VaR（精选十篇）
VaR 篇1
1. VAR模型
对一个初始价值为W0的投资组合来说,经过一期投资之后其市场价值变为W=W0(1+r)
其中r为投资组合的收益率,它与W都是随机变量,都服从正态分布,数学期望为E(W)=W0(1+μ)
其中μ=E(r)为收益率的数学期望。,
VAR又叫风险价值,VAR是在一定的置信水平和一定的置信区间,持有一种证券或资产组合可能遭受的最大损失;VAR给定以后,我们可以说,未来的损失以该置信水平的概率不会超出这个VAR。
从统计角度看,VAR描述了在一定的目标期间内收益和损失的预期分布的分位数,如果1-α代表置信水平,VAR对应的是较低的尾部水平α(显著性水平)。比如我们说某个敞口在99%的置信水平下的日值VAR为1000美元,这意味着平均看来,在100个交易日内该敞口的实际损失超过1000美元的只有1天(即每年只有2-3天)。
VAR值为特定时间内市场因子变动引起的潜在损失提供了一种可能性估测,即VAR测度的并不是该实际值将超过VAR值多少,它只是说明实际损失超过VAR值的可能性有多大。
VAR方法是用来测量给定投资工具或资产组合在未来资产价格波动下可能或潜在的损失,在数学上,VAR可表示为投资工具或组合的回报率分布的分位数α的相反数,表达式如下:Pt(ΔpΔt≤Var)=α
ΔpΔt表示组合P在Δt持有期内市场价值的变化,该表达式说明了损失值等于或大于VAR的概率是α,或者可以说,在概率α下,损失值是大于VAR的。例如,持有期为1天,置信水平为97.5%的VAR是100万美元,则意味着在未来的时段内组合价值的最大损失超过100万美元的概率应该小于2.5%;在VAR的定义中,有三个重要的参数—持有期、置信水平和收益率r的概率分布。对于这三个参数的不同选择会导致不同的VAR;由于参数选择具有一定的主观性,因此如何确定这三个参数十分重要。
2. 持有期的选择
持有期是计算VAR的时间范围,由于波动性与时间长度成正比,所以VAR会随着持有期的增加而增加;通常的持有期是一天或者一个月,但是某些金融机构也选取更长的持有期;在1997年底生效的巴塞尔委员会的资本充足性条款中,持有期为两个星期,也就是10个交易日;流动性是影响持有期选择的第一个因素;在不考虑其他因素的情况下,理想的持有期选择是由市场流动性来决定的。如果交易头寸可以快速流动,这可以选择较短的持有期,如果流动性较差,由于在交易时能寻找到合适的交易对手的时间较长,则选择较长的持有期更加合适。另外,在实际金融交易中,投资管理者会根据市场状况不断调整期头寸和组合;因此,持有期越短就越容易满足组合保持不变的假定。VAR的计算往往需要大规模的历史样本数据,持有期越长所需要的历史时间跨度越长,而对于VAR计算的所需要的数据样本而言,持有期越短得到大量样本数据的可能性越大。
3. 置信水平的选择
置信水平的选择依赖于对VAR验证的需要、内部风险资本的需求、监管的要求以及不同机构之间进行比较的需要;如果非常关心实际计算结果的有效性,那么置信水平不应该选的过高;置信水平越高,实际中损失超过VAR的可能性就越小;这样额外损失的数量越少,为了验证VAR预测结果所需要的数据就越多;因此如果无法得到大量的数据就不应该选择过高的置信水平。
4. 收益率r的概率分布
目前测算概率分布的方法主要有三种,分别是方差—协方差法、历史是模拟法和蒙特卡罗模拟法。Morgan提出的Risk Metrics方法假设所有的价格服从联合正态分布,要求每天更新的方差—协方差矩阵,因此这种方法又叫方差—协方差法。历史模拟法并不需要做出正态分布假设,而是对资本组合的价格变化的历史记录进行排序,这样一来99%或95%置信水平的损失就可以直接找出来;第三种蒙特卡洛模拟能够结合历史数据和具体情景产生一个利润和损失的组合,从这一组合来确定在给定的置信水平下的VAR值。
5. VAR例证分析
作为风险计量VAR模型的一个应用,选择不同基金公司的四只不同类型的开放式基金历史数据进行实证研究分析,在这里采用日收益率序列来描述价格波动性,主要是收益率序列具有平稳性和遍历性,更容易建模和预测,计算结果如下表:
由表可看出,两只股票型基金的2006年日均VAR是最大的,其次是混合型基金的日均VAR值,最小的是债券型的日均VAR值,这也符合实际,因为在现实生活中,股票型基金的风险最大,故其每天的最大损失值也应该是最大的,债券型基金的风险最小,其每天的最大损失值应该是最小的,而混合型基金则居中,在这里失败率指实际损失超过VAR值的比例,在5%的显著性水平之下,若该比例小于5%,表明风险计量VAR模型预测能力符合实际。
参考文献
[1]周爱民.《金融工程学》.中国统计出版社,2003.
