VaR风险分析

VaR风险分析（精选十篇）

VaR风险分析 篇1

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风险分析 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风险分析 篇3

关键词：VaR；市场风险；风险资本

一、我国商业银行的市场风险现状

近年来，伴随着金融全球化和自由化改革的日益加深，金融衍生产品不断涌现，同时我国利率市场化的步伐逐渐加快，银行业正在经历一场利率管制逐渐放松，存款利率不断攀升，金融竞争不断加剧的变革。在这样的背景下，我国商业银行必然会面临更多的挑战和机遇，市场风险也会渐渐加大，具体体现在以下几点：

（一）商业银行的利率风险

利率风险作为商业银行市场风险的主要部分，是指市场利率的非预期变化对银行资产和收益的市值产生影响的可能性。金融资产在商业银行资产中占有的比例很大，利率的微小波动会对这些资产价值造成直接的巨大影响，严重的甚至会引起商业银行财务危机或者导致银行关闭。所以，从商业银行稳健和安全经营的角度来说，有效地对市场利率风险进行监控和管理有着非凡的作用。

（二）商业银行的汇率风险

汇率风险是指在国际业务经营活动中，商业银行由于各国货币之间汇率发生波动而使商业银行的资产在持有或者运用过程中遭受意外损失或者取得额外收益的可能性。就目前中国而言，实行的是以市场供求为基础的浮动汇率制度，在这种汇率制度下，人民币汇率保持了基本的稳定。但是由于近年来美国实行的量化宽松的货币政策以及国际形势的变动，当前人民币对美元的汇率面临着非常大的升值压力。对于我国商业银行来说，为了提高业绩、提升竞争力，必须在竞争过程中密切关注人民币汇率走势，审时度势，做好金融资产的保值和增值，最大努力地规避汇率风险，防范风险，促进金融市场稳定发展。

二、关于金融机构市场风险计量的工具

伴随着市场风险的增大以及监管要求的提高，商业银行所要面临的风险和挑战也日益增加。全球在吸取灾难教训的同时，都在不断加强对市场风险的计量和控制，到现阶段已经形成了相对完善的市场风险计量和控制体系。

（一）集中管理

国际商业银行在实行条线管理的基础上，对资金实行内部资金转移定价，并通过这一体系将各业务条线的风险集中到资金部门进行集中统一管理。通过内部资金转移价格体系，各业务条线的资产与负责严格匹配，相应地，商业银行业务的市场风险转移到资产负债管理部门进行集中管理。因而全行市场业务风险仅由资金部的资产负债管理部门和交易部门承担，承担主要集中，便于对全行资产负债表内、表外业务市场风险的集中计量和控制。

（二）全面市场风险计量体系

从国际商业银行的市场风险管理实践来看，市场风险计量方法经历了一个不断演进的过程，逐步建立起了一个多层次、相互补充、涵盖资产负债表内和表外业务的全面市场风险计量体系。目前主要使用的市场风险计量方法包括利率缺口分析法、外汇敞口分析法、久期分析法、风险价值方法。

（三）限额管理

以限额管理为手段，实现对不同类型市场风险的有效控制。在风险定量计量的基础上，国际商业银行主要运用限额管理手段对市场风险进行控制，这些限额包括交易限额、风险限额、止损限额，已形成一套相对完善的限额管理体系。从风险管理工具上，则主要运用各种金融衍生工具对市场风险头寸进行对冲，对资产负债利率风险进行主动管理，将市场风险暴露降低到风险限额以内。

三、金融机构市场风险计量--VaR模型

2007年开始由美国次级住房抵押贷款坏账点燃的美國次贷危机席卷全球，这场危机表面上是贷款人不能按时归还商业银行借款引发的信用风险，实际却可以归结为华尔街金融机构过高估计市场预期，贪婪的利用各种新的衍生金融产品获取财富。终于，从2007年底以来，大批涉及次级住房抵押贷款资产的金融机构纷纷倒闭。一场全球性的金融危机沿着经济全球化的链条迅速蔓延。

这场危机告诉我们市场风险的监控是如此的重要，而像VaR方法这样的定量化的风险度量工具无疑是有效地市场风险监控所必不可少的。从我国商业银行的发展现状来看，采用VaR方法对我国商业银行进行风险管理既符合国际规范又适合我国金融形势的要求。

