基于GARCH类模型我国创业板市场风险度量比较.docVIP

基于GARCH类模型我国创业板市场风险度量比较 　　摘 要：以我国创业板指数为研究对象，在正态分布、t分布和GED分布假设下比较分析不同类型的GARCH模型，预测不同置信水平下收益率序列的VaR值，并对结果进行比较和检验，得出如下结论：尽管EGARCH和PARCH模型预测的VaR值比GARCH和TGARCH模型更加精确，但模型种类的选择并非VaR值度量的关键，而分布假设与显著性水平则是影响VaR值精确度的关键因素。在正态分布下，当置信水平较低时，估计的VaR值能较好地刻画收益序列的尾部特征，但当显著性水平很高（如99%）时，估计的VaR值存在低估风险的现象；在t-分布下估计的VaR值存在高估风险的现象；在GED分布下，无论显著性水平的高低，GARCH类模型均能很好地刻画收益序列的尾部特征。 　　关键词：创业板市场；在险值（VaR）；GARCH模型；后验测试 　　中图分类号：F830 文献标识码：A 文章编号：1003-3890（2016）03-0057-07 　　一、引言 　　创业板市场又称成长板、新市场等，是为自主创新企业和其他成长型创业企业的发展而设立的新市场。与主板市场相比，创业板以自主创新企业和其他成长型创业企业为主要服务对象，企业上市门槛较低，信息披露监管更严格，通常情况下创业板的成长性和市场风险均要高于主板。自2012年12月以来，创业板涨幅屡创新高，指数从585.44点持续上升到2015年6月5日的4 037.96点，成为投资者追捧的对象。但在创业板指数不断走高的同时，上市公司的业绩出现严重分化，在经济新常态下这种脱嵌式发展存在较大风险隐患。新常态背景下，随着资本市场的完善，股价的变动将逐渐反映公司经营的绩效，仅凭估值投资获取超额收益的时代将逐渐失效。民生证券（2015）梳理了近两年的创业板市场数据后发现，公司的净利润率与涨跌幅之间呈正相关，并且这种相关趋势在不断加强[1]。随着创业板市场规模的壮大，市场流动性不断增强，剧烈的波动使市场风险更加凸显，创业板市场风险的管理愈加成为金融监管部门以及投资者关注的重点。而风险管理的核心是风险的识别和度量，目前大多数学者选择采用基于波动率预测的GARCH模型来估算市场风险[2]。 　　GARCH模型是由Bollerslev（1986）在Engle（1982）提出的ARCH模型基础上发展而来。根据对方差方程的不同假设，形成了GARCH、EGARCH、GARCH-M和TARCH等不同类型的模型形式[3]。GARCH模型不仅可以很好的刻画金融时间序列的动态变化特征，而且可以对模型的波动性进行预测。作为预测VaR的一种主要的参数分析算法，GARCH模型在金融风险管理领域的实践中占据着重要的地位。Laurent和Peters（2002）[4]、Herzberg和Sibbertsen（2005）[5]等学者采用不同的GARCH模型对金融市场的在险值（VaR）进行了预测。陈守东、俞世典（2002）运用GARCH模型分析了我国沪、深交易所上市股票的风险，相较于正态分布，他们认为t-分布和GED分布可以更好地反映市场的收益特性[6]。王美今和王华（2002）对不同分布假定下的GARCH模型进行比较后认为，较之正态分布，t分布可以更好地对数据的厚尾性进行描述[7]。龚锐、陈仲常和杨栋锐（2005）基于正态、学生t及GED三种不同的分布假设，采用不同扩展形式的GARCH模型对上证指数、深证综指和上证180指数进行了对比分析[8]。徐炜、黄炎龙（2008）使用四种GARCH模型在三种不同的分布下分析了上证综指的VaR预测结果，结果发现，与正态分布和t分布相比，GED分布可以较好地反映上证收益率序列的厚尾特征，能够体现非对称效应的GARCH类模型在预测VaR值时表现更优[9-10]。 　　采用VaR方法预测的风险值通常跟收益率序列尾部的损益有关，计算VaR时需要提前假定时间序列所遵从的概率分布，考虑到大多数金融时间序列具有尖峰厚尾的特性，因此，大量的研究开始假定序列服从学生t分布或GED分布，但由于研究所选取的数据样本不同，分析的结论也不尽一致。本文在国内外研究文献的基础上，选取投资者较为熟悉和关注的创业板指数，采用GARCH、EGARCH、TARCH和PARCH等四种不同类型的模型，在正态、学生t和GED三种不同分布假设下，对收益数据进行拟合，并对估计结果进行比较和分析，从而更好地得出我国创业板市场收益分布的总体状况和风险特征，以及不同分布条件下各模型计算出的VaR值的精准度等，为不断发展的创业板市场提供合适的风险度量模型和决策依据。 　　二、VaR的计算与GARCH类模型 　　（一）VaR的计算 　　VaR（Value at Risk）是由J.P.Morgan最先提出的，通