skew Student T Distribution, SKST)[8]不仅具有比正态分布更长的尾部，而且还能刻画分布的非对称形态，从而表现出在金融收益分布形态的捕获方面就比正态和ST分布具有更强的描述能力。因此，本文选择SKST分布来对金融收益分布进行建模。 另一方面，不仅金融收益的分布表现出非对称性，而且收益的条件波动率常常也表现出非对称性。如：金融市场对好消息与坏消息的反应表现为金融收益的条件波动率呈现非对称性的杠杆效应(Leverage Effect)，即好消息引起的波动小于坏消息引发的波动冲击[3,5]。只有把这些非对称波动的典型事实纳入到风险测度指标体系之中，才有可能保证金融风险管理的效果。在金融计量分析中，常用GJR、EGARCH和APARCH等波动模型来刻画金融收益条件波动率的非对称性特征。因此，本文综合考虑金融市场条件收益分布与条件波动率的非对称性形态，并以此建模来开展风险测度研究。 此外，有研究结果直接或间接表明，不同风险测度方法在不同金融市场表现出来的测度效果并非完全相同。台湾地区学者林楚雄等[9]以英国纽约伦敦指数、法兰克福商银指数、标准普尔500指数、纳斯达克综合股价指数、道琼斯工业指数和台湾加权股价指数为研究对象，运用EWMA、GARCH模型以及GARCH与极值理论(Extreme Value Theory, EVT)结合三种模型来研究风险测度，他们的研究结果表明，不同的测度方法在不同置信水平下对不同市场的风险测度效果存在差异。中国大陆股市成立时间短，从1990年底成立到现在经过20年的迅猛发展，目前已成为全球最大的新兴股票市场(Emerging Stock Market)之一。与成熟资本市场相比，中国股市既具有共同特性，