首先，随着我国金融市场化程度的增加，金融市场风险管理势在必行。对于我国来说，目前的市场风险主要来自外汇汇率的变动。随着货币市场的发展、利率自由化步伐的加快以及人民币最终将实现可自由兑换，利率、汇率以及许多商品价格的短缺频繁波动将不可避免。许多市场因素将更加显示出内生经济变量的特点，即随着经济周期的变化而呈现更大的波动性。因此，市场风险的重要性也会日益突出，增加市场风险管理势在必行。而将VaR方法引入我国，能够为我国商业银行提供一种行之有效的市场风险管理工具。

其次，我国经济转轨时期的商业银行急需要一整套行之有效的管理方法。我国商业银行长期在计划经济管理之下，一些计划经济的管理方法目前仍被沿用，我国商业银行本身并没有自己的风险测量的定量方法。VaR模型是一种商业银行内部风险管理模型，其风险值以绝对值表示，内容明确，因此适合于我国商业银行进行学习和握掌握。此外，VaR风险管理方式有益于我国商业银行内外的监督和管理，各商业银行根据其资本金或能承受风险的程度以定量的方式分配给各分支机构一定的风险额度，各分支机构根据VaR模型可随时知道各自的风险值，当风险值超过风险额度时，通过资产重新组合，把风险值调整到允许的范围内。当上级部门或者监管部门发现问题并向商业银行提出时，商业银行也可以根据VaR模型及时调整资产组合。

第三，随着我国商业银行所面临的风险的日趋复杂以及组合投资在我国的兴起，将利率风险、汇率风险等各种形式的风险汇总综合考虑和衡量的必要性越来越大，这就为综合衡量市场风险的VaR模型的应用提供了广阔的发展空间。所以，将VaR方法引入我国商业银行的金融风险管理领域，对于我国商业银行的发展有着重大的意义。相信在不远的未来，VaR模型必将以其科学性、实用性、综合性和国际性等特点得到我国商业银行的重视和青睐。

综合以上对商业银行市场风险度量现状及发展趋势的分析，基于风险价值的VaR模型方法正发挥着越来越重要的作用。

结论

在新巴塞尔协议以及巴塞尔协议III中，关于资本金计算公式的设计和相关参数的确定与检验都借鉴了VaR的思想和方法。VaR方法因其概念简单，易于沟通，成为当今国际银行业风险计量和信息披露的标准工具。 并且近年来发生的灾难性的金融事件也解释了为何VaR在金融界得以风行的原因。但是VaR只应被视为第一道的近似值。风险价值是基于统计方法得出的这一事实，并不能掩盖它仍只是一种估计。使用这不应该被引入误区，而应认识到VaR的局限性。正如J.P摩根风险管理委员会主席史蒂文.蒂克所言："有一点应该明白，VaR已不是一种风险测量的方法论，而应该成为一种管理手段，这种手段是与此行业人员的经验水平及公司所能承受的风险水平联系在一起的。"

参考文献：

[1] ]胡开春.股票市场驱动并购研究评述[J].财经科学，2007，（1）.

[2]闫万涛.我国商业银行的全面风险管理研究[D].四川大学，2010.

[3] 秦国平.基于VaR 的我国商业银行市场风险计量研究[D].江西财经大学，2010.

[4]陈旭辉.基于VAR 的我国商业银行市场风险度量研究[D].湖南大学，2010.

[5]戴科，彭智.商业银行市场风险管理中的VaR模型[J].价值工程，2005（8）.

VaR风险分析 篇4

VaR (Value at Risk) 按字面的解释就是“处于风险状态的价值”, 可译为受险价值、在险价值、风险价值等。通常解释为:VaR是在一定置信水平和一定持有期内, 某一金融资产或组合在正常的市场条件下所面临的最大损失额。

因此从数学和统计的意义上看:

VaR就是在某个既定的损益预期分布中, 对应一定置信水平的分位数:

其中, c为显著性水平, 1-c代表置信水平, ΔP代表损益。[1]

二、VaR的获取方法

计算VaR的关键在于确定证券或组合的未来损益的统计分布或概率密度函数。而直接获取未来损益的分布几乎是不可能的事, 为此, 通常经过下述分解过程:将资产表示为市场因子的函数, 预测市场因子的波动性, 根据市场因子的波动估计资产的价值变化及其概率分布, 根据给定的置信水平和持有期, 计算得出VaR。[2]

这一分解过程中, 波动性模型和价值模型是核心和难点。根据波动性模型和价值模型的不同, 可以将VaR的计算方法分为以下三类:历史模拟法, 蒙特卡罗模拟法, 参数法 (方差-协方差法) 。

(一) 历史模拟法

利用历史数据集, 将过去已经实现的收益率分布或市场变量分布应用于目前的投资 (或组合) , 据此模拟下一个时期该投资 (或组合) 可能面临的收益分布, 给定置信水平和持有期, 就可以计算出VaR。

隐含前提:历史可以复制未来, 历史数据可获得, 且完整有效。优点:原理简单且实用, 非参数完全估值, 避免了估值和模型风险。不足:对历史数据的依赖, 路径依赖假设等概率假设。[3]步骤如下:

实证:假设A股:马钢股份 (600808) 投资60万, B股:交通银行 (601328) 投资40万。下一个交易日, 该组合在99%置信水平下的VaR是多少?

