基于GARCH模型动态VaR实证研究.docVIP

基于GARCH模型动态VaR实证研究 　　摘要：重点探讨了在波动的条件异方差对VaR估计造成影响的基础上，利用GARCH模型估计、预测股市动态VaR的方法，并基于上海证券交易所1 000个交易日的收益率进行了实证分析。分析结果表明，在95%的置信水平下估计失败次数仅有54次，失误率为0.54%，说明GARCH模型能够较为准确地反映沪市风险。 　　关键词：GARCH模型 动态VaR 股票市场收益率 波动集群性 　　中图分类号：F830.91 文献标志码：A文章编号：1673-291X（2011）28-0079-05 　　引言 　　20世纪90年代中期，国际金融市场上接二连三的金融风波，使得定量风险管理方法逐渐成为金融风险管理领域的焦点，其中又以风险价值模型（Value at Risk，VaR）的研究与应用最为醒目。经过数十年的研究，如今VaR方法已经作为一种较为成熟的方法，成为投资者、金融机构管理者和市场监管机构所面临的一个重要议题。 　　目前，金融系统中的VaR往往侧重静态VaR的计算。然而静态VaR没有考虑波动率的时变性，只是由前一时间段的整体波动率来预测下一时间段的波动率，本质上就是时间段内每个时点波动率的一个平均，因而在拟合和估计上存在较大的误差。相较于静态VaR，动态VaR考虑了波动率的时变性，下一时刻的波动率由前一时刻的波动率来预测，在整个时间段内波动率不是静止不变的，而是时刻在变化，因此其预测的准确性和及时性是静态VaR所不能比拟的。 　　一、VaR的基本含义 　　1.VaR的一般定义。VaR（Value at Risk）一般被称为“风险价值”或“在险价值”，指在一定的置信水平下，某一金融资产（或证券组合）在未来特定的一段时间内的最大可能损失。具体而言，对于给定的置信水平及时刻t，对应的VaRt可以定义为： 　　prob（rVart）=1-α 　　其中，r表示证券资产在持有期内的损失，VaR称为在置信水平α下处于风险中的价值。 　　2.动态VaR的计算。VaR按是否考虑波动率的时变性分为静态VaR和动态VaR。动态VaR考虑了波动率的时变性，下一时刻的波动率由前一时刻的波动率来预测，这样就考虑了波动的时变性和序列的波动集群性，其预测的准确性和及时性，是静态VaR所不能比拟的。 　　动态VaR方法本质上是对证券组合价值波动的测量，其核心在于构造证券组合价值变化的统计分布。本文主要讨论VaR模型中有关波动率的估计方法。波动率的估计是VaR模型中所有参数估计方法最基本的步骤，目前常采用的VaR模型中估算波动率的方法主要有移动平均法、GARCH模型和隐含波动率法。由于移动平均法假设资产收益率的波动服从白噪声过程，这一假设往往与实际观察的结果不一致，而隐含波动率准则只能用于有期权产品的资产，因此本文采用GARCH模型计算对上证指数的收益率的VaR值。 　　动态VaR的具体计算步骤如下： 　　第一步，VaR计算公式的推导。 　　根据Jorion（1996）给出的定义，VaR可以定义为： 　　ＶaR=E（ω）-ω*（1） 　　式中，E（ω）为资产组合的预期价值，ω为资产组合的期末价值，ω*为置信水平α下组合投资的最低期末价值。进一步设： 　　ω＝ω0（1+r）（2） 　　式中，ω0为持有期初资产组合价值，R为设定持有期内资产的组合收益率，则得到： 　　ω*=ω0（1+rα）（3） 　　其中，rα为资产组合在置信水平α下的最低收益率。则根据数学期望的基本性质，将（2）、（3）式代入（1）式，有： 　　Var =E[ω0（1+R）]-ω0（1+rα）=ω0[E（R）-rα] 　　从公式中可以看出，若能求得置信水平α下的rα，就可求出相应的VaR值。又由于P（rrα）=1-α，有：-Zα=■，故rα=Zασ+μ。将以上公式带入原式，可以得到Var=ω0Zασ■。 　　根据公式可以进一步得到VaR的递推公式：VaRt+1=■t+1+zα■t+1。 　　第二步，在正态分布和t分布的假定下，在用设定好的GARCH类模型拟合之后，得到GARCH模型中的参数，根据GARCH模型确定递推参数VaRt+1=■t+1+zα■t+1。 　　第三步，通过拟合的模型估计条件期望■t+1和条件波动性■2t+1。 　　第四步，将计算得到的条件标准差代入VaRt+1=■t+1+zα■t+1，并依次得到不同时刻的动态VaR值。 　　二、GARCH模型 　　GARCH模型又称为广义的ARCH模型，是Bollerslev（1985）在ARCH模型基础上提出的，更加精确地描述时间序列的尾部分布特征的白回归条件异方差模型，即GARCH模型。GARCH模型的方程的条件方差方程中增加了方差的滞后项，能更加灵活地体现滞