中国证券市场呼唤VaR 篇2
□ 长城证券研发中心 杜海涛 韩延河
近年来，由于受经济全球化及投资自由化的影响，金融市场风险也日益加剧。风险管理和控制成为各金融机构面临的首要问题。为此，国外各机构纷纷研究各种管理和测度风险的工具，VaR方法就是近年发展起来并被国外金融机构所广泛采纳的风险测度方法。
VaR的优点及局限
VaR之所以受到各金融机构和金融监管当局青睐，主要是由于它具有如下优点：（1）VaR概念简单、容易理解，此方法可以将资产组合的风险具体化为一个可以与收益相配比的数字；（2）VaR可以涵盖影响金融资产的各种不同市场因素，同时该模型也可以测度非线性的价格风险问题，因而其可以测量由不同市场因素、不同金融工具构成的复杂证券组合的总体市场风险；（3）VaR也可以帮助企业解决资源配置的问题，在对企业的投资或投资组合的总体风险评估的基础上进行分解，决策者可据此进行判断，设置某类投资的资金上下限；（4）VaR也可以帮助管理者对下属基于风险调整的投资收益进行考核，避免依靠增加风险来提高获利水平的投资行为。
除此之外，VaR还可以帮助组合的管理者了解构成组合的每一项资产及其相应调整、变化对整体风险的影响，如：组合中某一项资产对于组合VaR的边际贡献是多少，该资产在整个组合VaR中所占的比例是多少等，边际VaR与成分VaR即可为管理者提供上述信息。
VaR也存在一定的局限性：（1）作为一种基于历史数据对未来风险进行预测的方法，其假设各投资品种与相应的市场因素之间的关系在未来是保持不变，显然在许多情况下这是不符合实际的；（2）VaR是在特定的假设下得到的风险结果，有时候这些假定与现实情况可能不相符；（3）VaR只有在市场正常波动的情况下才能够得到较好的风险测量结果，如果市场发生剧烈波动，VaR通常不能够准确地反映出未来的风险值，这就需要其它方法如压力测试法以及极值模拟法作为辅助的风险测量手段。
实证分析
本文利用VaR方法对某基金管理公司旗下的一只积极成长型基金和一只稳健成长型基金进行分析，分别计算其组合VaR、组合中各股票的边际VaR与成分VaR，并进行比较分析。本报告将第三季度的该基金公布的前10大重仓股视为基金的全部组合进行分析。截至209月28日两只基金的股票市值情况如表1。
由此可见两家基金的`股票持仓的集中度都比较高，均超过70％，这样我们对10大重仓股构成的投资组合进行分析时基本上可以反映出基金组合的整体风险情况。
积极成长型基金的情况如下：在年9月28日的基础上预测10月份第一个交易该基金组合的VaR为2.322％，即如果该基金10月份第一个交易日不进行买卖的话，基金经理人有95％的把握保证该基金的最大损失不会超过2.32％，既不会超过19,326,962.85元。该基金的组合以及风险的具体构成情况如表2所示。
对于稳健成长型基金而言，在2001年9月28日的基础上预测10月份第一个交易日该基金组合的VaR为2.093％，即如果该基金10月份第一个交易日不进行买卖的话，基金经理人有95％的把握保证其最大损失不会超过2.093％，既不会超过19,753,106.03元。该基金的组合以及风险的具体构成情况如表3所示。
对于积极成长型基金而言，其组合的前三只股票的风险占总风险的比例为57.28％，风险较为集中。烟台万华的边际风险值明显偏高，即投资增加1元组合风险值增加0.0394元；其次为海欣股份。边际风险较低的有上港集箱、同仁堂、外运发展。由此可见要降低组合的风险最直接有效的办法就是减少烟台万华的筹码。就成分VaR而言，由于海欣股份的权重最大所以其对组合贡献的成分VaR也最大。因此减少海欣股份的头寸也是降低组合风险的一个有效的办法。
对于稳健成长型基金而言，组合的风险集中度尤为突出，仅一只股票海欣股份对组合的风险贡献达到31.34％，且海欣股份的边际风险也最大，因此该基金的风险过于集中。
通过上面的分析我们发现，对于积极成长型基金而言其VaR值为2.32％，较稳健成长型基金的2.093％高，就投资风格来看这是合理，积极型的投资组合风险偏高是比较正常的。但对于稳健成长型基金的组合而言其风险绝对值虽然比较低，但是其风险过于集中在某只股票上，这样基金的稳健性将会受到很大程度的影响。
对于今年前三季度两只基金风险调整的资本收益进行比较，如表4所示。
通过表4可以发现，风险大的成长型基金今年的净值损失相对较大，基于VaR调整的收益率反映出了两种类型基金的实际抗风险和获利情况，相对来说稳健型基金的抗风险能力更强。但其风险过于集中在某只证券上，这从另外一个角度反映出该基金的风险管理存在一定的问题。建议
目前情况下，国内金融机构应在几个方面加强VaR的应用：
1、在证券投资机构内部积极推进以VaR为核心的数量化、技术化的风险控制方式，动态控制总体风险。同时，利用VaR进行风险结构分析，适时调整组合结构，把握风险来源，合理配置资源，精确进行绩效评估。
2、把VaR作为一种信息披露工具，为投资者提供定量地估测有关市场风险的信息。目前我国证券市场上，对基金业绩的评价常常是简单地以基金单位资产净值的高低来判断的，这种单一指标使得基金管理者自觉或不自觉地把基金单位资产净值作为自身形象的重要标志，可能导致为获取短期收益与业绩而使得投资组合的风险增大。如果附之以基金的VaR值，就可以帮助投资者了解基金组合的风险状况，对基金业绩进行客观评价。
3、在金融监管机构层面，把VaR作为监管指标。最近，利用VaR进行证券公司的监管正在获得青睐，美国的证券交易委员会计划利用VaR方法制订资本充足要求。对商业银行系统，VaR已成为普遍接受的标准。在这方面，我国金融监管机构应积极向国际惯例靠拢。
VaR(Value at Risk)概念
基于VaR的银行风险管理 篇3
[关键词]VaR;模型;银行;风险
[中图分类号]TQ018
[文献标识码]A
[文章编号]1009-9646(2010)08-0050-02
一、VaR模型的主要内容
1VaR模型的基本思想
VaR(value at risk)的字面意思是处于风险状态的价值,即在市场的正常波动下,给定置信区间的一个持有期内,某一金融工具或其组合在未来资产价格波动下所面临的最坏的预期损失。它能够解决在概率给定情况下,银行投资组合价值在下一阶段的最多可能损失额。
2VaR基本模型
根据Jofion在1996年对VaR的定义:
VaR=E(ω)-ω*①
式中E(ω)为资产组合的预期价值;ω为资产组合的期末价值;ω*为置信水平a下投资组合的最低期末价值。