首先取数据从2011年1月11日到2013年1月10日的股票收盘价, 两只股票都有488个数据 (资料来源和讯财经网) 。用EXECLE表格和EVIEWS6.0软件, 计算其每日简单收益率和组合收益率, 生成一个新的时间序列。

公式为:简单收益率R= (Pt-Pt-1) /Pt-1

组合收益率=A股简单收益率*0.5+B股简单收益率*0.5

然后将序列中组合收益率的数据按升序排列, 找到对应的第488×1%=4.88个数据 (谨慎起见, 我们用第4个) , 即-5.01%。于是可得, VaR=100×5.01%=5.01万。

(二) 蒙特卡罗模拟法

假设资产价格或市场变量的变化服从于某个随机过程, 通过模拟该随机过程, 就可以得出在给定时点上投资组合的价格或市场变量的估计值。不断重复该模拟过程, 就可以得到一系列估计值。如果重复的次数足够多, 模拟出的估计值最终将会收敛于“真实的”组合价值。以此为基础, 给定置信水平1-C, 通过分位数就可以计算出VaR, 就可以进一步估计出组合“真实的”风险价值。

优点:全场景模拟, 不受历史数据限制, 完全估值, 可处理非线性、非正态问题。不足:复杂、不易理解, 模拟次数、计算精确度与耗费时间的矛盾, 模型风险和估值风险, 伪随机数问题。[4]

例如:资料同前。

样本同前, 假定该股票价格服从随机游走。检验如下:

首先, 利用EVIEWS软件中的单位根检验 (ADF检验) 来判断股票价格序列的平稳性, 结果如下:

A股:马钢股份 (600808)

可知DF=-1.269527, 大于下面所有临界值, 因此可知该序列是非平稳的。

接下来, 利用EVIEWS软件中的相关性检验来判断序列的自相关性。选择价格序列的一阶差分 (△P=Pt-Pt-1) 和30天滞后期。

结果如下:

可知股票价格的一阶差分序列△P滞后8期以内都不具有相关性, 即其分布具有独立性。

通过上述检验, 我们可以得出结论, 深发展股票价格服从随机游走, 即:Pt=Pt-1+εt。

利用EXCEL软件做蒙特卡罗模拟, 模拟次数为10000次:

(总第513期) Times首先产生10000个随机数, 然后获取模拟价格序列:模拟价格=初始价格P0+随机数, 再将模拟后的价格按升序重新排列。

找出对应99%的分位数, 即10000×1%=100个交易日对应的数值:1.985, 于是有马钢股份:

B股:交通银行 (601328)

步骤同前, 找出对应99%的分位数, 即10000×1%=100个交易日对应的数值:4.975, 于是有马钢股份:VaR=40× (4.975-4.9) ÷4.9=0.612万。

所以, 两个股票组合的

(三) 参数法 (方差协方差法)

首先假定要考察的随机变量服从于某种参数分布, 如正态分布、泊松分布等, 然后借助于分布参数, 如均值、方差等直接计算出VaR。优点:可以迅速求解, 易于处理组合。不足:正态分布假设, 参数估计风险。[5]

方法一:静态法, 假定均值与方差恒定 (不随时间而变化) 。

利用EVIEWS软件对样本数据进行处理, 分别获取简单收益率的分布图和对数收益率分布图

A股:马钢股份 (600808)

简单收益率分布图:

对数收益率分布图:

通过上述统计分析可知, 与正态分布相比, 二者均呈现出“尖峰厚尾”的特征。相对而言, 对数收益率更接近于正态分布。根据VaR的计算公式可得:

同步骤B股:交通银行 (601328) 得出VaR=2.33×0.012151×40=1.132万

于是, 组合有VaR=√2.0932+1.1322=2.38万元。

方法二:动态法, 简单移动平均法, 假定时间与方差随时间变化。

A股:马钢股份 (600808) 取100天的样本

同步骤B股:交通银行 (601328)

