VaR分析

VaR分析（精选十篇）

VaR分析 篇1

金融市场中极端的价格运动虽然少见, 但是很重要。自1 9 8 7年1 0月股市的崩溃, 以及今年的金融危机, 已经引起了实际应用者和研究者们的广泛关注, 一些人甚至呼吁政府加强对衍生证券市场的监管。风险值 (简称VAR) 成为风险管理中广泛使用的市场风险的度量。鉴于我国近期股票市场价格普遍下跌情况, 本文通过V A R的计算来说明价格上涨前后股票市场存在的风险异同。作为实际应用本文考虑金融时间序列的胖尾特性, 运用极值理论与经济计量方法对上证指数进行实证分析。研究所涉及到的数据, 上证指数从2007年12月1日到2008年的12月1日全部的收盘指数。

二、模型和和方法

用极值理论和经济计量方法度量V a R是一种新兴的方法, 受到普遍重视, 相关文献很多在描述随机变量最大值分布时, 极值理论方法的作用与中心极限定理在描述随机变量时和分布时的作用是一致的, 二者揭示的都是研究对象极限分布。

1. 极值理论的次序统计量与广义极值分布

(1) 次序统计量。设Xi (i=1…n) 是取自分布函数为F (x) 的总体的一个样本, 将其按大小排序:X (1) ≥X (2) ≥L≥X (n) , 称X (1) , , X (n) 为次序统计量, 定义:

分别称为样本极大值、和样本极小值, 统称样本极值, 极值理论处理的就是当样本很大时Yn, Zn的分布情况。定义一个区间参数和一个位置参数bn, 那么得出标准化形式: 。

(2) 广义极值分布。极值分布有三种形式, 分别称为Gumbel, Frechet, weibull。

假定子区间最小值{rn, i}服从一般的极值分布, 满足的概率密度函数为

假定是一般极值分布中抽取的一个随机样本, 利用次序统计量的性质我们有 的平方和来得到两边取对数, 并令ei表示前面两个量之间的偏移则我们有一个回归步骤 可以通过最小化ei的平方和来得到 的最小二乘估计。

对于给定的小概率p持有一个对数收益率为r的标的资产的多头头寸的Va R为

2. 经济计量方法中的模型

广义自回归条件方差模型 (GARCH) 是一种为带有异方差误差的时间序列的建模方法, 它由Bollerslev在1986提出。带自回归误差的GARCH回归模型表示为:

式中, 的回归函数;。通过估计h的值来计算var的值, 公式如下:

称为风险度量制下V a R计算的时间平方根法则, 此方法假定收益率服从一个条件正态分布。

三、实证分析

为了更好地研究与比较Va R的值本文选取了上证指数从2007年12月1日到2008年12月1日的收盘指数基于在2008年6月12日上证指数跌破3000点, 所以我们收盘指数分为两组来研究。第一组 (20071201-20080612) , 第二组 (20080612-20081201) 以百分比表示的日对数收益。根据上述理论应用SAS和matlab软件对两组数据进行了处理和分析得到如下的模型结构

1. 对 (20071201-20080612) 的数据拟合的模型为

估计出: 5%的分为数为。 。

这里的负号理解为表示条件正态分布的左尾。多头头寸1千万概率为0.05的VAR为:

VAR=10000000×0.2378=2378000。

2. 对 (20080613-200812010) 的数据拟合的模型为

这里的负号理解为表示条件正态分布的左尾。多头头寸1千万概率为0.05的VAR为:

VAR=10000000×0.2014=2014000。通过两个时期的比较我们发现其指数价格下跌 (2000-5000) /5000*100%=-60%而其风险值仅增长 (2378000-2014000) /2014000*100%=18.08%左右。

四、结论

首先, 上证收盘指数收益率服从正态分布存在异方差现象用GARCH (1, 1) 模型能很好的的拟合它。通过对收益率与异方差的估计应用经济计量方法计算出其收益率的VAR。比较两个时期的VAR的值, 发现当指数暴跌时其风险值增加很多, 但是其风险值增加的速度也慢。

其次, 通过前后风险值的计算我们知道风险值主要取决与异方差的大小, 所以指数暴跌必然带来大的风险值但是由于异方差很小所以前后的VAR变化不大, 我们认为在指数暴跌时期是进入市场的较好时期。

VaR分析 篇2

我国资本市场体系不断完善，商业银行公开上市，而利率问题不断突出。VaR模型提供了衡量市场风险和信用风险的大小，不仅有利于金融机构进行风险管理，而且有助于监管部门有效监管。VaR模型在金融机构进行风险管理和监督的作用日益突出。同时此模型为利率风险的分析提供了一种很好的工具，通过VaR模型能够对利率风险的防控起到很好的作用。

要求：

用所学的《金融学》《金融市场》《商业银行管理》等专业课程的知识为理论基础，同时广泛收集从报张期刊，网络，相关书籍的资料，通过这些阅读，用清晰明了的语言来，严谨的逻辑思路以及相关的指数模型来阐明的问题。

思路与预期成果：

商业银行银行是经营货币的企业，它的存在方便了社会资金的筹措与融通，它是是金融机构里面非常重要的一员，但是今年来随着经济发展，和经济危机的影响，利率变化无常，利率变动就会对银行的净利差收入产生影响。写作的大体思路：引用Var模型选取15家上市银行，并对我国上市商业银行利率问题进行了实证研究。这篇论文得出我国商业银行的利率问题，对其作出改进方向。所以首先要了解Var模型，再对Var对15家上市商业银行进行实证研究，并对其进行分类，然后针对分类后的公司分别提出建议或措施，最后总结本文存在的不足之处，并对后续的研究工作进行展望。

通过用VaR模型，了解利率风险对商业银行的影响，以用来预测未来利率变化，商业银行做好应对措施。

完成论文设计的条件和优势：

由于本身对商业银行比较感兴趣，同时之前也学习过相关课程，对其有一定的了解，收集这方面的资料很多加上专业课的基础知识，参考众多资料加以自己的思考分析撰写而成，具有很高的参考价值。

任务完成阶段内容及时间安排：

第一阶段：完成毕业论文的开题报告，文献综述2012年12月18日前：

第二阶段：完成论文粗纲，全面搜集所需资料，研读相关书籍2013年01月24日前：

第三阶段：完成毕业论文初稿的写作，过程中多与导师沟通2013年02月24日前：

第四阶段：修改初稿，交导师修改2013年03月21日前：

主要参考的文献资料：

李成、马国校VaR模型在我国银行同业拆借市场中的应用研究金融研究2009(05)

迟国泰,奚扬基于VaR约束的银行资产负债管理优化模型金融研究2009(10)

刘金全利率期限结构与宏观经济因素的动态相依性——基于VAR模型的经验研究财经研究2010(03)

VaR分析 篇3

关键词：在险价值BOT项目风险分析净现值

一、引言

BOT(Build-Operate-Transfer)是一种项目融资管理模式。BOT项目是指私营财团的项目公司(包括内资和外资)与东道国政府以契约方式签订特许权协议，由项目公司筹资和建设传统上由政府部门或国内单位承担的重大公共设施建设项目。项目公司在特许期内对项目拥有所属权、经营权、收益权。通过提供产品或收取服务费用。回收投资、偿还贷款并获取合理利润。特许期满后，则将该项目无偿转让给当地政府。BOT方式作为一种减少主权国家借款和吸引外资直接投资的有效手段，在许多国家和地区得到了广泛的应用。同时，因其较高的投资回报率。众多私营财团也愿意将资金用此方式投资到基础设施建设中去。然而，BOT具有规模较大、资金需要量大、技术要求高、使用期限长的特点，决定了BOT项目面临的风险因素多，风险高，并且存在极大不确定性。所以，研究BOT项目风险分析是十分迫切和必要的。