又设ω=ω0(1+R)②
式中ω0为持有期初资产组合价值,R为设定持有期内资产组合的收益率。
ω*=ω00(1+R*)③
R*为资产组合在置信水平a下的最低收益率。
根据数学期望值的基本性质,将②、③式代入①式,有
VaR=E[ωo(1+R)]-ω0(1+R*)
=Eω0+Eω0(R)-ω0-ω0R*
=ω0+ωE(R)-ω0-ω0R*
=ωE(R)-ω0R*
=ω0[E(R)-R*]ω
∴VaR=ω0[E(R)-R*]④
公式④即为该资产组合的VaR值,根据公式④,如果能求出置信水平a下的R*值,即可求出该资产组合的VaR值。
二、基于VAR的银行风险资本限额管理
为了指导银行的风险承担,使其更加贴近目标SVA(股东增加值)的计划,增进股东价值,帮助银行把有限的经济资本合理配置到业务中,以及使得整个银行的风险承担情况及时由管理层监测和掌握,因此,对银行的风险承担采用基于VAR的银行风险资本限额管理。VaR限额充分利用了风险值指标的特点,它具体使用灵活、易于计算和加总等优点。在不超过限额总量的情况下,不用考虑具体的风险构成。通过VaR限额的设立,可以约束交易前台的风险承担。虽然从风险资本到风险值限额的转换可以直接取风险资本的一定比例,是相对简单的,但是考虑到VaR指标的局限性,建议将该风险资本的比例设定为1/3。由于该风险限额针对的是平均的持有期,因此,将该VaR限额除以平均的持有期,所得结果就是交易前台的VaR限额。VaR总限额还可以根据特定交易前台的产品结构继续细分,分解成各产品例如商品、利率产品、股票、汇率产品等的VaR限额。如下面的结构图所示:
分配到银行业务部门以及交易员层次的风险限额就可以作为银行风险监控的标准。就监控频率主要取决于交易性质和高级管理层对银行业务部门的风险管理水平以及满意程度,可以每日或每季度进行总体风险的监控,采取日或周间的监控进行各业务部门的监控,以确保交易安全。
三、VaR方法在银行信用风险管理中的应用分析
信贷业务是银行的主营业务,因此,信用风险是银行面临的主要风险,银行中的信用风险管理至关重要。Vag方法克服了传统的被动的信用风险管理方法的弊端,能够有效地对信用风险进行科学计量,可以从总体上测量和把握风险状况。
1动态管理银行信用风险
银行可以运用VaR方法分析贷款客户信用等级变化带来的银行现有资产价值的变化,以此为基础建立不同贷款分类的损失分布,有助于银行及时掌握客户的还款能力,准确评估信用风险,帮助银行作出与自身风险收益偏好相适应的信贷决策。银行可以通过VaR方法预测信贷资产组合的损失分布,以决定如何更好地管理资产组合的信用风险,包括提取合适的贷款损失准备金等以防范风险。通过VaR方法,银行可连续监测信贷资产价值的波动,有利于银行及时调整借款人信用等级评级中的权重,依此调整贷款流向,银行能够实现从传统的只关注违约风险,向更加关注因借款人信用变化而引起的资产组合价值波动的信用风险管理的转变,使银行可以依据市场和借款人的信用状况变动对信用风险进行动态评估和管理。
2优化银行信用风险资本金配置
VaR方法提供了一个通行标准用来比较不同的风险行为,实现了不同资产间的风险比较,指导银行设置交易单位的头寸限额和分配有限的资本资源。通过VaR方法,银行能够实现对借款人和具体交易类型的风险特征评估,实现信贷资产组合损失分布的概率计量,将资本金与某一目标置信水平相联系,确定在该置信水平下抵御相应风险所要求的经济资本。对信用风险资本金的确定采用VaR方法,VaR值就是意外损失和预期损失之和,这样,银行可以准确估计支持风险资产的最小经济资本,有利于银行资本使用效率的提高。
3完善银行信用绩效评价
VaR方法使银行管理者能够根据交易所承担的风险来调整相应的盈利计划,避免银行交易员在追逐利润的过程中带来的道德风险。当前国际通行的一种业绩评估方法风险调整资本回报率RAROC(Risk Adjusted Return On Capital)是资本收益和当期VaR值的比值。使用风险调整资本回报率方法进行绩效评估的银行,在对资金使用进行决策的过程中,不根据盈利的绝对水平,而是依据该资金投资风险基础上的盈利贴现值。如果交易人员进行高风险和高利润的投资交易,但由于相应的VaR值较高,所以风险调整资本回报率的值也不会很高,最终其业绩的评价也不高。使用VaR方法结合风险调整资本回报率方法可以较真实地体现出交易人员的经营业绩,有效防止交易员的过度投机行为,对于银行的稳健经营是非常有利的。
四、结束语
VaR计算方法的综合比较 篇4
关键词：VaR,参数方法,非参数方法,半参数方法
金融市场繁荣发展的同时, 其风险的测量也成为各金融管理者、金融从业者所关注的问题。度量风险需要计量风险的工具, 因此Va R应运而生。资产组合的Va R度量了投资者在一定时间内一定置信水平下所愿意接受的最大损失。尽管Va R定义简单, 但是它的计算并不容易。起初计算Va R的方法主要有三种:⑴方差-协方差方法, 也称为参数方法;⑵历史模拟法 (非参数方法) ;⑶蒙特卡罗模拟法, 是一种非参数方法。这些标准方法都有自身的缺点, 因此导致了新方法的产生和演变。
参数方法具有明显的缺陷, 首先它假定新息或收益率为正态分布, 然而经验结果表明其分布是尖峰厚尾型的;其次是估计条件变动性的模型;最后是收益率的独立同分布假设, 大量事实表明金融收益率不是独立同分布的。
鉴于上述缺陷, 参数方法向着不同的方向发展。首先是尝试建立更复杂的波动性模型来描述观察到的金融收益率的变动性;其次尝试探索其他描述偏度和峰度的密度函数;最后是考虑高阶矩的条件变动性。
本文将从理论和实践两方面综合描述各方法的优缺点和相应的适用条件。目的在于为金融风险研究人员提供所有的模型的信息, 并使其对Va R发展的最新趋势有较直观和清晰的了解。
一、Va R方法
1. Va R的定义与计算方法
Va R (value at risk) , 即风险价值, 简言之是市场正常情况下的最大可能损失。Jorion的解释是:给定置信水平下的一个持有期内预期最坏损失, 公式为:Pr ob (Δp>Va R) =1-α, 其中Δp是资产在持有期T内的价值损失, 置信水平α体现了对风险的承受能力, 1-α则是对风险的厌恶程度, 主要根据投资者对风险的偏好进行划分:谨慎型和冒险型。
2. 非参数方法