三、VAR变化值对股票组合投资进一步运用

VaR对基本概念的发展的基础延伸了管理组合风险的三种分析方法, 即边际VaR、成分c VaR和增量VaR。为了控制风险, 拥有一个当前投资组合风险分解方法是非常有用的。因为投资组合的波动性是其各组成部分的一个高度非线性函数, 我们需要一种分解法来认识分散化投资的效果。[6]

1.边际Va R (m Va R) 。是指当组合中的某种资产增加一单位时, 引起的投资组合VaR的变化值。

2.增量Va R (i Va R) 。即新头寸加入而引起的VaR的变化值。它与mVaR的不同在于, 它的增加量可以很大, 在这种情况下, VaR的变化是非线性的。

3.成分Va R (cVaR) 。假定投资组合包含N种成分, 如果下式成立:

称CVaRi为投资组合成分i的成分VaR。借助于mVaR, 可得:

实证:资料同前。问该组合的边际VaR、成分VaR各是多少?如追加50万元的投资, 该投资组合中的哪只股票?组合的风险如何变化?

边际VaR (mVaR) :

投资组合VaR的分解表

因为, 交通银行的mVAR较小, 所以追加50万给交通银行, iVAR=0.013473×50=0.67万, 投资风险增加0.67万元。

四、总结

VaR模型可以简单明了地分析出股票组合风险的大小, 即使没有任何专业背景的投资者和管理者都可以通过VaR的值对金融风险进行评判。VaR模型也对银行风险的质量和管理是一个有效的工具, 它对正常市场条件下重要交易的短期风险的衡量尤为有用。作为分散投资者, 更可以运用VAR来实现自己股票投资的风险管理, 对市场和个人都有重要意义。

摘要：本文在介绍VaR基本概念的基础上, 着重分析VaR的三种获取方法, 并以马钢股份 (600808) 和交通银行 (601328) 组合为例, 对VaR方法在我国证券市场上的投资组合应用进行分析。

关键词：股票交易组合风险,VAR法,实证分析

参考文献

[1]张利, 胡铂.基于VaR模型的证券投资组合风险管理[J].合作经济与科技, 2011.

[2][3][4][5]陈燕玲.金融风险管理[M].安徽大学出版社, 2008.

金融风险管理VAR方法应用与挑战 篇5

一、VAR定义与特点

（一）VAR定义所谓风险价值是运用统计学的技术量化市场风险，衡量在某一置信水平下，某一段持有期间内，风险资产持有人的最大可能损失，即在（1-α）%置信水准下，持有某风险性资产未来特定期间下，最大损失预期值。

将VAR视为最大期望损失报酬率，用简单的数学式表示如下：

Prob（

其中：△P/△Pt为预测下期标的资产报酬率；△t为持有期间， △θ为预期市场风险因子的变动量；|VaR|为在（1-α）%置信水平下，最大期望损失报酬率。假设投资组合报酬率呈钟型的正态分布，则α即为此分布累积至VAR的机率值，所以在（1-α）的置信水平下此分配的最大损失为|VaR|。

（二）VAR特点在风险管理的各种方法中，VAR方法最为引人瞩目。VAR之所以具有吸引力是因为它把银行的全部资产组合风险概括为一个简单的数字，并以美元计量单位来表示风险管理的核心——潜在亏损。VAR实际上是要回答在概率给定情况下，银行投资组合价值在下一阶段最多可能损失多少。

VAR的特点如下：可以用来简单明了表示市场风险的大小，没有任何技术色彩，没有任何专业背景的投资者和管理者都可以通过VAR值对金融风险进行评判；可以事前计算风险，不像以往风险管理的方法都是在事后衡量风险大小；不仅能计算单个金融工具的风险。还能计算由多个金融工具组成的投资组合风险，这是传统金融风险管理所不能做到的。

二、VAR风险管理模型作用与缺陷

（一）VAR风险管理模型作用具体如下：

第一，计算经济资本，优化资本配置。经济资本用来抵御风险损失，因此又称为风险资本。经济资本并不是真正意义上的资本，可以通过计算VAR确定相应经济资本的大小，在数值上，经济资本与VAR相等。基于VAR计算出经济资本后可以进一步达到优化资源配置的目的，所谓优化资本配置就是更合理地在金融机构内部各级部门、各项业务之间分配经济资本，将经济资本在金融机构各层面进行合理分配并进行动态调整。

