基于GARCH―VaR模型在我国企业债风险管理中实证研究.docVIP

基于GARCH―VaR模型在我国企业债风险管理中实证研究 　　【摘要】本文利用VaR的基本原理和方法，通过建立基于GARCH-VaR模型对我国债券市场的风险特征进行实证分析并进行回测检验，对我国债券市场的风险管理问题进行分析。 　　【关键词】VAR 风险管理 　　一、基于GARCH模型的VaR计算方法 　　VaR是一定时期内，在一定的置信度下，投资组合可能出现的最大损失，VaR估计的条件方差方法属于动态VaR计算的分析方法。由于实际金融市场中收益率的肥尾性质会导致VaR对风险的低估，因此可以利用GARCH模型族中的条件方差来度量资产组合的VaR。 　　回测是将某一头寸在持有期内的实际盈亏与VaR值进行比较，以确认、检验VaR方法的有效性和可信度的一种方法，其中，Kupiec检验法是其中的一种。假定计算VaR的置信水平为a，失败率q为失败天数与实际考察天数之比。零假设为q=q0（=1-a），对VaR模型的回测就转化为检验失败率q是否显著不同于q0。在零假设条件下，统计量为LR服从自由度为1的卡方分布。 　　二、实证分析 　　（一）样本数据选取与处理 　　本文为衡量我国债券市场中企业债的风险，选取了上证企业债指数，以其日对数收益率作为衡量指标。 　　本文研究中选取2010年12月20日至2012年5月18日的数据作为模型估计样本，样本容量为341；2012年5月20日至2012年12月20日的数据作为回测检验样本，样本容量为147。 　　（二）基于t分布的GARCH模型的建立 　　从样本数据的数字特征来看，上证企业债指数样本收益率的偏度0.0750大于0，峰度7.8582大于3，表现出很强的尖峰肥尾性质，相对于正态分布，t分布曲线具有一定的尖峰肥尾特性，因此，本文将采用t分布作为误差分布来解决样本数据的正态性问题。 　　此外，由于样本数据的波动性具有一定的聚集特征，可能存在异方差现象，因此本文采用GARCH模型来对样本数据的波动性进行分析。 　　以下分析基于模型估计样本，N=341。 　　（1）平稳性检验。通过对样本收益率序列进行单位根检验，ADF和PP统计量的P值均显著为0，其结果表明样本序列均不存在单位根，为平稳的时间序列。 　　（2）均值方程设定。对样本收益率序列进行相关性检验发现，在95%的置信水平下，样本序列的自相关与偏自相关函数都表现出拖尾的现象，说明具有一定的自相关与偏自相关性，均值方程符合ARMA（p，q）模型。将p、q带入不同值进行多次回归试验并剔除不显著解释变量后发现，当均值方程设定为rcort=rcort-3+et+et-3时模型对样本数据的拟合程度最好。 　　（3）ARCH效应检验。对均值方程rcort=rcort-3+et+et-3的残差序列进行拉格朗日检验（ARCH LM），从结果可以看出，F统计量和LM统计量均十分显著，表明样本收益率序列具有ARCH效应。 　　表1 ARCH LM检验结果 　　F-statistic 11.2475 Prob.F（5，327） 0.0000 　　Obs*R-squared 48.8655 Prob.Chi-Square（5） 0.0000 　　（4）模型估计。通过AIC/SC最小准则均可以判断出，拟合样本收益率序列的最优模型阶数为GARCH（1，1）。由此，样本收益率序列的GARCH（1，1）模型估计为： 　　rcort=0.9893（0.0130）rcort-3+et-0.9387（0.0216）et-3， 　　dt2=0.0019（0.0008）+0.4098（0.1711）et-12+0.1512（0.2114）dt-12， 　　T-DIST.DOF=4.0522（1.0993） 　　从模型估计结果看，上证企业债指数的日平均收益率会受到其自身前3期收益情况的正向影响，而在该指数收益受到外部冲击时，其外部冲击除在本期会对收益率产生影响外，还会对3期后的收益情况产生反向影响。这种冲击的持续性应该引起投资者的重视。 　　（5）残差检验。通过残差检验，残差序列已不存在自相关与偏自相关性；此外，对残差序列进行ARCH LM检验，统计量结果均不显著，说明通过建立该EGACH模型已消除了原残差序列的异方差效应。 　　表2 残差检验-ARCH LM检验结果 　　F-statistic 0.1605 Prob.F（5，327） 0.9767 　　Obs*R-squared 0.8152 Prob.Chi-Square（5） 0.9760 　　（四）基于GARCH模型的VaR计算 　　将上述GARCH模型估计结果带入计算公式VaRa=Pt-1za|dt|。其中，Pt设为固定值1，za为自由度为4.0522的t分布a分位数