历史模拟法是应用最广泛的非参数方法, 不对收益分布作任何假设, 也不需要估计任何参数。假设资产收益是独立同分布的, 通过历史收益的经验分布很好的近似估计Va R。此处的Va R是历史观察值移动窗口中非条件分布的α经验分位数Va RTα=quantile{ (rt+1-τ) τω=1, α}。尽管历史模拟法无模型风险, 但是窗宽往往难以选择, 收益独立同分布的假设也违背实际情况, 也忽略了波动的动态性, 且具有滞后性, 完全依赖于历史, 不能根据实际情况进行调整, 当发生重大事件或大动荡时, 会产生不精确结果。
Beder (1995, 1996) 、Hendrick (1996) 、Pritsker (1997) 首先比较了计算Va R方法的优缺点, 指出历史模拟法在当时所存在的计算Va R的方法中具有一定的优势。Hull提出用改进的收益率代替历史实际收益率, 用经验分布来估计Va R。Abad和Benito (2013) 指出, 与过滤历史模拟法、条件极值理论等相比, 历史模拟法估计的Va R精度很低, 不是计算Va R的好方法。
3. 参数方法
参数方法通过密度函数拟合数据, 并用拟合曲线来估计Va R。1996年Morgan提出的风险矩阵是计算Va R的第一个参数方法, 假定信息或金融收益服从正态分布。
波动性模型。描述金融收益特征的波动性模型可以分为三类:GARCH族模型、随机波动 (SV) 模型、实现波动性 (RV) 模型。由于金融收益序列过程的方差不仅随时间变化, 而且有时变化很激烈, 并且按时间观察时, 表现出“波动集群”特征, 同时从取值的分布上看则表现出“尖峰厚尾”特征。为了刻画这一特征, Engle (1982) 提出了自回归条件异方差 (ARCH) 模型。Bollerslev (1986) 提出GARCH模型, 描述了波动集群效应, 一般形式GARCH (p, q) :
在GARCH (1, 1) 中, 对金融收益的研究表明α1+β1接近1。Engle和Bollerslev (1986) 提出了用以描述 (1) 中系数和接近1的GARCH类模型。同时衍生出一些非对称GARCH模型来描述利空、利好消息对收益波动的非对称影响 (杠杆效应) 、波动的长记忆性等。
Taylor (1982) 提出了标准的SV模型, 其表达式为:
{ε}t, {η}t是不相关的白噪声序列, α, β为常数。因ηt为随机误差项, 所以ht不可观测, 式中的yt=Rt-R, ht=logσt2, σt2是yt的方差。由于方差不可观测, 很难计算其准确的似然函数, 所以对标准SV模型进行估计存在很大困难。
尽管金融收益明显表现出尖峰厚尾性, 但是实现波动性得到的标准收益率大致服从正态分布。理论表明实现波动性是收益波动的无偏估计量, 且效率高。由高频日内数据得到的实现波动性模型可以运用当前时间序列的传统程序来构建收益的结构, 并且进行预测。鉴于度量波动性的参数方法和非参数方法的优点, 人们设想是否可以将GARCH模型的灵活性和其他性能与实现波动方法相结合。Hansen等 (2012) 提出实现GARCH模型:
其中lrvt (d) =log (RVt) , σt~2=log (σt2) , τ (zt) =τ1zt+τ2 (zt2-1) 描述了负冲击对波动过程的非对称影响, 即杠杆函数, 表示收益之间的相互依赖性。τ1描述了杠杆效应, 期望值为负;τ2描述了波动集群性, 期望值为正。Hansen等 (2012) 称 (5) 为“GARCH式”, (6) 为“计算式”。由于建立了实现测度的封闭函数形式, 本质上是一个离散时间随机波动率模型, 可直接用极大似然方法估计各参数。
4. 半参数方法
⑴过滤历史模拟法。Hull和White (1998) 和Barone-Adesi等 (1999) 提出了过滤历史模拟法, 该方法结合了历史模拟法的优点和GARCH模型的性能和灵活性, 保留了历史模拟法的优点, 又考虑了方差的时变性 (即资产收益的条件异方差性) 。不对标准收益作任何分布假设, 而且通过一个波动性模型预测方差。最大优势在于它可以在任意置信水平下产生与当前市场状态相一致的风险估计。用过滤的收益数据代替原始收益rt, 同时描述了信息过程的非正态性。
⑵Ca Via R模型。Engle和Manganelli (2004) 年提出了Va R的条件自回归形式, 这个方法是依据分位数回归理论, 用数学优化方法直接计算分位点, 不需要估计分布的形状和参数, 且考虑了风险的前后传递性而引入风险价值的滞后项, 综合了收益序列的历史信息和影响风险形成的外生因素, 提高了预测精度。基本形式为。其中p=q+r+1是β的维数, l是有限滞后观察值函数。滞后项βiVa Rt-i (β) (i=1, 2…q) 保证了在时间区间内分位数的变化是平缓的, l (rt-i) 将信息集内的观测变量与Va Rt (β) 连接起来。
⑶极值理论。极值理论是研究次序统计量的极值分布特性的理论。设xi, i=1, 2, …是取自总体分布F的一个样本, 将其按大小顺序:x (1) <x (2) <⋯<x (n) , 则称x (1) , x (2) ⋯x (n) 为次序统计量, x (1) =min (x1, x2⋯xn) 、x (n) =max (x1, x2⋯xn) 分别称为样本极小值、极大值, 统称为样本极值统计量, 他们的分布称为极值分布。
β、α分别称为位置参数、刻度参数。τ称为尾指数, 它的倒数的相反数称为形状参数。k的绝对值越大, 说明分布的尾越厚。τ=0时对应Gumbel分布;τ<0对应Frechet分布;τ>0对应Weibull分布。此处的x值指的是极值。极值理论对尾部进行建模, 考虑到了事件风险;没有对收益进行特定分布假设, 降低了模型风险;避免了尾部估计的粗糙性和偏差。Theo Berger (2013) 运用了基于时间变动动态条件相关矩阵的copulas与极值理论相结合的方法预测Va R。
⑷蒙特卡罗模拟。相较于历史模拟法, 蒙特卡罗模拟有很多优势, 不依赖于历史数据, 只通过模拟保证市场因子在市场正常情况下产生, 能充分利用已有的信息, 不受历史市场因子模式的影响。同时, 也避免了由于历史数据冗杂或缺失所带来的误差和成本, 因而我们更倾向于使用蒙特卡罗模拟法。Qi Chen等 (2013) 运用等权重移动平均、指数加权移动平均、蒙特卡罗模拟、历史模拟计算Va R, 结果表明Va R能成功度量金融风险, 置信水平越高, Va R越大。置信水平较低时, 各方法计算Va R的结果相似, 置信水平较高时, 结果差别很大。
三、小结