第二，用于风险控制、业绩评估。利用VAR方法进行风险控制，可以使每个交易员或交易单位都能确切地明了他们在进行有多大风险的金融交易，并可以为每个交易员或交易单位设置VAR限额，用于风险头寸的限定于评价，以防止过度投机行为的出现。将VAR方法引入风险因素的业绩评价指标，综合考虑风险与收益的配比，执行RAROC系统管理，有利于形成统一的风险管理体系，避免金融交易的重大亏损。

第三，估算风险性资本（Risk－based capital）。以VAR来估算投资者面临市场风险时所需的适量资本，风险资本的要求是国际清算银行对于金融监管的基本要求。巴塞尔委员会(1996)也明确了用VAR方法结合内部模型法来度量银行面临的市场风险的规定。在新巴塞尔协议中，将操作风险纳入风险资本的计算和监管框架，新巴塞尔协议中提供了多种可供选择的计算操作风险资本金的方法，其中比较复杂的损失分布法(Loss Distribution Approach)就需要运用VAR方法来确定操作风险资本。

（二）VAR模型内在缺陷主要有以下几点：

第一，假设条件：它以正态分布为假定，集中于正常市场状态下风险，未考虑“黑天鹅风险”或长厚尾状态——在极端市场条件下损失发生的概率可能随着损失规模一道上升；它以市场具有正常流动性、资产可在短期内变现、出价／报价差维持不变为假定，未考虑极端市场条件下金融资产缺乏流动性的状态。

第二，市场风险与资产组合：它考虑正常市场条件下资产相关性因素降低风险的作用，未考虑极端状态下金融资产相关性普遍大幅提高从而增加风险的状态；它考虑市场波动风险，未考虑一般市场波动以外的特定风险；它主要用于交易活跃、历史数据充分的资产，难以用于市场交易不充分的资产；它主要用于对历史损失的统计描述，缺少对未来损失的预测能力。

第三，VAR模型方法：VAR模型可以使用历史模拟法、蒙特卡罗模拟法、分析法等不同的方法，而使用不同方法对同样的资产组合可以得到不同的VAR值，这使得VAR的可靠性难以把握。其次，VAR方法对历史数据的依赖性较大。历史模拟法直接依赖于历史数据，分析法中的参数估计也是来源于历史数据。依据过去的收益数据来确定未来收益的风险存在一定不可靠性。而在新兴金融市场，历史记录较少，市场运行机制经常发生变化，市场投机情绪会在特殊时期得到释放，这些都使得基于经典统计推断理论的VAR模型的精度和有效性难于得到保证。

三、VAR风险管理方法挑战

（一）VAR风险管理模型与会计记账原则按照国际会计准则，金融机构采用公允价值的记账方法，它们会参照市场上正在交易的相似金融资产的价格来确定自己所持有金融资产的账面价值。因此，在这次金融危机中，次级抵押贷款支持证券市场价值的缩水，将会导致持有这些资产的金融机构的账面价值发生同样程度的缩水。对金融机构而言，一旦资产账面价值在本期内下降，它将在资产负债表上进行资产减值，在利润表上则出现相同规模的账面亏损。而以在险价值（VAR）为基础的资产负债管理方法，则加剧了资本市场的价格下跌，相应的去杠杆化在资本市场的危机深化中扮演着重要的角色。商业银行、投资银行等金融机构均采用了杠杆经营模式，即金融机构资产规模远高于自有资本规模。金融机构的各项资产具有不同程度的风险，而在险价值管理的核心理念，就在于金融机构的自有资本应该能够弥补该机构承担的总风险，如以下公式所示：

E=VA （1）

其中E为金融机构的自有资本，A为金融机构的总资产，V为1美元资产中包含的在险价值。（1）表明，金融机构的自有资本等于该机构承担的总风险。金融机构的财务杠杆被定义为总资产与自有资本的比率，即：

L=A/E（2）

将（2）代入（1）中，可得

L=1/V（3）

公式（3）表明，对于实施以在险价值为基础的金融机构而言，其财务杠杆比率与其承担的整体风险成反比。如果金融机构承担的整体风险上升，则该机构将不得不进入去杠杆化阶段。

金融机构主动降低杠杆比率的去杠杆化过程，原则上有两条途径。途径一是通过出售风险资产来偿还债务，主动收缩资产负债表，从分子方面降低杠杆比率；途径二是通过吸引新的股权投资来扩充自有资本规模，从分母方面降低杠杆比率。相比之下，第一条途径更加痛苦。众多金融机构在同一时间内大规模出售风险资产，自然会压低风险资产价格，从而一方面引发市场动荡，另一方面造成金融机构尚未出售的风险资产的公允价值进一步下降。