二、VaR简介

VaR(Value at Risk)也被称为在险价值或受险价值，它是指按某一确定的置信度，对某一给定的时间期限内不利的市场变动可能造成投资组合的最大损失的一种估计。设资产的收益为(v，预期收益为一定值EIV)，置信度为x％，则VaR可以由下式定义：

P(△V<-VaR)=1-X％(绝对损失)

P(△V

其中，VaR取损失的绝对值。

绝对损失和相对损失的区别在于考察损失的参考标准不同。绝对损失的参照物是期初的资产原值或投资额：而相对损失的参照物时期末的预期价值。从经济学的角度考虑，一般取绝对损失为准。

VaR是上世纪90年代才被引入的一种度量金融风险的新标准。1994年10月，JP Morgan公开了一个名为Risk Metrics的系统，该系统就是建立在VaR基础之上的。VaR是一种对可能给银行造成困难的坏结果的风险概念，而传统的波动率：系统风险和非系统风险三种风险度量是无法做到的。因此VaR迅速成为风靡全球度量市场风险的工具。1996年美国财政部货币监管署、美联储和联邦存款保险公司联合作出决定：从1998年1月1日起。美国所有银行必须实施VaR风险分析方法，并定期报告评估结果。VaR之所以发展如此迅速，是由它的特点决定的。

1、它用一个单一的数字捕捉了风险的一个重要方面。VaR直接度量损失的数值，比标准差、损失概率等风险度量指标更加直观。

2、它容易理解，应用广泛。VaR是损失的数值。不同风险因素的影响可以直接相加，询问简单的问题：“情况到底有多糟”。故而容易理解，应用广泛。稍作修正就能应用于其它风险分析系统中。

3、不依赖特等的概率分布假定。VaR的定义不要求研究的情况必须是正态分布。虽然最初JP Morgan的Risk Metrics系统是以正态分布为前提的。所以VaR可以将不对称分布期权纳入其中。

三、BOT项目风险分析应用VaR的必要性

VaR虽然广泛应用于金融风险分析，但数学上简单明了的性质同样可以应用于其它分析领域。BOT项目由于周期长、投资大，市场因素很难把握，而目前项目风险分析的方法相对陈旧，还没有专门针对BOT项目风险分析方法。在项目可行性分析中盈亏平衡分析、敏感性分析和概率分析三足鼎立。但是，各自又有诸多不足。盈亏平衡分析，产品价格不变、只生产一种产品假设过于简单，不能充分体现项目面临的风险。犹如应力测试的敏感性分析，只允许一种风险因素发生变化，其它因素不变。没有考虑因素相关性的存在和事件发生的概率。而这些恰恰是现实项目中普遍存在的。概率分析虽然引入了事件发生的概率，但并没有对概率以外其他因素进行详细的分析。如此，完全有必要将金融风险分析中的VaR引入到BOT项目风险分析中。

四、计算VaR的方法与步骤

1、确定收益指标

项目经济评价中一般有净现值(NPV)和内部收益率(IRR)两个指标，VaR计算的是BOT项目中预期最大损失，故应使用NPV指标。

2、风险因素分析

BOT项目风险众多，按类别可分为政治风险、建造风险、运营风险、市场和收益风险、资金风险、法律风险等。但并不是所有的风险都能从NPV中显示出来。从这点来讲，采用NPV指标也是有一定的局限性的，但较上述的三种分析方法还是有很大进步。

影响NPV的风险因素主要包括市场和收益风险以及资金风险。具体来讲包括通货膨胀、利率、汇率、折现率、原材料价格、产品价格、人均工资等。

(1)由于通货膨胀因素的存在，BOT项目的预期收益会发生变化，从而导致项目的资金风险。具体表现为因通货膨胀，银根紧缩，利率上升。致使资金成本加大；同时，价格上升，致使原材料的成本增加，带来资金风险。

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文

(3)蒙特卡罗模拟(SMC)

该方法是使用取自正态分布的随机数来建立将来情景的一个分布。对于这种情景的每一个分布，运用某种定价疗法计算投资组合的价值，然后直接估计它的VaR值。SMC是计算VaR最有效的方法。能说明广泛的风险，唯一的缺点就是成本太高。

(4)历史模拟(History Simulation)

该方法对收益率的分布几乎不做任何假定，但假设在样本周期内。收益率分布是不变的。具体应用到BOT项目分析中，历史模拟需要一个足够长且充足的历史数据库。然后。假定项目在该段时间中的某一任意时刻开始，并在该段时间内结束。就算出项目的虚拟收益。重复抽样得到虚拟收益的分布并由此得到Vail值。该方法完全基于历史数据，所以不是最好的办法。

五、VaR在BOT项目分析中的应用领域

NPV和IRR收益指标虽也有风险分析，但没有形成一个统一的风险指标，更没有将两者结合起来建立一个经过风险调整的收益指标，这是不利用项目决策的。而VaR做到了这一点。在此借鉴基于CAMP模型建立的投资基金业绩评价体系来构建新的评价指标，如下：

S_P=(NPV)/(VaR(NPV))

这一指标是在对Sharpe比率修正的基础上建立的，从上式可以看出S_P是一个无量纲的量。在决定BOT项目项目是否可行时，可由项目公司设定一个基准B，当S_P≥B时，该项目可以接受；S_P

S_P作为风险指标来说明随着形势的变化项目的风险暴露情况，从而采取必要的措施来缓解或降低风险。尽管这需要大量的资金和专门人员。但与BOT项目决策失误带来的损失相比，还是值得的。

中外股市联动性VAR分析 篇4

(一) 模型的建立。

向量自回归模型 (简称VAR) 可以用来预测相关联的经济时间序列, 并分析随机扰动对变量系统的动态冲击, 进一步解释经济冲击对经济变量所产生的影响, 滞后阶数为p的VAR模型表达式为:

其中, Y (t) 为m维内生变量列向量, X (t) 为m维外生变量向量, A (1) , ……, A (n) 和B是待估的系数矩阵, e (t) 是m维误差向量。误差向量内的误差变量之间允许相关, 但是这些误差变量不存在自相关, 误差向量与Y (t) , Y (t-1) , ……, Y (t-n) 和X (t) 也不相关。

(二) 数据的选取。

本文选取1996年至2013年上证指数、美国DJIA指数、英国FTSE指数、德国GDAXI指数、法国FCHI指数、日本N225指数和韩国KS11指数, 将股指数据取对数做差分, 求得各国股指收益率, DLNSHZ、DLNDJIA、DLNFCHI、DLN-FTSE、DLNGDAXI、DLNN225和DLNKS11分别代表中国、美国、英国、德国、法国、日本和韩国的股指收益率, 分为3个研究期间:1996~2001年中国加入世贸组织;2001~2008年金融危机爆发;2008~2013年。

二、检验过程

(一) 相关系数检验。

从表1看出, 1996年至2013年, 中国与日本股市收益率的相关性最强, 其次为韩国, 与美国股市收益率相关性最弱。分阶段看:第一阶段中国股指收益率与美国、英国、德国和法国股指收益率相关性为负;第二阶段相关性上升为正数。第三阶段相关性上升更为明显 (美国除外) 。 (表1)

(二) 单位根检验。

本文采用ADF检验方法, 对DLNSHZ、DLNDJIA、DLNFCHI、DLNFTSE、DLNGDAXI、DLNN225和DLNKS11三个阶段的平稳性分别进行检验, 结果如表2, 三个阶段的股指收益率都是平稳的。 (表2)

(三) VAR模型分析。 (表3) 根据表3的滞后长度标准综合判定, 三个阶段的VAR模型滞后一阶是最优的, 由此得到:

第一阶段VAR模型的方程式:DLNSHZ=0.000911+0.00837DLNSHZ (-1) -0.018002DLNDJIA (-1) -0.006907DLN-FTSE (-1) +0.109754DLNGDAXI (-1) +0.052769DLNFCHI (-1) +0.066941DLNN225 (-1) +0.008816DLNKS11 (-1)