从最初的标准方法到新近的各方法都有各自的优势和缺陷, 各有适用的条件。参数模型的结果依赖于收益的分布假设及所用的波动率度量方法, 实际中收益为非对称的尖峰厚尾型分布, 而通常假设的对称正态分布和t分布并不符合实际情况。非参数模型不对收益分布进行假设, 如历史模拟法不对收益分布作任何假设, 但是其收益的独立同分布假设与实际情况相违背。半参数方法中极值理论方法是相对较优的法, 但是其应用依赖于数据集的选择。
VaR 篇5
一、股票指数期货的风险
1、股票指数期货的交易风险特征
随着股指期货上市的日益临近，对股指期货交易风险的了解就更加迫切。由于股指期货的功能特殊性，其自身的交易风险变得更加复杂多样。与其它市场风险相比，股票指数期货的交易风险具有如下特点：
⑴高风险性。
股指期货首先是一种风险管理工具，其重要的功能就是实现套期保值、回避价格风险，投机与套利只是辅助功能而已。但正是由于期货市场上有高风险和高回报率的双重特征，才使得期货市场能吸引众多以高风险换取高回报的投机资本，从而为套期保值者转移风险创造了条件，使期货市场回避风险、发现价格的功能得以实现。
⑵风险来源广泛性和种类多样性。
在股指期货市场中除了交易自身产生的风险外，还有许多来源不同的风险。既有股票市场转移过来的风险，又有来源于投资者、经纪公司的风险；还有来源于经纪公司、政府监管的风险。同时，还有来源于国际市场的风险等等。所有这些来源不同、种类多样的风险构成了股票指数期货的交易风险，这也成为了其风险的一个主要特点。
⑶股票指数期货交易风险的放大性及连锁性。
股票指数期货的保证金制度和每日无负债结算制度是期货市场特有的制度，商品和股票指数期货在这方面是相通的。保证金制度提高了资金的使用效率，把投资者的风险、收益都成倍地放大，这也就是我们常说的杠杆交易。投资者以小博大，投机性强，因此风险面扩大，风险度加剧，一旦出现亏损，数额是巨大的。同时由于股票指数期货与股票现货市场有着非常紧密的联系，因此一旦出现亏损风险两个市场就会相互影响、相互作用，从而导致连锁反应，使风险加剧。
⑷股票指数期货交易风险的可预测性。
由于股票指数期货的产生和发展存在着自身的规律和变化趋势，因此在一定程度上可以通过对其历史数据、统计资料以及与其相关的因素（如标的指数价格、经济趋势等）进行分析，对其发展变化过程进行预测，了解和掌握其变化的预兆和可能产生的后果。通过这些分析研究，可以在一定程度上进行预先防范，达到规避、减弱风险的目的。
2股票指数期货的风险类型及其成因
对于股票指数交易风险，我们可以将其分为主要的两大类：
⑴不可控风险。
不可控风险是指风险的产生与形成不能由风险的承担者所控制，这类风险一般来自于股指期货市场之外，对市场的相关主体可能产生影响。不可控风险具体包括两类：一类是宏观环境变化的风险。这类风险是通过影响其他金融市场进而影响股指期货市场而产生的。具体可分为不可抗力造成的风险、国际游资的冲击以及由于政治、经济和社会等因素产生的风险。这些因素的变动，影响投资者对价格的合理预期，特别是突发的或偶然事件的发生，会带来很大的风险。另一类是政策性风险。影响股指期货市场的政策是否合理，在很大程度上决定于管理者对市场的认识与经验。如果政策不合理、政策变动过频或者政策发布缺乏透明度等，都可能在不同程度上对期货市场的相关主体直接或间接地产生影响，造成不可预期的损失，进而引发风险。
⑵可控风险。
可控风险具体可分为期货交易所风险、期货经纪公司风险与投资者风险。风险的根源主要有：交易所各项规则的失误和疏漏、计算机交易或通讯系统的故障、会员或客户的恶性重大违规行为、经纪公司管理不善、投资者投资决策失误等。
二、VaR模型的应用
VaR是国际上新近发展起来的一种卓有成效的风险量化技术，是当今西方金融机构和工商企业广泛采用的风险管理模型。VaR是JP摩根公司用来计量市场风险的产物。近年来，VaR被引入信用风险管理领域，在金融风险控制、机构业绩评估以及金融监管等方面被广泛运用。
VaR模型是指在正常的市场条件和一定的置信水平上，某一金融机构或投资资产组合在未来特定的一段时间内可能发生的最大损失。与传统风险度量的手段不同，完全是基于统计分析基础上的风险度量技术。从统计的角度看，VaR实际上是投资组合回报分布的一个百分位数。它的一种较为通俗易懂的定义是：在未来一定时间内，在给定的条件下，任何一种金融工具和品种的市场价格的潜在最大损失。其中，“未来一定时间”可以是任意一时间段，如一天、五个月等。“给定的条件”可以是经济条件、市场条件、上市公司及所处行业、信誉条件和概率条件等等。概率条件是VaR中的一个基本条件，也是最普遍使用的条件。如“时间为40天，置信水平为95%（概率），所持股票组合的VaR为-2000元”。其涵义就是：40天后该股票组合有95%的把握其最大损失不会超过2000元。其中，置信区间即为发生最大损失的概率，随着概率的增加，最大损失额度会随即增加。
目前，计算VaR值是根据历史数据推算出投资组合中所有金融工具的收益分布以及整个组合的收益分布，从而得到作为该分布的一个百分位数的VaR值。按推算资产组合收益的概率分布模型不同，有以下三种计算方法：
⑴历史模拟法。
这是一个完全估值模型，以历史可以在未来重复自身为假设前提，用给定时期所观察到的风险因子的变化来表示风险因子影响金融工具收益的市场因素，在此基础上，再得到整个组合收益的概率分布，最终求解出VaR值。如以历史的日收益率为分析数据，把一定时间段内的每日收益率按照由低到高的顺序排列，然后将其放入不同的收益率区间并得出不同区间的频率，从而得出其概率分布。然后通过计算可以得出在具体的置信区间内所对应的具体历史收益率值，从而可以得到最大可能损失额度，从而量化了风险值。
⑵方差—协方差法。
它假定风险因子的变化服从特定的分布通常是正态分布，通过历史数据分析和估计该风险因子收益分布的参数值，如方差，从而得出整个收益组合的特征值。其在EXCEL中的计算方式为：
⑶蒙特卡罗模拟法。
也称随机模拟法，即先建立一个概率模型或随机过程，然后以随机产生的风险因子回报值来模拟组合的收益分布。
在大量的风险分析中，VaR的历史模拟法和方差—协方差法是最为常用的，对于广大的投资者也是最为简单快捷的方法。因此，在随后的具体操作案例中我们主要介绍方差—协方差法的应用。
三、VaR模型应用于沪深300指数期货的局限性
虽然在当今西方的金融领域中，VaR模型是一种具有很多优点并被广泛认可和使用的风险估计模型，但在我国仍然存在着一些制约因素，使VaR模型的分析优势无法得到全面的发挥。因此，在使用VaR模型的同时了解其自身的局限性，以使做到扬长避短是非常必要的。