VAR风险管理方法与会计记账原则相互作用，金融机构的去杠杆化加剧资产价格的下跌，加大了资产减值的数额。即资产价格的下跌，导致资产的减值，触发了金融机构的去杠杆化过程，而去杠杆化过程导致资产价格的进一步下跌，增加资产减值数额，演变成一种恶性循环。

（二）VAR风险管理模型与创新金融产品随着结构型衍生金融工具等创新金融产品的出现，使得传统VAR风险管理模型受到一定的挑战，其中创新金融产品风险相关性增强，以及历史数据不足、参数估计增加等都是其中的原因。

（1）金融创新使风险相关性增强。 信贷资产证券化和二级市场化，将违约风险带进市场交易账户，使得交易账户从原本单纯的市场风险发展到集市场风险、信用风险和流动性风险于一体，并且提升了这些风险间的相关性。而二级市场交易又将衍生资产与其基础资产债务人信用状况分离，交易对手方无法准确评估其真正风险和定价，并使银行交易账户和投资银行资产组合更敏感于信贷市场周期变动。银行对交易相关信用风险认识不足，继续采用常规VAR和分割式方法评估风险大大低估了资产组合整体风险价值，误导了决策。

（2）常规风险衡量方法用于结构性衍生产品。创新金融资产的特性使得常规VAR工具不足以对其风险作准确定性和定量评估。例如，CDO、ABS和政府债券、外汇等传统市场交易产品的最大差异是：第一，部分结构型衍生金融产品市场交易历史太短，缺少充足数据建立VAR或历史模拟压力测试模型。对这类资产采用常规风险衡量方法是银行低估风险误导决策的一个重要原因。第二，结构型衍生金融工具估值与风险预计时需要很多参数，而随着参数的增加，基础性金融产品的波动性增大，参数内部相互作用而产生错误的几率就越大，它们对风险测度的误导性可能就越大。

参考文献：

VaR风险分析 篇6

VaR方法的原理易于理解, 多年来一直被学术界高度关注, 借用这一相对成熟的风险度量工具来衡量我国股市的风险价值有重要的现实意义。沪深300指数作为我国编制的第一个能综合反映上海和深圳证券市场整体变动的成分指数, 相较于上证综合指数和深圳成分指数, 其编制方法的先进性和综合代表的优越性更能体现我国证券市场的综合风险价值。

因此, 本文通过建立PARCH-VaR模型, 用以评估中国沪深300指数的风险。在假设残差同时服从三种分布——正态分布、t分布和广义误差分布的条件下, 估计VaR值的大小, 并对沪深300指数的估计进行反馈检验。文章希望通过实证为我们充分认识我国沪深300指数存在风险, 并为其估计提供理论支持。

1 文献综述

国外对于风险价值的研究较早, 学者主要集中于对Va R计量的研究, 以寻求更为精确的度量。PhilippeJorion (1996) 对比了正态分布和t分布下的模型所计算Va R的区别。Charlotte Christiansen (1998) 运用Factor-ARCH模型进行了VaR的度量, 结果显示在1%显著性水平下无论是运用ARCH还是方差矩阵方法其估计的VaR值都不够精确, 而在5%显著性水平下方差矩阵法优于Factor-ARCH模型的估计。2001年Dowd估计了VaR并给出了估计的置信区间, 其结果表明随着样本的增加估计精度也不断提高;而2005年KojiInui所做的估计显示, 非参数的估计结果倾向于出现正偏差。Kevin Dowd (1999) 针对真实的分布存在厚尾特征从而出现低估损失而提出了极值模型;Kuester, Mittnikandpaolella (2009) 对30年以上的NASDAQ指数采用GARCH (l, 1) 方法来预测VaR值, 得出应用AR一GARCH模型对收益率进行过滤可以提高VaR的预测精度。

国内对于VaR的研究相对开始较晚。王美今、王华 (2002) 应用GARCH模型对我国股市风险进行了分析, 结果显示正态分布假设下的静态模型明显不成功, GARCH类模型具有明显的优势。陈守东 (2002) 对上证综指运用历史模拟法计算其VaR值, 结果显示GARCH模型得出的上证指数收益率VaR值最为有效。龚锐 (2005) 运用GARCH模型和非对称ARCH模型进行了对比分析, 结果显示非对称ARCH模型相较于GARCH模型的结果更加精确。苏涛 (2005) 从GARCH模型不能从根本上解决尖峰厚尾问题的考虑, 同时引入了有偏的t分布和PARCH模型来计算VaR, 其结果显示Skst能较准确的估计VaR数值。赵国庆 (2009) 提出了OGARCH与极值理论 (EVT) 的混合模型对上证指数进行了VaR计量, 其结果表明此混合模型的预测更优于其他模型的预测结果。