[1.63482][0.29474][-0.34616][-0.09662][1.63854][0.71211][1.75953][0.40821]

第二阶段VAR模型的方程式:DLNSHZ=0.000911-0.025645DLNSHZ (-1) +0.16286DLNDJIA (-1) +0.222922DLN-FTSE (-1) -0.061303DLNGDAXI (-1) -0.136325DLNFCHI (-1) -0.071483DLNN225 (-1) +0.054268DLNKS11 (-1)

[1.95233][-0.90687][2.82754][2.58283][-0.96646][-1.45826][-1.66158][1.48047]

第三阶段VAR模型的方程式:DLNSHZ=-0.000825-0.020865DLNSHZ (-1) +0.125113DLNDJIA (-1) +0.281826DLN-FTSE (-1) +0.100597DLNGDAXI (-1) -0.150361DLNFCHI (-1) -0.097093DLNN225 (-1) -0.060276DLNKS11 (-1)

[-1.61310][-0.69950][2.61882][3.12602][1.22800][-1.62064][-2.60353][-1.34548]

根据图1的AR ROOTS GRAPH, 三个阶段的VAR模型特征方程的单位根均在单位圆内, VAR模型平稳。 (图1)

(四) Granger检验。

本文原假设A变量不能格兰杰引起B变量, 即认为不存在A对B的收益率存在溢出效应, 当统计数据拒绝这一原假设后, 我们就说A对B的收益率存在溢出效应。本文的向量自回归模型三个阶段中, 最优的滞后阶数都是一阶, 因此本文对变量之间进行滞后一阶的格兰杰检验。 (表4)

表4显示:第一阶段, 在10%的显著性水平下, 日本股指收益率是中国股指收益率的单向格兰杰原因。美、英、德、法、韩等国股市与中国股市之间不存在格兰杰因果关系。第二个阶段中, 在1%的显著性水平下, 美国和英国股指收益率是中国股指收益率的单向格兰杰原因;在10%显著性水平下, 日本股指收益率是中国股指收益率的单向格兰杰原因;美国、英国和日本股市对中国股市存在收益溢出效应。第三阶段中, 在1%的显著性水平下, 美国和英国的股指收益率是中国股指收益率的单向格兰杰原因;在1%的显著性水平下, 中国股指收益率和日本股指收益率存在双向格兰杰英国关系;在5%的显著性水平下, 中国股指收益率是韩国股指收益率的单向格兰杰原因。美国和英国对中国股市存在收益溢出效应, 中国股市对韩国股市存在收益溢出效应, 中国股市和日本股市存在双向的收益溢出效应。与第二阶段相比, 第三阶段中国股市对国外股市产生了影响。

三、对中国的影响

(一) 积极影响

1、提高资源配置效率。

当股票市场交易活跃, 企业经营效益良好, 有扩大规模需求, 企业就会在股票市场上增发股票, 获得更多用于投资的资金, 减少通过银行贷款获得资金所产生的融资成本。同时, 股票市场的高度流动性, 使投资者不仅可以获得上市公司的股票分红, 还可以通过低买高卖获得股票差价, 由此吸引更多的投资者进入股市进行股票买卖, 为上市公司提供更多的资本支持。股票市场保持一定程度的波动, 使资本在实体经济和虚拟经济之间的资金投入保持平衡, 当股票市场繁荣时, 通过吸引资金流向股票市场, 改变因为资本过度投向实体经济而造成的宏观经济运行效率降低情况, 使整体资源配置得到优化。

2、推动技术创新。

高新技术产业在股票市场上得到投资者的青睐和追捧对其他产业进行技术创新和自主研发起到了很好的鼓舞作用, 推动了中国产业结构的升级。

(二) 消极影响

1、易造成收入分配不合理。

股市的过度繁荣使股市的投机性泡沫越来越多, 投机者对个股进行炒作, 导致收入分配不合理, 贫富差距过大。合规经营、遵守法律、严格管理并及时完整公开公司信息的上市公司股价低迷, 而一些业绩较差、经营状况不好的企业通过题材炒作, 使公司的股票价格翻好几倍。

2、易引发信用危机。

股票市场过度繁荣时, 新的项目投资及生产规模急剧扩大;股票市场大幅下跌时, 许多上市公司资金链断裂甚至倒闭, 使银行贷款变成呆坏账, 进而引发信用危机。

3、易影响实体经济发展。股票市场过度繁荣分流了本应投资于实体的资本、减少消费, 对实体经济产生影响。

摘要：本文通过建立向量自回归模型, 考察中国股市与国外六个主要国家股市三个阶段的联动性, 通过相关系数检验、平稳性检验、格兰杰因果关系检验、脉冲响应函数分析后, 得出以下结论:中外股指收益率的相关性由负转正上升加快, 但幅度不大;中外股指收益率的溢出效应由弱转强;中国股指收益率受国外股指收益率的影响越来越明显。

关键词：向量自回归模型,中外股指收益率,三个阶段

参考文献

[1]李晓广, 张岩贵.我国股票市场与国际市场的联动性研究——对次贷危机时期样本的分析[J].国际金融研究, 2008.11.

[2]胡秋灵, 刘伟.中美股市联动性分析[J].金融理论与实践, 2009.6.

分位数回归与上证综指VaR研究 篇5

分位数回归与上证综指VaR研究

把极端分位数所具有的行为特征应用到VaR的研究中,建立上海股市收益率的.条件分位数回归模型,描述其在极端分位数下的变化趋势.同时选取适当的尾部模型,并在此基础之上应用外推法预测非常极端分位数下的条件VaR,并与直接由分位数回归模型预测的结果进行比较.结果表明:两种方法得到的结果变化趋势都是一致的,由外推法预测的结果相对小一些.

作 者：关静 史道济 GUAN Jing SHI Dao-ji  作者单位：天津大学理学院,天津,300072 刊 名：统计与信息论坛  CSSCI英文刊名：STATISTICS & INFORMATION FORUM 年，卷(期)： 23(12) 分类号：O213 关键词：分位数回归   极端分位数   VaR  

VaR分析 篇6

【摘要】由于日益激烈的市场竞争以及企业改革的不断深入，人们逐渐意识到财务风险是客观存在的，进而财务管理受到了广泛重视。而汽车产业作为技术资本劳动密集型企业已然成为拉动国民经济的重要组成部分。鉴于此，我们认为上市是汽车企业未来发展的方向，并据此以汽车行业上市公司作为研究对象。本文以沪、深两市A股汽车业上市公司股票为样本，在传统上市公司财务度量指标体系基础上，加入风险指标——VaR，对这些上市公司的风险进行评估。

【关键词】VaR值 财务风险 汽车业 上市公司

随着国际经济的日益发展，公司规模日益扩大，越来越多的公司选择上市，而上市对于企业来说是机遇同样也是挑战。因此，企业应该必要的措施，进而有效地解决财务风险问题，以避免金融风险的发生。

上市公司作为公众企业，其经营业绩直接影响经济发展的宏观和微观的两个方面。1990年12月9日自上海证券交易所成立以来，中国证券市场规模持续扩大，不仅取得了良好的成绩也成为了国民经济重要的一部分。1998年4月27日沪深两市特殊处理第一例—ST辽物资，继而ST板块日益壮大。由此看出中国上市公司在有突出表现的同时还存在一定风险的，而且上市公司的整体状态不容乐观。汽车产业是技术资本劳动密集型企业，该产业已经成为拉动国民经济的重要组成部分。伴随着21世纪的到来及汽车行业的迅猛发展，我国已然成为了世界上第一汽车生产国和最大汽车销售市场。鉴于此，我们认为上市是汽车企业未来发展趋势，并据此以汽车行业上市公司作为研究对象，从而建立包含VaR指标的财务风险度量体系，并对上述上市公司的风险进行评估。