首先，我国金融市场起步较晚，使得VaR模型中所需的样本历史数据相对有限。而且我国数据的采集和分析的基础工作还比较薄弱，给VaR模型的建立及其有效性的检验造成了一定的影响。
VaR 篇6
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： SP=(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SP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SP≥B时，该项目可以接受；SP SP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。 一、VAR的含义 VAR (value at risk) 的含义是“处于风险中的价值”, 衡量的是在一定持有期内, 市场正常波动条件下, 某一证券组合或金融资产可能发生的最大损失值。它采用统计模型来测算资产组合中资产价值的变动率大小以及风险大小。也可以用数学定义描述为:在一定的置信水平下, 某一证券组合或金融资产在未来某一时间间隔内的最大可能损失值。 其严格的数学定义是:设R是描述组合收益的随机变量, f (R) 是其概率密度函数, 置信水平是c, 那么收益小于R*的概率为就是我们所求的VAR值。 二、VAR的计算方法 涉及的资产种类越多时, VAR计算越复杂。虽然具体计算难易有别, 但是其原理和基本步骤都是一样的:计算资产组合的标准差;通过分布查出置信度上的标准差个数, 比如:正态分布中, 95%的置信度上有1.645个标准差;计算VAR的值, VAR=标准差比例*标准差*投资组合价值。 事实上, 从前面的定义中我们可以看到, VAR概念本身对组合收益的分布函数并没有作任何假定, 只是需要在随机变量的频率分布图上关注左边尾部的分布。而实践中, 许多VAR模型都使用方差来度量风险, 用正态分布曲线来预测在某一特定时期内机构遭受损失的风险。这是因为正态分布符合人们对很多事物波动分布的看法, 而且能够简单明了地告诉我们观测值出现在某一设定值和均值间的可能性大小。既切合实际又方便大家理解。如果说一个分布是正态的, 通常意义上就是指该分布的观测值在均值附近的可能性较大, 而远离均值的可能性较小。它有一个重要特点就是其观测值的趋中性。简而言之:其观测值出现在均值处的可能性最大, 出现在极端值的可能性最小。很多情况下, 正态分布曲线都可以很好的刻画资产价格的分布情况。然而, 中心极限定理仅能应用于一般的波动分布, 没有考虑到极端事件的影响。经验数据显示, 有些市场变量的变化 (比如汇率的变化) , 经常表现出正的高峰度:即与正态分布相比, 中心部位和尾部所对应的情形发生的概率更大, 而其它情形则相应减少。就是说, 价格的实际值小于中间值附近的机会比正态分布所描绘的要多, 处于中间值附近的机会比正态分布曲线所描绘的机会要少, 实际值大于中间值附近中的机会比正态分布所描绘的要多。即价格的剧烈变化使曲线与正态分布曲线相比发生了较大的偏离。针对这种情况, 学者的进一步研究表明, 很多金融资产价格变化的对数都服从正态分布。 总结上面的分析, 我们可以知道, 无论是直接使用数据还是对数据进行加工, 使用正态分布曲线我们都可以较好的获取资产价格的分布信息。 为了计算方便, 我们给出正态分布假设下的资产组合VAR计算方法。 首先需要计算资产组合的方差。假设投资组合P由N种资产组成, 资产价格波动的对数服从多元正态分布。首先需要对资产价格波动作对数变换。λi (i=1, …, N) 表示每种资产在组合中的比例, , 其中ρi, j表示资产i和资产j价格波动对数变换之后的相关系数, σi表示资产i变换之后的标准差。资产组合P的方差为: 在计算出资产组合的方差后, 只需要按照前面的步骤, 通过查表查出指定置信度上的标准差比例, 根据公式VAR=标准差比例*标准差*投资组合价值就可以计算资产组合的VAR了。 三、以VAR模型计算企业外汇风险 为了帮助企业计算自身承担的外汇风险, 笔者在此用一个虚构的例子来演示整个计算过程。为了计算简便, 在这里我们以持有美元、日元和欧元三种资产为例, 来计算企业在实践中如何计算自身承担的外汇汇率风险并选择合适的外汇比例以降低风险。考虑到2008年底全球性的金融危机, 汇率在金融危机之后的走势可能与之前存在一定的差异。我们选取2009年1月到2010年3月的外汇中间价, 共计301组数据, 作为汇率变动的依据。使用Excel计算得到美元和欧元的相关系数为-0.48928, 美元和日元的相关系数为-0.31342, 日元和欧元的相关系数为0.47174。按照经典资产组合理论, 当资产价格变动呈负相关时候, 同时持有可以分散风险。所以我们可以看到, 同时持有美元资产和欧元资产或者同时持有日元和美元资产时可以分散风险。考虑到持有外汇可能带来的风险, 企业需要合理考虑持有比例、成本和自己的承受能力, 然后再作决定。企业自身的承受能力各有差异, 我们在这里不作详细讨论。接下来笔者将会运用VAR方法计算企业持有这三种外汇中的两种可能带来的最大损失, 并根据资产组合理论给出相应的持有比例。 众多学者的研究表明汇率的增长率的对数是服从正态分布的。在这里, 为了使用正态分布的假设, 我们需要对汇率做相应调整。假设美元汇率的时间序列为α= (α1, α2, ……, αn) , 欧元汇率的时间序列为β= (β1, β2, ……, βn) , 日元汇率的时间序列为λ= (λ1, λ2, ……, λn) 。设, 其中i=1, 2, …, n-1;设, 其中i=1, 2, …, n-1;, 其中i=1, 2, …, n-1。根据前面的讨论, 我们可以知道序列γ= (γ1, γ2, ……γn-1) , χ= (χ1, χ2, ……χn-1) 和φ= (φ1, φ2, ……, φn-1) 服从正态分布。经过调整后, 可以得到图示如下: 从图中我们可以看到, 经过调整之后, 汇率增长率都是在原点附近波动, 显示出较强的正态性。由此, 我们可以使用前面正态分布的相关理论来计算资产组合的VAR值。计算可以知道γ和χ的相关系数是-0.6537, γ和φ的相关系数是-0.1579, χ和φ的相关系数是0.1113。