VaR模型能以简单明了的数值表示风险价值, 但其结果的准确与否主要取决于其对于分布的假设和波动的有效处理, 由于现实中的金融数据的收益率存在明显的尖峰厚尾和波动聚集现象, 从而使传统的正态分布假设下的VaR数值存在低估损失的可能。虽然GARCH模型和其他分布, 例如:t分布和广义误差分布 (GED) 分别解决了偏度和厚尾对VaR数值度量的影响, 但其偏度和尖峰厚尾特征并不是相互独立的, 从而本文希望通过综合采用有偏的t分布和PARCH模型来综合考虑上述因素的影响, 并与传统的参数和半参数VaR计算方法进行对比分析, 并通过回测检验其是否能有效提高VaR的估计精度。

本文运用PARCH-VaR模型选取沪深300指数对我国股市的风险价值进行度量, 在残差服从正态分布、t分布及广义误差分布的三种假设下, 估计VaR值的大小, 并对沪深300指数的估计进行反馈检验, 通过对它的分析能更加准确的反应我国股市存在的整体风险。

2 VaR的计算

金融数据通常呈现波动集聚性、尖峰厚尾特性, 而一方面PARCH模型能很好地刻画金融数据波动集聚性这一特征, 另一方面描述尖峰厚尾特征时, GED分布以及t分布效果更好。将二者结合使用后, VaR的计算会相对更准确。

2.1 PARCH模型的构建

为了解决ARCH模型刻画条件方差时变性必须在高阶数条件下才能得到较好的拟合效果问题, Taylor (1986) 和Schwert (1989) 提出了标准方差GARCH的模型, 其一般表达式可写成:

2.2 基于PARCH模型的VaR计算步骤

(1) 通过运用PARCH (1, 1) —N分布模型、PARCH (1, 1) —t分布模型和PARCH (1, 1) —GED模型对收益率进行拟合, 得出GED分布及t分布的自由度、收益率的均值、模型参数。

(2) 通过Eviews软件处理生成条件方差, 进而得到条件方差标准差。

(3) 运用matlab8a软件, 计算出不同自由度的GED分布、t分布的分位数。将均值、条件方差标准差以及95%置信水平下的三种分布的分位数都代入下面的公式:

其中, μ表示指数收益率均值;σt表示标准差序列;F-1表示正态分布、t分布或广义误差分布在置信水平c下的分位数。

2.3 返回检验

建立风险度量模型以后, 还需要检验模型的度量效果。VaR模型返回检验方法由美国经济学家Kupiec首先提出, 返回检验通过比较模型的预测结果和实际的组合回报率, 进而评估市场风险度量模型的质量。

步骤:假定N为样本中损失高于VaR的次数, T是样本总数, P=1-c, c表示给定的置信水平, 检验假设表示为:

如果原假设成立, 则LR服从自由度为1的卡方分布;当LR大于临界值时, 拒绝原假设。

3 实证分析

3.1 数据来源及基本统计分析

本文选取我国2006年1月6日到2012年9月28日的沪深300指数的日收益率数据, 数据来源于大智慧。采用的数据为沪深300指数每个交易日收盘价数据, 并做取对数处理, 得到对数收益率rt= (1n (Yt/Yt-1) 。本文中数据的计算通过数据处理软件Eviews6.0版软件和MATLAB完成。对沪深300指数的收益率数据的基本统计分析结果见表1。

从表1可知, 沪深300指数收益率的标准差较大, 收益的波动性大, 序列峰度在5%的显著性水平下, 显著大于3, 而且偏度显著地大于0, 表明分布呈现尖峰厚尾的特征。JB统计量最小值在1%显著性水平下显著, 表明沪深300指数收益率序列的分布不符合正态分布。

3.2 残差检验

基于上述分析, 用均值方程rt=μt+εt对收益率序列来进行拟合。回归结果表示, 残差序列是平稳序列, 较大波动后伴随较大的波动, 较小波动后伴随较小波动, 整体上呈现出波动聚集性。

3.3 检验异方差

检验残差项的异方差性, 设置滞后阶数为8阶, 结果表明:F统计量值为17.00328, Obs*R-squared统计量值为108.23, 并且P值等于0, 因此可以断定残差序列存在ARCH效应。