一、汽车业上市公司风险价值（VaR）及其计算

在现实中，由于中国股市制度的不完善以及监管不利等因素往往会造成股市的异常波动，但随着近些年中国股市的日益发展，股市的波动性逐年减弱并呈现出弱有效市场的特征。故本文运用蒙特卡洛方法计算VaR，并假设股票收益呈正态分布，这样可以大大减少研究过程中的计算量。

（一）样本及指标选取

现今股票市场有A股和B股组成，A股的全称为人民币普通股票，B股的全称为人民币特种股票。由于这两种股票在认购方式以及很多方面都有很大的区别，所以没有可比性。又由于汽车产业是技术、资本、劳动密集型产业，并且已成为我国经济的重要组成部分和拉动经济发展的不可或缺力量。鉴于此，我们认为上市是汽车企业未来发展的方向，并据此以沪深两市A股汽车行业上市公司作为研究对象选取样本。本文选取了20家上市汽车企业的2012年的财务数据作为样本，以个股每日收盘价为基础指标，对VaR进行了研究计算，企业名称及代码见表1。

（二）分析方法、实证结果及解释

本文基于汽车行业上市公司股票的日收盘价计算其相应的收益率，假设股票持有期为一天，在95%的置信水平下，选取上市公司2012年的数据作为样本进行估计，将个股日收盘价（pt）进行对数转换得到ln（p*）。将第一部计算得到的结果代入公式r*t=lnp*t+1-lnp*t进而得到调整后的对数收益率r*t。现假定以上数据服从正态分布，对该数据进行分布检验。

通过检验得出10家数据符合正态分布的企业，将数据代入公式VaR=-μp+1.65σp，得出股票的VaR值，计算结果见表2。

由此得出的VaR值将被作为新的财务指标与传统的财务指标结合，从而建立起新的完善的体系。

二、包含VaR值的汽车业财务风险度量体系的建立与实证分析

（一）研究假设

鉴于以往的研究我们可以发现，影响上市公司的财务风险主要因素来自于公司的偿债能力、盈利能力、成长能力、资产管理能力和市场风险的其他因素。公司的盈利能力也被叫做企业资本或资金的增值能力，表示为企业在一定时期内获得收益的多少。

同时，市场风险也在一定程度上影响企业的财务风险，当市场出现风险时，企业的购买力就会下降，导致影响到净现金流量的增加，从而加大企业遭遇财务风险的概率。本文将通过VaR值体现市场风险。

故假设：

1.上市公司的偿债能力、盈利能力、成长能力、营运能力与财务风险程度负相关。

2.上市公司的VaR值与承受的财务风险程度正相关。

（二）样本选取

本文针对汽车业的20家上市公司，在剔除了数据不全和VaR不符合正态分布的公司后，得到以下9家企业。其中金杯汽车为ST股票。ST（Special Treatment）股票，即特别处理股票，是针对财务状况和其他状况异常的上市公司而制定的。

（三）指标的选取

根据前人的研究经验，本文将遵循参照性原则、作用性原则、全面性原则和可运用性原则来选取指标。为了更准确的研究上市公司的营运能力、盈利能力、成长能力和偿还能力，本位选取了最具代表性的财务指标进行分析，各项财务指标如下：

1.盈利能力财务指标。销售净利率、总资产收益率。

2.偿债能力指标。流动比率、速动比率。

3.营运能力。总资产周转率、存货周转率、应收账款周转率。

4.成长能力。营业收入增长率、每股收益增长率。

市场风险指标本文选取VaR值（X10）作为市场风险指标，上文已有阐述，故在此不再加以赘述。

基于以上指标查找数据如下（表2-2），数据均来自于金融界网。

三、财务风险度量体系的建立

（一）因子分析概述

在实际研究问题时，人们往往愿意找许多的相关变量来建模，但这些变量并不一定都有助于模型的建立，有的甚至给建模过程带来许多问题，如：变量之间存在共线性和重复性。为了对变量进行筛选，此时因子分析就派上了用场。

用少数几个因子去描述许多因素或指标之间的相关关系，即将相关程度较高的几个变量综合于在同一类中是因子分析的基本目的，这样每类变量就成为一个因子，因子分析的原理就是以比较少的因子反映资料中的大部分信息。

因子分析过程分为如下几个步骤：

1.前提条件。因为因子分析过程是对原有变量进行筛选，将相关的变量归为一类形成因子。因此要求原有一类变量之间要有较强的相关关系。本步骤就是通过计算相关系数矩阵判断变量之间是否存在相关关系。当相关系数矩阵中的绝大部分相关系数值小于0.3，这表示各个变量间大多为弱相关关系，即相关程度较小，那么原则上这些变量是不是用于因子分析的。

2.因子提取。因子分析过程的核心步骤是将原有变量组合成少数几个因子。所以依据样本求解因子载荷矩阵是本步骤的关键。其求解方法主要基于极大似然等方法。

3.计算各变量的因子得分。因子分析的最终体现是因子得分。因子得分的概念是各因子在各个样本上的具体数值，而形成的变量就是因子变量。进而在之后的研究过程中，将因子变量代替原有的变量进行建模，可以起到简化和优化原有模型的目的。

（二）实证分析

本文选取9家汽车业上市公司2012年度的财务指标（即截止到2012年12月31日的财务指标，结合上文中根据2012年各上市公司股票日收盘价计算出的VaR值，如表2-2所示，一同作为变量进行因子分析。分析过程如下：

1.计算因子相关矩阵。分析得出因子相关矩阵，如表5所示。

由上表可知，在该矩阵中大部分相关系数的绝对值均大于0.3，所以变量之间有很强的相关性，从而适用于因子分析。

2.分析得出公共因子特征值和方差贡献率。运用主成分分析法，将原有的11个变量综合为3个公共因子，并得出公共因子的方差贡献率，见表6。

3.计算因子载荷矩阵。所谓载荷矩阵表示的是各个变量的变异都可以用那些因子解释，而载荷所表示的就是变量与因子之间的相关系数。求出因子的载荷矩阵，见表7。

4.计算个变量因子得分。运用主成分分析法得出因子得分系数矩阵，见表8。

由上述表达式可知主因子F1与变量X1（销售净利率）X2（总资产收益率）相关系数较大，表明该因子与企业盈利能力密切相关，故命名为盈利能力因子。

主因子F2与变量X5（总资产周转率）、X7（应收账款周转率）相关系数较大，表明该因子与企业营运能力息息相关，故命名为营运能力因子。

主因子F3与变量X9（每股收益增长率）相关系数较大，表明该因子与公司的成长能力有关，故命名为成长能力因子。

5.计算上市公司综合得分并且排序。由表9中的主因子方差贡献率作为各因子的权重就可以的到基于VaR值得上市公司财务风险度量模型，如下：

F=0.43404F1+0.26365F2+0.14841F3 （2-4）

基于以上主因子的研究以及对于样本数据的标准化，可以得到各个上市公司的主因子得分和综合得分，绘制成下表并加以排序。

由上表可以看出比亚迪和金杯汽车这两家企业位居最后两位，由于指标的选取和数据选取的局限性，从而造成比亚迪2012年的财务状况不如金杯汽车，但是被特殊处理的金杯汽车仍排位靠后，故可以看出该模型在一定程度上还是有其意义所在。

四、有效性检验

下表是通过比较风险度量指标体系（下文中简称体系1）和财务指标度量体系（下文中简称体系2）来验证体系的有效性。

由表可以看出体系1中的F、VaR值与变量X1、X2的相关性要比体系2中F与X1、X2的相关性高，又因为X1X2是表示企业盈利能力的财务指标，则说明基于VaR值的风险度量指标体系要比财务指标体系对于风险和收益水平的预测能力要更强一些。