γ的标准差是0.00008, χ的标准差是0.00321, φ的标准差是0.00344。 给定允许的置信度是95%, 可以知道其要求的标准差比例是1.645。由此可以得到VAR=1.645*1000*σ组合标准差=1.645*1000*。我们的选择标准是让企业持有不同的货币而使VAR的值最小。从VAR的公式里面可以知道, 要使VAR最小, 只需要σ最小即可。 持有两种外币时, 各种外汇的持有比例会影响到σ的大小。假设我们选择的比例都可以使持有不同组合之下的σ最小。 设持有币种A和B的比例分别是x和y, x+y=1。根据前面的公式可以知道σ2最终可以表达如下: 其中σ12和σ22分别是币种A和B的方差, σ21和σ12分别是二者的协方差, σ12=σ21。所以σ2=σ12x2+2σ12xy+σ22y2。要使得σ2最小, 根据最小值条件, 对x和y求一阶导数, 可以得到方程组: 当x和y满足这样的条件时, 可以使得VAR值达到最小。 (1) 持有美元和日元 根据上面的计算, 当持有美元比例为: 持有日元的比例约为2.3%。由这一比例计算得到的σ2为: (2) 、持有美元和欧元 持有欧元比例约为2.4%。由这一比例计算得到的σ2为: (3) 、持有日元和欧元 持有欧元比例为51%。由这一比例计算得到的σ2为: 从上面的计算中, 我们得到当企业按照97.6%和2.4%的比例持有美元和欧元的时候的值最小。假设企业由于经营需要必须持有1000万人民币的外汇, 计算得到VAR值为: 我们可以这样来理解这一数据, 在今后的20天里面, 按照97.6%的美元和2.4%的日元持有的话, 至少有19天该企业的最大损失不会超过0.1036万元。这就给了企业一个比较直观的决策标准。企业可以根据这一数据, 参考自身的风险承受能力, 选择是不是要采取其他措施以降低风险。由此看到, 在95%的置信度下, 企业持有美元和欧元会比持有美元和日元承担的风险要小。这和我们通常意义上的观念有些差异。一般来说, 企业会尽量选择和贸易相关的币种。但是从这个例子我们看到, 有时候贸易币种并不是风险最小的币种。这就拓宽了我们的思路, 企业可以在国际通行货币中选择其他的币种, 说不定在降低风险方面会收到意想不到的结果。 四、VAR的评价 总的来说, VAR关注的是风险, 是一种用于衡量资产变动率的方法。但是一般的衡量变动率的方法仅仅用一个单一数值来衡量这一潜在风险, 而VAR方法在关注变动率的同时还注意到了受险标的的大小, 能够为企业提供更直观的决策依据。 摘要：对于进入世界市场的企业而言, 汇率的波动会影响其最终的收益。对企业来说, 如何清楚地了解其所持有的外汇可能带来的损失, 是风险管理的第一步。在本文中, 笔者将运用VAR方法, 帮助企业选择合适的外汇比例, 并计算出企业可能存在的最大损失, 为企业的风险管理提供直观的理论依据。 关键词：VAR方法,汇率,风险管理 参考文献 [1]ALDER M.B DUMAS.Exposure to Currency Risk:Definition Measurement[M].Financial Manag ement, 1984. [2]BODNAR G M.W.M.GENTRY.Exchange Rate Exposure and Industry Characteristic:Evidence Form Canada, Japan, and the USA[J].Journal of International Money and Finance, Vol.12.1993. [3]CHRISTINE R.HEKMAN.Foreign Exchange Risk:relevance and Management.Managerial and Decision Economics, Vol.2, No.4, Multinational Business (Dec.1981) , pp.256-262. (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。 VAR模型与企业外汇风险测量 篇7
中外股市联动性VAR分析 篇8
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.
我国当前通货膨胀的VAR分析 篇9
关键词：通货膨胀,CPI,VAR
一、引言
自2010年以来, 我国物价总水平出现了持续地上扬。7月份我国居民消费价格指数CPI突破了3%警戒线, 11月CPI同比上涨5.1%, 2011年1月份CPI在权重有所调整的情况下同比涨4.9%, 3月上涨到5.4%之多。物价总水平涨速加快, 引发社会各界对当前通货膨胀问题的普遍关注。
关于本次通货膨胀的原因, 学术界众说纷纭。其主流的观点是过量的货币供给和信贷扩张是本轮通货膨胀的最主要原因, 如方勇和吴剑飞 (2009) 、陈炳才 (2010) 、何宝和周宁宁 (2010) 等。这是有据可循的。自2008年9月25日至2008年12月25日央行先后四次下调银行存款准备金率, 大型金融机构存款准备金率由原来的17.5%下调至15.5%, 中小型金融机构则由原来的17.5%下调至13.5%。同时, 再贴现率也从4.32%降至2.97%, 大幅下降1.35基点。在公开市场操作方面, 自2008年中期以来, 央行加大了央票的持有量, 金融机构货币创造能力急剧加强。在此背景下, 我国的信贷投放增长异常迅猛。马龙和刘澜飚 (2010) 认为, 货币供给冲击对价格上涨的解释力度较小, 邵荣平许坤 (2010) 指出我国市场化改革的不完善和相对停滞才是此轮通胀的原因, 那么是否我国的通货膨胀真的因为货币的超发所致呢, 还是因为其他别的原因, 本文通过构造一VAR模型, 否定了以上的观点, 并对我国当前出现的通货膨胀现象进行了深入的分析与探讨。
二、VAR模型与脉冲响应分析
本文通过构建VAR模型, 对从货币市场到产品市场的物价传导路径进行分析, 探究前一阶段中国资产价格、物价上涨的原因。
1. 变量选择
共选取四个变量分别为:外汇储备 (wh) 、M2、上证综合指数 (gp) 、居民消费价格指数 (CPI) 。四变量分别为货币市场、资本市场、产品市场的核心指标。选取原则如下: (1) 由于长期以来中国的双顺差局面, 外汇储备激增, 央行为了维持汇率稳定, 被迫投放了大量基础货币, 这是货币供应量增加的主要原因之一; (2) M2是我国货币政策的目标, 是我国制定宏观经济政策的依据; (3) 上证综合指数综合反映中国资产市场的繁荣情况, 且2005年底中国进行了股权分置改革, 一系列利好消息促进了股市的发展, 从而促进了我国资产市场的发展; (4) 居民消费价格指数CPI是反映国民生活的基本指标, 其环比的差值即为通货膨胀率。
