基于HMM―GJR中国燃油期货市场VaR风险测度.docVIP

基于HMM―GJR中国燃油期货市场VaR风险测度 　　【摘 要】 以中国燃油期货市场为研究对象，首先引入了隐马尔科夫模型（Hidden Markov Models，HMM）对其进行波动状态刻画，进而采用HMM-GJR模型对燃油期货市场波动率进行描述，再对燃油期货市场进行VaR风险测度，并运用Back-testing方法检验了VaR风险测度模型的可靠性。研究结果表明：中国燃油期货市场表现出了明显的高、低两种波动状态，且HMM模型对燃油期货市场的高波动状态刻画具有显著的灵敏性；HMM（2）-GJR模型能够准确刻画燃油期货市场收益波动率；基于HMM（2）-GJR模型的燃油期货市场VaR风险测度更加有效。 　　【关键词】 中国燃油期货市场； HMM-GJR模型； VaR风险测度 　　中图分类号：F224 文献标识码：A 文章编号：1004-5937（2015）16-0027-04 　　一、引言 　　能源作为最重要的战略物资，对经济发展具有决定性的影响，因而备受各方关注。燃油期货市场作为能源市场的一个重要组成部分，投资者可以利用它来规避能源现货市场价格波动所带来的风险。倘若不能对燃油期货市场进行有效的风险管理，就可能加剧能源市场的风险危机。因此，强化燃油期货市场风险管理，对于维护市场稳定以及促进经济发展具有极其重要的意义。 　　在燃油期货市场风险管理中，风险测度方法尤为重要。目前常用方法是VaR（Value at Risk），该方法不仅能够直观地表达出金融市场风险值的大小，同时又拥有较好的统计学原理作为支撑，因而受到各大金融机构以及学者的高度关注。因此，本文采用VaR模型对燃油期货市场进行风险测度。 　　然而，对燃油期货市场进行风险测度的关键是波动模型的选取。长期以来，以Bollerslev为代表的众多学者提出了许多不同类型的GARCH簇模型，由于能够较好地刻画出波动率的时变性、聚集性而具有广泛的适用范围。但是，金融收益波动率除具有聚集性外，还具有杠杆效应，因而仍采用GARCH簇模型就可能无法准确地刻画燃油期货市场波动率。而Glosten et al.（1993）提出的GJR模型不仅能够刻画出金融收益波动率的聚集性等，更为重要的是，GJR模型还能够有效地刻画金融收益波动率的杠杆效应，进而能够更加准确地描述金融收益波动率。因此，本文使用GJR模型对燃油期货市场进行波动率刻画。 　　特别需要注意的是，燃油期货市场波动率刻画的准确性不仅与波动模型的选取有关，更受其波动状态的制约。燃油期货市场由于受到金融危机等因素影响，其收益波动率可能出现结构突变而表现出多波动状态。而隐马尔科夫模型（Hidden Markov Models，HMM）不仅能够刻画金融收益波动率的多波动状态，更为重要的是，它由一个双内嵌式的随机过程对波动状态进行估计，能够消除主观因素对波动状态刻画的误判，使得对金融市场波动状态的刻画更加准确。因此，本文引入HMM模型对燃油期货市场进行波动状态刻画，以期能够提高对其波动率描述的准确性。 　　迄今为止，国内外有许多学者对HMM模型进行了详细的分析。Eddy（1996）分析了HMM模型的实现原理，进而使用HMM模型对蛋白质结构状态进行预测；Chong and Reymer（2012）使用HMM-GARCH模型对粒子的运动状态进行刻画，研究表明，HMM模型能够更加准确地刻画出粒子的运动状态。虽然，关于HMM模型的研究都取得了较为显著的成果，但这些成果主要是基于遗传学、生物学以及物理学等方面取得的，在经济学方面的研究还比较缺乏，而本文不仅对中国燃油期货市场波动状态进行了刻画，而且还基于HMM-GJR模型对中国燃油期货市场进行了VaR风险测度。国内已有许多学者对中国能源期货市场进行研究，淳伟德等（2013）对典型事实下的上海燃油期货市场进行VaR风险测度研究，取得了较显著的成果；王鹏和魏宇（2012）基于GARCH簇模型对中国燃油期货市场分别采用VaR与ES风险测度，得出对于风险测度而言，FIGARCH-SKST模型是一个相对合理的选择。虽然，他们的研究都取得了较为显著的成果，但就所掌握的研究文献而言，尚未发现有人引入HMM模型对燃油期货市场波动状态进行研究，少有人使用HMM-GJR模型对燃油期货市场进行波动率刻画，也更少有人采用基于HMM-GJR模型对中国燃油期货市场进行VaR风险测度。由此可见，与已有的研究成果相比，本文具有明显的创新性。 　　二、研究方法 　　HMM模型是马尔科夫模型（Markov Model）的进一步发展，它通过一个隐含的状态转移序列（即一个随机的Markov过程）和一个与隐状态相关的观测序列共同对燃油期货市场波动状态进行推断。但是，对于HMM而言，燃油期货市场的波动状态不能直接观测，只能通过随