由以上论述我们可以看出，当我们在原有传统的风险度量模型上加入VaR值后，其评估结果不仅更加全面客观，与事实较为相符，而且对比原有模型与企业的盈利能力的相关程度更大，即更能体现企业的盈利水平，进而更加直观的表现了企业的财务状况。一个企业最重要的目的就是盈利，这也是企业决策者最关心的项目之一，所以新的体系的建立更加有力于决策者对于现今的财务状况进行分析和管理，尽最大可能避免企业出现财务风险。

五、结论

本文从财务风险度量体系入手，引入了VaR值（风险价值）这一概念，以汽车行业上市公司2012年的股票日收盘价和财务指标为样本数据，建立了全新的风险度量指标体系，进而更加客观严谨地对这些上市企业的财务风险状况进行评估。通过以上研究本文得出如下结论：

第一，本文选取了具有代表性的产业——汽车业上市公司的财务数据为样本数据，规避了不同行业无法比较的弊端，从而得到更加客观的研究结果。

第二，本文基于VaR值，与传统的财务度量体系相结合建立了风险度量体系，并对汽车业上市公司进行了度量分析，得到结果大体与实际情况相符，证明了该体系具有一定的实际意义。

第三，本文对于两种体系进行了相关性检验，得出风险度量体系相关性更强，体现了新体系的优越性。

参考文献

[1]陈忠阳.VaR体系与现代金融机构的风险管理[J].金融沦坛，2001（5），44-50.

[2]丛菲.基于VaR值的建筑业上市公司财务风险度量分析[D].西安：西安建筑科技大学，2011.

[3]范英.VAR方法及其在风险分析中的应用初探[J].中国管理科学，2000（3）26-32.

[4]黄智猛，曹华，吴冲锋.VaR风险监管下金融机构的决策模型与分析[J]，1999（4），1-6.

[5]金小平.VaR在我国金融机构市场风险管理中的应用研究[D].长沙：湖南大学，2005.

[6]李亚静，朱宏泉，何跃.基于VaR的风险分析理论与计算方法[J]，2000（5），36-46.

[7]李梓华，龚光明，廖云.企业财务风险度量：方法的选择与应用[J].山东经济战略研究，2006（7），70-71.

[8]刘晓棠.基于VaR的上市公司财务风险度量指标体系构建及实证分析[D].沈阳：沈阳工业大学，2007.

[9]王春峰.金融市场风险管理[M].天津：天津大学出版社，2001.

[10]薛薇.基于SPSS的数据分析[M].中国人民大学出版社.2006.10.

[11]姚刚.风险值测定法浅析[J].经济科学，l998（l）：56-60.

中美股票市场VaR的比较分析 篇7

随着经济全球化和金融创新的不断发展, 金融衍生工具的使用越来越广泛。但值得注意的是, 金融市场存在着波动性, 系统性风险也难以避免, 金融危机不断出现, 影响面也不断扩大。因此, 准确衡量风险至关重要。

Va R (Value at Risk) 方法是在20世纪80年代被提出的, 目前已经被广泛应用于风险管理等领域。Va R的估计方法有很多, 但都有其局限性。Angelidis et al (2003) 对诸多种用于Va R估计的ARCH族模型进行了Kupiec检验和Christoffersen检验, 比较研究后发现, ARCH类的诸多种模型所产生的Va R估计都有较高的准确度, 但总体来讲, 假设厚尾分布能获得更高的精度, 如t分布或广义误差分布 (GED分布) 。基于此, 本文采用GARCH族模型来测估中国股市和美国股市的市场风险, 试图找到其中最适合中国股票市场和美国股票市场的模型并分析二者的不同之处。国内的实证研究多是国内各指数的比较, 很少有学者将中国股票市场和美国股票市场一起进行研究去发现中美股市的不同。

二、Va R计算方法简述

Va R的定义

在险价值 (Va R) 可以描述在一定置信度下一定测度期限内的投资者的最大期望损失值, 是一种利用概率论和数理统计进行风险量化和管理的方法, 具有坚实的科学基础。

Va R的计算方法

一般地, GARCH (1, 1) 即可描述大量的金融时间序列数据。条件方差方程为

采用最大似然估计法来估计条件方差的值。假设收益变动的均值为0, 进而可以用下式估计Va R。

考虑到金融资产价格的上升和下降很可能会对后续的价格波动产生非对称的影响, Nelson提出了指数GARCH模型 (Exponential GARCH) , 条件方差方程如下所示

Va R模型的准确性检验实际上检测的是实际损失小于等于Va R估计值的数据的覆盖程度。本文用Kupiec提出的失败频率检验法基础上由Christofferson提出的条件覆盖模型来检验。

三、实证研究

本文选择沪深300指数作为代表, 它覆盖我国两市场六成左右的市值, 能够反映市场主流投资的收益情况;选择标普500指数来代表美国股票市场来对比中美股票市场的适合模型。单位根检验表明两只股指的对数日收益率在95%置信水平下显著平稳。对残差进行ARCH-LM检验后发现ARCH效应显著。以上说明数据适合用GARCH族模型进行拟合。

分别假设收益变化服从正态分布、t分布和GED分布, 采用三种模型分别来估计, 结果如下表1。

当LRcc大于5.99时拒绝原假设。由表1可以看出, 无论采用哪种模型测算, 只有GED分布通过了准确性检验, 说明对于沪深300指数, 在GED假设下GARCH模型族都可以较准确的估计出Va R, 而正态分布假设下计算的Va R低估了风险, t分布假设下则高估了风险。而EGARCH模型测算的值为负, 说明了残差具有非对称性, 但绝对值又较小说明了杠杆效应并不大, 故GARCH (1, 1) 同样可以准确地估计风险大小。

又由表2可以看出, 无论采用哪种模型测算, 只有GED分布通过了准确性检验, 而在正态分布假设下计算的Va R低估了风险, t分布假设下计算的V a R则高估了风险。此外, 对于GED分布假设下估计的Va R值, EGARCH (1, 1) 和PARCH (1, 1) 模型的LRcc统计量更小, 说明计算出的Va R更加准确。EGARCH (1, 1) 模型的估计值为负, 说明存在杠杆效应, 而EGARCH (1, 1) 和PARCH (1, 1) 模型可以捕捉非对称性, 故比GARCH (1, 1) 模型能更加准确的估计Va R。

四、结论

研究结果表明, 首先, 在99%置信水平下, 无论选择三种模型中的哪一种, 广义误差分布 (GED分布) 假设是能够最准确估计两个股票市场的Va R的, 正态分布通常会低估Va R, t分布有较强厚尾性, 会高估Va R。第二, 在GED分布假设下, 沪深300指数和标普500指数相比, 后者杠杆效应更强, 利空信息比利好信息产生的冲击更大, 因此, 对于中国股票市场来说, GARCH (1, 1) 、EGARCH (1, 1) 、PARCH (1, 1) 模型都可以较准确地估计Va R, 但是, 对于美国股票市场, 后两种模型考虑了非对称性, 估计的更为准确。

参考文献

[1]Angelidis T, Benos A, Degiannakis S.The use of GARCH models in Va R estimation.download from http://www.gloriamundi.org, 2003

[2]Hull and John:Option, futures and other derivative (seven edition)

商业银行信用风险的VAR度量分析 篇8

VAR本质上是对证券组合价值波动的统计测量, 其核心在于构造证券组合价值变化的概率分布。VAR计算的思想非常简单, 首先使用当前的价格表对当前的证券组合进行估价, 然后使用未来一定概率对证券组合的未来价值重新估价, 并且计算证券组合价值的变化——即证券组合未来的收益或损失。使用概率分布的未来情景价格表对证券组合的未来价值进行估价, 就可以得到证券组合未来收益的一个分布, 这样就可得到在给定置信区间下的证券组合未来损失值即VAR值。

根据定义, VAR基本模型可以表示为:

式 (1) 中: 表示发生某一事件的概率, 为某一金融资产或证券组合在持有期Δt内的变动, VAR为置信水平 下处于风险中的价值, 除非具体说明, 约定 均为负值, VAR为非负值, 形式本身就意味着关注的是损失情形。

VAR模型旨在估计给定资产组合在未来资产价格波动下可能的或潜在的损失。计算VAR值需要三个条件: (1) 置信水平的大小; (2) 持有期间的长短; (3) 资产组合未来价值的分布特征。

进行风险管理时, 置信水平是指根据某种概率测算结果的可信程度, 它表示了承担风险的主体对风险的偏好程度。置信水平的选择不能过低也不能过高, 否则会让分析误差加大。依据国际银行组织的多年研究经验, 置信水平一般取95%到99%之间, 巴塞尔银监会取的是95%。

持有期是风险所在的时间区间, 也是取得观察数据的频率, 即所观察数据是日收益率、周收益率, 月收益率或是年收益率。持有期的长短也可以依据不同特点, 例如交易头寸的流动性强弱加以选择。流动性强的以每日为期计算风险收益和VAR值, 流动性弱的则可以以每月为期计算。从管理者的角度来看, 持有期应当反映频繁监督的成本与较早察觉到潜在问题而获得好处之间的平衡关系。巴塞尔银监会仍然要求银行以两周, 即10个营业日为持有期。

计算VAR值的最关键是:资产组合的未来价值的分布 (即收益分布) 特征。如果认定收益分布服从一定的条件, 则可以利用该条件分布的参数求得预期收益, 进而求得VAR。在计算VAR时, 往往对资产收益分布作一些假定。金融经济学的实证研究表明, 时间跨度相对短的前提下, 实际收益分布越接近正态分布。

二、本文研究思路与数据来源

基本思路:首先通过计算银行信用风险VAR;然后根据国际清算银行的方法, 将VAR绝对值再乘以一定倍数, 得出该商业银行实际信用风险暴露情况下的风险资本水平, 即经济资本水平;最后将其与理论资本水平相比较, 从而对商业银行持有资本与实际风险的匹配状况进行评估。

在本文分析中, 数据选取来源于建设银行某支行2003年年报, 该行对客户信用评级结果共分为AAA、AA、A、BBB、BB、B、CCC、违约几个信用等级, 能够较为直观地反映客户的资信状况。在2003年初该行向西部某信用等级为BBB级的制造业企业发放贷款, 余额为5000万元人民币, 贷款合同利率为6%, 期限为一年。贷款的回收率为51.13%。

三、VAR在我国银行信用风险中的具体应用

Credit Metrics目前有两种VAR度量方法:一种是基于贷款价值正态分布;另一种是基于贷款价值实际分布。下面就分两种情况对该方法进行讨论。

1. 贷款价值服从正态分布

设 , 其中V为贷款价值, 是服从正态分布的随机变量;EV为贷款价值的均值, 为方差;经过标准化处理使其服从0~1正态分布, 即 。

若取为银行对损失的容忍度, 则由 , 则 , 查表得 , 考虑到正态分布的对称性, 以及我们所求的是贷款损失, 所以应取左侧下分位数 (如图1所示) 。

在未来特定一段时间内的最大可能损失为 , 称该值为VAR值, 记为

称 (2) 式中的σ为贷款价值的损失波动度, 2.33为在99%置信度下的波动度乘数, 于是VAR的计算公式为:

VAR=损失波动度×波动度乘

在正态假设前提下, 银行对每笔贷款的损失容忍度不同 (置信水平不同) , 就会有不同的波动度乘数, 常见的对应关系如下表1:

2. 贷款价值服从实际分布

由于银行是信息严重不对称的行业, 其业务特性—收益有限而损失无限 (收益最多是利息收入, 而损失的有可能是全部本金) 决定了在我们的现实生活中, 贷款价值的分布明显呈偏态分布, 如图2所示, 这种反向的偏斜表现为具有所谓的“厚尾”特征。为计算该笔贷款的VAR值, 可以根据经验评级转移概率矩阵, 以及其他的一些相关数据, 利用线性插值法, 求出偏态分布下贷款的VAR值。

3. 银行信用风险VAR的计算

如果一年后银行借款人仍然停留在BBB级, 则第一年末, 该笔贷款的市场价值 (百万) 为:

如果在第一年里, 借款人从BBB级上升到A级, 则第一年末, 该笔贷款的市场价值 (百万) 为:

对每一级别重复同样的计算, 可以得到一年后贷款人处于不同级别时的贷款价值, 同时计算概率加权价值、价值偏离均值的差异和概率加权差异的平方, 将有关数据整理成表2。

表2第四列数值相加即为一年后该笔贷款价值的均值, 即EV=53.55 (百万元) ;最后一列求和为贷款价值的方差, 即DV=2.2392 (百万元) , 可得标准差 (万元) 。

(1) 贷款价值服从正态分布

根据 (1) 式计算得到:

置信度为95%时的VAR=1.65×σ=246.8 (万元) ;

置信度为99%时的VAR=2.33×σ=348.6 (万元) 。

换言之, 该笔贷款在置信度分别为95%和99%的水平下, 一年内的最大可能损失分别为493万元和697万元。

(2) 贷款价值服从实际分布

由表4的数据可以看出, 贷款价值下降到51.01百万元以下的概率为6.77% (5.3%+1.17%+0.12%+0.18%) , 即第6.77个百分位的贷款价值等于51.01百万元;贷款价值下降到49.05百万元以下的概率1.47% (1.17%+0.12%+0.18%) , 即第1.47个百分位的贷款价值等于49.05百万元。运用线性插值法, 可近似得到第5个百分位的贷款价值约等于50.36百万元, 这表明在实际分布下, 置信度取95%的VAR值为53.55-50.36=3.19百万元=319万元。同理, 在偏态分布下置信度取99%的VAR值为467万元。

四、VAR计算结果分析

从上表3中可以看出, 我国银行业信用风险的VAR值在正态分布和实际分布情况差异较大。另外信用风险VAR值除一定程度上揭示银行的信用风险水平外, 还可将这些VAR数值与巴塞尔协议所要求的以风险为基础的8%的资本要求进行比较。根据巴塞尔资本协议资本充足率8%的要求, 5000万元贷款需要的最低资本为400万元。而在99%的置信水平下, 若贷款价值服从正态分布, 5000万元的贷款需要配备的资本额为348.6万元, 若贷款价值服从实际分布, 需要配备的资本额为467万元, 显然差异较大。这说明采用正态分布来刻画我国银行各信用等级贷款的价值分布不太符合现实情况;而根据实际分布所得计算结果进行资本配置应该更准确些。

对于多比贷款或贷款组合的VAR的计算其原理同单笔相同, 只是在计算组合方差时要考虑不同级别贷款之间的相关性。

此外, 针对以内部模型为基础的资本要求而提出的压力测试乘数的问题也需要加以处理, 在BIS的市场风险方法下, 对这一极端损失或压力测试问题的处理办法是要求银行将其VAR乘以一个范围在3-4之间的因子。如果参照此方法来确定最终的信用风险资本水平, 将高于BIS规定的8%资本要求。

因此, 采用JP Morgan信用风险度量方法, 在各等级贷款价值在正态分布和实际分布的情况下, 我国银行业极端情况确定的信用风险资本风险水平过大, 这说明对信用风险进行压力测试还存在较大问题, 选择适当大小的乘子, 以及如何根据信用风险VAR值作为银行资本水平的标准仍需进一步研究。

参考文献

[1][美]菲利普.乔瑞:风险价值VAR[M].北京:中信出版社, 2005

[2]黄建:金融风险评价指标与方法[J].统计教育, 2003, (1)

[3]张喜玉:金融风险管理的风险价值 (VAR) 方法[M].管理纵横, 2003, (2)

[4]Fallon.Calculating Value-at-Risk[R].Working paper, The WhartonFinancial Institutions Center, University of Pennsylvania, 1996