采用月度数据, 时间段为2008年11月至2011年3月。选取此时间段的原因是为了应对全球性的金融危机的冲击, 自2011年11月, 我国的货币政策由紧缩转为宽松。数据源自国家统计局网站与中国人民银行网站。对四时间序列进行ADF单位根检验, 发现四变量均为一阶差分平稳序列 (变量前加d_表示差分) 。
注:*表示在1%的显著性水平下拒绝序列为非平稳的原假设。Level为原序列的ADF统计量, 1st为一阶差分条件下ADF统计量。
2. 模型与脉冲响应分析
模型形式为
其中
为了保证模型的有效性选取滞后2阶的情况。经检验残差的相关系数较低, 最大的只有0.27。因此可以忽略变量之间的当期影响, 即选择VAR模型既可。通过对自相关系数的检验, 发现特征多项式的根均在单位圆外。因此脉冲响应函数是稳定的, 可以对变量间的动态关系进行分析。下图为一个标准差的脉冲产生的动态响应情况:
从m2对外汇储备的脉冲响应可以看出, 外汇储备的增加并没有造成M2的增长, 两者没有表现作出什么因果关系。这是可以理解的, 自美国次贷危机以来, 全球需求下降, 我国的出口受阻, 所以外汇储备不再是m2增加的主要来源。从上证综指对M2的脉冲响应可以看出, 股票市场对M2的增加反应很迅速, 一个月内上证指数达到峰值, 接下来出现回落, 7个月后趋于平缓。此结果表明, 央行四次下调存款准备金利率, 并降低再贴现利率, 向市场释放了大量的流动性, 随着资本市场的发展, 大量的现金流入到股票市场, 加速了股指的上扬。从cpi对上证综指的脉冲响应可以看出, 股票价格指数的上扬引起了cpi的上升, 并持续了4个月之久, 但上升的幅度并不大。由此, 在我国价格传导路径上可以看到央行实行宽松性货币政策促使M2的增加, M2的增加引起了资产价格的上涨, 资产价格的上涨进一步促进了产品市场物价的上涨。但是我们必须注意到央行实施宽松性货币政策的力度是很大的, 但是引起的居民消费价格指数的上涨却很有限, 因此可以得到结论宽松性的货币政策并不是物价上涨的主要原因。
如果增发的货币没有引起物价的上涨, 那么货币流向哪里了呢?中国经济在转轨过程中, 货币供给量最终会被三个部分所吸纳, 第一是经济增长, 第二是通胀, 第三就是由市场化体制改革所形成的经济货币化。比如以前产权和土地都不能进行交易, 但是现在有了股市, 土地也可以交易了, 这就需要货币。所以, 在货币增长率中扣除了实际经济增长率因素与通胀因素外, 就可以看成是经济货币化所产生的货币需求。而这一需求, 随着我国改革开放的不断加深而不断的深入。
排除了超额货币的增发导致通胀这一因素, 那么我国当前的通胀是需求型的通胀吗?从三大需求动力来看, 出口2011年一季度出现10亿美元逆差, 而去年同期是140亿美元的顺差, 实际消费增长去年一季度超过15%, 今年下降到11%, 从投资看, 去年一季度实际投资增长超过了22%, 今年下降到18%, 所以三大需求水平都是下降趋势。“新上项目计划总投资”这一指标代表着未来可能发生的投资需求, 2009年上半年这个指标的增长率曾经超过90%, 达到新世纪以来的高峰, 这明显是由政府反危机的投资政策造成的, 但随着政府刺激政策的逐步退出, 到2010年1月～11月, 新上项目投资的增长率就下降到25.6%, 今年一季度进一步下降到负的12.7%。由此可以看出, 当前我国的通胀不是需求型的
因此, 当前我国的通胀应属于成本推动型的通胀, 主要表现为进口产品价格上涨、食品价格上涨与工资上升三个方面。为应对全球性金融危机的影响, 欧美等发达国家货币当局都实行了量化宽松的货币政策, 导致全球流动性泛滥, 从而推高部分国际大宗商品价格, 增加了我国的进口成本。随着工业化、城镇化进程加速, 生产资料、土地的价格都出现持续上涨, 同时劳动力的价格也出现了上涨, 这三种因素都导致企业生产成本的上涨, 企业为保住利润水平, 以提价方式向市场释放成本上涨压力, 从而出现了物价水平的整体攀升, 导致了通货膨胀的发生。由于成本上升, 企业对投资资金与流动资金的需求都会增加, 所以也会引起货币量的增长, 但是货币量的增长是结果而不是原因。
从2010年7月CPI突破3%警戒线并节节攀升, 政府及时出台了多项政策调控物价。从2010年初至今, 央行已八次上调存款准备金率, 三次上调了基准利率, 从效果上看, 部分食品价格虽然有所回落, 但CPI却并没有随之回落, 就是一个明证, 即当前的通胀不是因为货币超发造成的而是因为成本推动的原因。
三、结论与建议
本文通过构造一VAR模型分析了我国当前的通胀原因。得到的结论是我国当前的通胀不是因为超额货币的发放而造成的, 而主要是通过成本推动造成的。如果再实行紧缩性的货币政策很明显会阻碍经济的发展。因此就当前的通胀形势, 提出以下建议:
1. 停止紧缩性的货币政策。
如果在加大紧缩性货币政策的力度, 将会对国民经济会造成危害。其主要表现在限制了商业银行的放贷规模, 阻碍了整体经济的发展。特别是对中小型企业, 紧缩性的货币政策缩小了中小型企业的融资渠道, 并提高了中小型企业的融资成本, 从而阻碍了中小型企业的发展。
2.
我国当前宏观政策的重点应该向财政政策转移, 就是通过财政的转移支付, 对中低收入人群进行财政补贴, 以使他们在通胀过程中的实际消费水平不下降, 用以应对通胀。
参考文献
[1]陈炳才:用结构性货币政策应对和治理通货膨胀.经济学动态, 2010, 第6期
[2]方勇吴剑飞:中国的通货膨胀:外部冲击抑或货币超发——基于贝叶斯向量自回归样本外预测模型的实证.国际金融研究, 2009, 第4期
[3]李永宁:通货膨胀预期形成、锚定:基于消费者和经济学家预期的分析.当代经济科学, 2010, 第4期
[4]马龙刘澜飚:货币供应冲击是影响我国农产品价格上涨的重要原因吗?.经济学动态, 2010, 第9期
[5]邵荣平许坤:货币超发是本轮通货膨胀的根本原因吗?.财经科学, 2011第3期
中美股票市场VaR的比较分析 篇10
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)