大数据背景下金融市场风险度量的方法的探讨.docVIP

大数据背景下金融市场风险度量的方法的探讨 　　[提要] 随着大数据时代的到来，金融市场瞬息万变，金融风险的防范更加重要。本文介绍VAR相关理论和大数据条件下金融市场风险度量方法，探讨大数据背景下现有市场风险度量方法存在的不足，结合大数据的特点和已有研究成果，对大数据时代金融市场风险测度方法的研究前景进行展望。 　　关键词：大数据；VAR；风险度量 　　中图分类号：F83 文献标识码：A 　　收录日期：2017年10月9日 　　一、引言 　　所谓金融风险，是指受到数个不确定因素的影响而使得最终的投资结果不确定。为了在面对风险时能很好地做出防御措施，就要进行风险管理。风险管理的第一步就是要进行风险度量，即需要对风险的大小进行量化或度量。科学有效的金融风险度量方法不仅对经济主体规避潜在风险，降低风险损失、成本、赢得更多收益机会有着巨大的作用，而且也是金融机构核心竞争力的重要体现。 　　近年来，随着互联网金融的发展，金融风险的度量也迎来了新的挑战。由于我国已经迈入经济发展新常态的轨道，经济发展的外部环境与相关条件都产生了许多的变化。此时期金融市场上数据量越来越多，突发情况也呈现上升的趋势，这时的金融风险与以往的金融市场的特征相比就体现出了不同之处。主要原因在于数据的数量、形态等发生了巨大的变化，即所谓的大数据时代的来临，大数据不等于海量数据，其具有“规模性（Volume）、多样性（Variety）、高速性（Velocity）、价值性（Value）”的4V特点，其焦点是对海量数据进行专业化“加工”。大数据的这些特征，使得变量的选取变得更加多样，更加充分，我们开始重视变量之间的相关性，这给金融风险的测度方法研究带来了新的契机。常规的技术方法已经不能够有效、及时地处理多样化的信息。如何从金融市场繁杂的数据中快速获取有价值的信息来发现金融风险的特征，变得越来越重要。 　　二、传统VAR的各种度量方法 　　VAR值是对一定时间段内由于市场的不确定因素的变化引起的潜在损失的一种估计。VAR的度量不是简单告诉我们将会实际损失超过值多少，而是说明实际损失超过值的可能性大小。 　　（一）方差――协方差法。VAR的权衡有许多种方法，其中最简便的方法是假设资产收益率是风险因素的线性函数，并认为风险因素是正态分布的。 　　这就是正态分布假设下VAR的一般表达式。此时，只需参考一下标准累积正态函数表就可以了。 　　（二）历史模拟法。历史模拟法是利用历史上某一时间段所观察总结得到的市场因子的变化情况来表示市场因子在未来的变化，其本质思想是用收益的历史分布来代替收益的真实分布，以此来求得资产组合的VAR值。 　　历史模拟法的推导是以历史数据的价格分布为基础的。由于它不对收益分布作出假设，所以这种方法对于任何分布，无论是离散的还是连续的，厚尾的还是薄尾的，都是有效的，所以又被称为非参数估计.从概念层面上来看，历史数据模拟是最简单的方法。但问题在于用历史数据模拟方法计算VAR所花费的时间要比参数VAR多得多。 　　（三）蒙特卡罗模拟法。蒙特卡罗模拟法也不需要对未知整体作出假设，而是通过产生一个模拟的资产组合收益分布来估算VAR值。但蒙特卡罗模拟法的基础是假设一个随机过程。蒙特卡罗模拟法估算风险值的大致思路是：（1）借助?算机及已有样本来产生大量的符合历史分布的可能数；（2）对收益的不同行为分布进行模拟，构造可能损益情况，确定整体的分布； （3）按照所给定的置信水平估算出VAR值。 　　三、大数据背景下金融市场风险度量方法 　　通常所说的“大数据”是相对于“小数据”而言的，并非特指数据量上更多，大数据不仅包括结构性数据，也包括非结构性数据，而传统的小数据往往是指二维的结构性数据。大数据时代的到来，互联网金融业的快速发展，使得金融变量数据在数量上、本质上发生了巨大的变化，使得数据信息的应用有了质的飞跃，促进了金融风险管理方式的变革和度量方法的改进。 　　（一）大数据下结构突变面板单位根检验。由于缺乏数据，在以往的研究实验中，仅仅采取单类度量模型的研究方法。现在大数据技术的不断完善，使得多模型度量的转换与衔接成为可能。由于金融市场时变因素的普遍存在性，因此金融数据的结构突变问题也是金融风险测度过程中比较重要的问题，突变可以给金融风险测度提供重要的信息来源。大数据解决了金融数据横向与纵向之间的关系，可以使过去许多繁琐的检验与估计方法变得简单，使面板数据的研究应用得到很好的发展，为更加准确地测度金融风险提供了理论保障和技术支持。 　　（二）结合Copula金融市场风险度量方法。Copula理论用于金融风险测度的理论关键在于Copula函数的选取，有很多国内外学者从不同角度、应用不同类型的连接函数，测度了多元风险的相依性，得出了一些有益的结论