VaR分析 篇9

关键词：EGARCH模型估计权证,时变VaR,分析

一、模型分析

Nelson提出的EGAR CH模型, 它能够充分捕获高频金融时间序列的尖峰厚尾性, 即收益率分布的峰度比标准正态分布的峰度高, 以及金融时间序列波动的集群性, 即在某些时期内的波动十分激烈, 而另一些时期的波动又相对平静。并刻画了股市中所存在的“杠杆效应”, 即证券收益率的条件方差对正、负的冲击具有不对称反应, 负冲击对条件方差的影响要大于正冲击对条件方差的影响, 证券价格下跌引起的波动更显著。该模型的条件方差σt被表示成指数形式, 意味着σt非负的且杠杆效应是指数型的, 同时加强残差项ε<0部分对模型的影响力度, EGARCH (p, q) 模型的具体形式是:

式中, p表示滞后变量数目, q表示平方偏差数目, rt为收益序列, ε为残差, δt2为方差序列, μ为收益的无条件期望值, α为滞后参数, β为方差参数。其中γ为价格冲击的非对称效应参数, 当γ=0时, 正负冲击对称;当γ<0时, 负的冲击对波动的增加大于正冲击;当γ>0时, 负的冲击对波动的增加小于正冲击。此模型对金融时间序列拟合的效果非常理想, 其优点在于可以识别收益与波动性之间是否对称, 即是否存在所谓的杠杆效应, 还可以了解条件方差的估计值是否会对预期收益的估计提供有益的帮助。

这里采用EGARCH (1, 1) 模型, 即:

式 (3) 和式 (4) 分别表示均值调整方程和方差波动方程。

本文收集2006年6月15日到2007年3月20日期间, 总共118个包钢权证的交易数据。期间价格走势见图1。

从价格走势看, 序列是明显的不稳定序列。定义日收益率rt=lnPt-lnPt-1, 就可以得到收益率序列。图2是包钢JTB1权证日收益率折线图。

用ADF方法对收益率序列作单位根检验, 检验结果见表1。检验结果说明收益率序列平稳。EGARCH估计结果见表2、表3。

对数似然数为149.7519。从估计的结果看, 各项系数都很显著, P值基本上接近于0。这充分说明, 包钢JTB1权证的E-GAR CH效应很明显。

先用EGARCH预测样本内波动率序列, 再根据正态假设, 在计算样本内95%置信水平下的日Va R值 (=1.65σ) (计算结果图表略) 。选取样本期内所有交易日内的Va R与同期实际收益r进行对比, 计算溢出天数 (Exception Day) :

若-VaRi≤ri, xi=0, 若-VaRi>ri, xi=1

然后计算溢出率E=X/n, 并将E值与置信水平1-c进行比较, 来判定模型的准确性。若E>1-c, 说明模型低估了风险;E<1-c, 表明模型的预测结果覆盖了实际的损失, 但如果E太小, 则表明模型估计过于保守。依照上述原理, 对照日收益率, 有4个日收益率大于预测值 (-Va R) 。溢出率4/117=3.4%小于5%, 且接近于5%, 模型比较恰当。同时, 基于同样的数据, 用TGAR CH模型再次估计权证的时变Va R, 对照日收益率序列, 有7个观察值日收益率大于对应的日 (-Va R) 值。溢出率7/117=6%大于5%。模型低估了风险。因此, EGR ACH模型在估计权证的时变Va R是较为有效。

二、结论

由于交易决策对时变的风险很看重, 因此, 运用GARCH类模型计算金融品种交易的风险值已经成为研究的热门话题。但用于金融衍生品风险研究方面的较少, 可能这与我国目前金融衍生品的发展还处于初级阶段的现状有关, 尽管如此, 我国权证交易市场仍旧蕴藏着巨大风险, 本文选取包钢JTB1的价格序列为样本, 通过计算日收益率, 用EGARCH模型估计出样本期间内日Va R值。并同时对比用TGARCH模型计算结果, 分析表明, EGARCH模型较好地预测了损失结果, 所以基于EGARCH模型的Va R值计算较能反应这一品种收益率的波动特征和准确预计损失, 为权证的风险管理提供了可靠的风险度量。

对于Va R模型的风险度量, 还可以通过期权定价公式求得隐含波动率, 再通过分位数计算资产的Va R值。

期权的Black-Scholes公式为:

看涨期权的公式为:

看跌期权的公式为:

其中:

当知道了c、p、S、X、T后就可以算出σ, 这就是隐含波动率, 它是指在市场中观察的期权价格所蕴含的波动率。

VaR分析 篇10

分析货币供给问题, 有三种观点:一是, 货币内生性, 即货币供给是经济内生的, 其供给数量由经济运行情况决定的;二是, 货币外生性, 即货币供给不依据经济运行状况, 而由一国货币发行当局决定发行数量;三是, 货币混合论, 即货币供给不完全由经济内生, 也不完全由货币发行当局决定, 而是两者的综合。对货币供给研究, 国际上比较著名的学说是货币学派的“单一货币规则”, 主要是由著名经济学家弗里德曼提出的, 该理论核心是货币供给增长率等于经济增长率加上通货膨胀率。国内有一些学者对货币供给也给出了不同答案, 但都缺乏实证验证;但也有一些实证研究, 利用VEC模型和VAR模型进行分析研究, 但都不太系统, 如冯玉明、袁红春、俞自由在《中国货币供给内生性或外生性问题的实证》一文中指出我国货币具有较强的内生性, 但其在分析方法上比较简单;李晓华、侯传波、陈学彬在《我国货币内生性问题的实证研究》一文中利用VAR模型对货币供给进行分析, 但其在选择变量方面只是用财政预算支出, 出口额和居民消费价格指数三变量来分析广义货币M2, 并且在分析时也过于简单。因此, 本文通过建立向量自回归模型 (VAR模型) 来实证分析我国货币供给问题, 在选择模型变量方面和深入分析方面也有很大的突破。

2 基于VAR模型的实证分析

经济学中, 影响一国货币供给有很多因素, 如一国经济增长率, 居民消费价格指数, 工业品出厂价格指数, 一国货币汇率体制, 货币供给预期, 国际金融市场对本国货币供给的影响, 严重自然灾害或者是重大突发性事件如地震等等因素。如果把影响一国货币供给的因素作为解释变量, 把一国货币供给作为被解释变量, 就可以建立一个关于我国货币供给的函数。以广义货币增长率M2表示我国货币供给, GDP, CPI, PPI, HUILV表示影响我国货币供给的经济增长率, 居民消费价格指数, 工业品出厂价格指数和我国汇率变动率等各种因素, 则我国货币供给函数可以表示为:M2=f (GDP, CPI, PPI, HUILV…) , 具体分析如下。

2.1 数据平稳性检验

广义货币M2供给增长率, GDP增长率, 居民消费价格指数CPI, 汇率变动率和工业品出厂价格指数PPI, 在1990-1998年数据线性趋势起伏不定, 数据明显不平稳, 须进行单位根检验, 检验结果表明广义货币M2供给增长率, GDP增长率, 居民消费价格指数CPI, 汇率变动率和工业品出厂价格指数PPI在5%的显著水平下都是不平稳的;对其进行一阶差分, 得到ΔM2, ΔGDP, ΔCPI, ΔHUILV, ΔPPI再对其进行单位根ADF检验, 其ADF检验统计量均小于显著性水平5%的临界值, 拒绝原假设, 表明至少可以在95%的置信水平下拒绝原假设, 差分序列ΔM2, ΔGDP, ΔCPI, ΔHUILV, ΔPPI均不存在单位根, 为平稳时间序列。因此, 广义货币M2供给增长率, GDP增长率, 居民消费价格指数CPI, 汇率变动率和工业品出厂价格指数PPI这5个序列具有相同的单整阶数, 均为一阶单整I (1) 过程。

2.2 变量格兰杰因果关系 (Granger) 检验和协整性 (Johansen) 检验

对M2, GDP, CPI, PPI, HUILV五变量进行格兰杰因果关系检验, 广义货币M2增长率和我国GDP增长率在10%的显著水平下, 两者存在双向格兰杰因果关系;广义货币M2增长率和居民消费价格指数CPI在10%的显著水平下, 存在单向格兰杰因果关系;广义货币M2增长率和工业品出厂价格指数PPI在10%的显著水平下, 也存在单向格兰杰因果关系;广义货币M2增长率和我国汇率变动率HUILV在10%的显著水平下, 同样存在单向格兰杰因果关系。再对M2, GDP, CPI, PPI, HUILV五变量进行协整性 (Johansen) 检验, 检验结果表明五变量之间存在协整关系, 即存在长期稳定的均衡关系。

2.3 模型滞后阶数选择分析

经过分析模型选择滞后阶数3最好, 因为在滞后阶数3时, 施瓦兹AIC值最小并且此时赤池SC值也最小, 但考虑到要建立的模型, 由于样本期限较短, 并且样本数据均为年度数据, 为了保持数据本身合理的自由度, 使建立的模型具有较强的解释能力, 并且为了消除误差项的自相关, 因此选择最大滞后阶数为2。

2.4 VAR模型估计结果

由于向量自回归模型要求系统中的变量具有平稳性, 因此把M2, GDP, CPI, PPI, HUILV这五个变量的一阶差分形式带入模型, 并利用计量统计软件, 得出如下VAR模型估计结果, 具体整理如下:

M2=0.584*M2 (-1) +0.890*M2 (-2) +0.018*GDP (-1) -2.210*GDP (-2) +0.158*CPI (-1) -1.449*CPI (-2) +0.180*PPI (-1) +0.911*PPI (-2) -0.279*HUILV (-1) +0.095*HUILV

undefined

由于, 本文主要是对广义货币供给M2进行实证分析, 在此主要讨论M2的VAR模型表达式, 而对于GDP, CPI, PPI, HUILV的VAR模型表达式不作深入讨论。在M2的VAR模型中, 调整的可决系数为0.90, 说明模型拟合得还是比较好的, 但与真实值相比, 拟合效果还没有达到十分完美的程度。

2.5 VAR模型系统稳定性检验与脉冲响应函数分析

通常, 对于VAR模型单个参数估计值的经济解释是很困难的, 如欲对一个VAR模型进行分析并得出结论, 可以运用系统的脉冲响应函数和方差分解。其中, 脉冲响应函数描述一个内生变量对误差的反应, 即在误差项上加一个标准差大小的新息 (innovation) 冲击对VAR模型中内生变量当期值和未来值产生影响。一般地, 非稳定的VAR模型不能进行脉冲响应函数分析。为此, 需要对该VAR模型进行平稳性检验, 经过分析得该VAR模型是稳定的, 因此可以对模型进行脉冲响应分析。在此, 只对广义货币M2进行脉冲响应分析。M2分别受到自身, GDP, CPI, PPI, HUILV, 一个标准差的随机新息冲击的响应情况, 如下分析:来自自身的冲击, 总体响应都是显著的, 都为正。这说明, 对自身标准差的随机新息冲击的响应较强, 并且具有一定的持续性;来自GDP的冲击, 我国经济增长对广义货币供给M2冲击还是比较显著的, 经济增长会引起我国货币快速增长;来自CPI的冲击, 总体上还是比较显著的, 表明居民物价水平升高, 导致货币需求增加, 从而会引发货币供给增加;来自PPI的冲击, 总体上还是比较显著的, 表明工业品出厂价格提高, 需要更多的货币进行交易, 进而也会引发货币供给增加;来自HUILV的冲击, 总体上不显著, 表明我国汇率变动对货币供给增加不敏感。

2.6 预测方差分解分析

在建立的VAR模型中, 每一个内生变量都有一个独立的方差分解序列, 通过利用方差分解技术可以发现随机新息的比较重要性信息。GDP, CPI, PPI, HUILV的预测方差分解表明, 对广义货币供给增长率一个标准差大小的随机新息冲击, 其标准差从第2年开始分别被GDP, CPI, PPI, HUILV所感应, 各自占比分别为0.35%, 0.74%, 8.59%, 1.96%。经过分析发现第7年到第15年, M2的方差分解被GDP, CPI, PPI, HUILV感应的值一直比较稳定, M2的方差分解被M2本身感应的值一直比较大, 说明我国广义货币供给M2本身增长受其自身系统扰动比较大, 其次我国广义货币供给M2增长也受我国经济增长率, 通货膨胀率影响也比较大。

3 基于VAR模型分析的我国广义货币供给M2主要结论

本文对时间序列变量M2, GDP, CPI, PPI, HUILV进行格兰杰因果关系检验, 协整检验, 并构造VAR模型, 运用脉冲响应函数和方差分解技术进行分析, 得出以下主要结论:

(1) 广义货币M2增长率和我国GDP增长率在10%的显著水平下, 两者存在双向格兰杰因果关系, 即表现出存在显著的, 长期稳定的均衡关系。一方面, 我国经济增长快, 要求货币供给增加;另一方面, 我国货币供给适度地增加时, 也会刺激我国经济增长。但通过脉冲冲击和方差分解分析, 可知我国经济增长情况并不是我国货币供给增加的全部原因, 还有其他因素, 也即说明了我国货币供给并不是完全内生的。

(2) 尽管广义货币供给M2与居民消费价格指数CPI, 工业品出厂价格指数PPI存在单向的格兰杰因果关系, 但通过脉冲冲击和方差分解可知, 居民消费价格指数CPI和工业品出厂价格指数PPI也对我国广义货币供给M2增加产生了一定的影响, 虽说这不是长期的, 但这也对我国短期货币供给有一定的指导意义, 即在分析短期货币供给时, 一要考虑当前的通货膨胀情况, 二要考虑到未来的通货膨胀预期。

(3) 广义货币M2增长率和我国汇率变动率HUILV在10%的显著水平下, 存在着单向格兰杰因果关系, 即货币供给变动是引起汇率变动的格兰杰因果。我国目前人民币还在稳步升值, 但升值幅度一定要考虑到我国国内的实际经济运行情况和货币供给情况。还可以通过脉冲冲击和方差分解可以证明, 我国货币供给变动对汇率波动不敏感。

(4) 要充分重视我国目前货币供给变动受其自身影响比较大。在建立的VAR模型方程式中, 可知M2与其滞后一期的值, 滞后二期的值关系都比较显著;并且在脉冲冲击和方差分解分析中, 货币供给自身受自身影响已达到将近一半的程度。

摘要：货币供给外生还是内生, 一直是经济学界争论不休的问题, 至今仍没有定论。通过建立向量自回归模型 (VAR模型) 来定量分析我国广义货币供给 (M2) 问题, 经过单位根检验、格兰杰因果关系检验、协整检验、脉冲冲击分析和方差分解技术分析, 得出我国货币供给不完全是内生的, 但我国广义货币供给与我国经济增长率存在双向的格兰杰因果关系。

关键词：单一货币规则,格兰杰因果关系,脉冲冲击,方差分解技术分析

参考文献

[1]冯玉明, 袁红春, 俞自由.中国货币内生性或外生性问题的实证[J].上海交通大学学报, 1999, (10) .

[2]刘斌.我国货币供应量与产出、物价间相互关系的实证研究[J].金融研究, 2002, (7) .

[3]李晓华, 侯传波, 陈学彬.我国货币内生性问题的实证研究[J].上海财经大学学报, 2003, (5) .

[4]高红兵.央行控制货币供应量会对资金造成巨大压力吗[J].中国证券报, 2003, (7) .

[5]郑雨, 李新波.我国经济增长和通货膨胀关系的实证分析[J].技术与市场, 2007, (1) .