综合以上检验分析, 沪深300指数的日收益率序列确实呈现出三种常见特征:左偏、尖峰厚尾和波动聚集, 可以通过ARCH类模型对其分布特征进行描述。本文选用PARCH (1, 1) 模型来拟合指数日收益率序列, 并进而测算不同残差分布下的VaR值。

3.4 平稳性检验

我们利用ADF检验序列的平稳性, 检验结果见表2。HS300指数在1%的显著性水平下, 拒绝原假设。序列为平稳序列, 即I (0) 序列。

3.5 模型的设定及VaR计算结果

基于前面的分析结果, 本文将用T PA RCH (1, 1) 模型和GEDPARCH (l, l) 模型计算VaR值, 此外, 对PARCH (l, l) —N的情形进行计算以便于比较分析, 得到的结果如下表3。

由表3可得, 分别在95%以及9 9%两种不同的置信水平下, PARCH (1, l) —t分布模型所得到的Va R值都明显高于根据PARCH (1, 1) —N分布模型以及PARCH (l, l) -GED分布模型计算得出的VaR值, 表明PARCH (l, l) —N模型存在低估指数风险的可能, 相反PARCH (l, 1) —t分布模型可能高估了指数风险。

3.6 返回检验结果分析

根据Kupiee的检验方法, 在零假设下, 统计量LR服从自由度为1的卡方分布。LR的临界值为3.7565 (95%置信水平) , 因此若LR小于3.7565, 则表示检验通过。另一方面, LR的临界值为6.5329 (99%置信水平) , 若LR小于6.5329, 则表示检验通过。在95%和99%置信水平下的LR值见下表4。

由表4得出, 分别在95%和99%的置信水平下, PARCH (1, 1) -N以及PARCH (1, 1) -GED的LR统计量都没有超过其相应的临界值, 表明失败频率与估计VaR值的左尾概率不存在显著差异;另一方面, PARCH (1, 1) -t分布模型得到的LR统计量则大于其临界值, 表示失败频率与估计VaR值的左尾概率差异显著, 即模型的拟合效果并不显著。由此可知, 由PARCH (1, 1) —N模型得到的VaR值可能会低估真实的风险, 相反PARCH (1, 1) —t分布模型得到的VaR值则会存在高估真实风险的可能, 比较来讲有PARCH (1, 1) —GED分布模型得到的VaR值为最优值。

4 结语

本文通过对沪深300指数的左偏、尖峰厚尾、波动聚集的特性研究, 考虑到其偏度和尖峰厚尾特征并不是相互独立的, 综合采用有偏的t分布和PARCH模型来综合考虑上述因素的影响。分析表明, 通过PARCH模型对我国金融市场存在的风险进行分析是较为合理的。

本文在三种假设下:残差服从正态分布、t分布以及广义误差分布, 利用基于广义误差分布的PARCH模型得到VaR值, 结果表明其能够更加客观地反映我国沪深300指数存在的风险问题。与此同时, 由PARCH (1, 1) —N模型得到的VaR值可能会低估真实的风险, 相反PARCH (1, 1) —t分布模型得到的VaR值则会存在高估真实风险的可能, 比较来讲有PARCH (1, 1) —GED分布模型得到的VaR值为最优值。

参考文献

[1]Jorion.Philippe, Risk:Measuring the risk in value atrisk[J].Financial Analysts Journal, 1996.

[2]Dowd K., Estimating VaR with Order Statistics[J].Journal of Derivatives, 2001.

[3]Koji Inui, Masaaki kijima, Atsushi Kitano., VaR issubject to a signicant positive bias[J].Statistics andProbability Letter, 2005.

[4]王美今, 王华.基于GARCH-t的上海股票市场险值分析[J].数量经济技术经济研究, 2002 (3) .

[5]陈守东, 王鲁非.上证综合指数VaR的度量[J].数量经济技术经济研究, 2002 (4) .

[6]龚锐, 陈仲常, 杨栋锐.GARCH族模型计算中国股市在险价值 (VaR) 风险的比较研究与评述[J].数量经济技术经济研究, 2005 (7) .

[7]苏涛, 詹原瑞.证券组合SKST-APARCH模型和VaR估计分析[J].系统工程学报, 2005 (6) .

VaR风险分析 篇7

(一) 研究背景

证券投资基金有着规模经济下的专家理财和组合投资的分散风险, 发挥机构投资者对上市公司的监督和制约作用, 有利于证券市场的健康发展。但证券投资基金仍要面对各种风险。我国基金管理公司需要重视和加强风险管理, 特别是要建立起自己的风险管理系统。Va R是当今国际上新近发展起来的一种风险度量模型, 已成为经济与金融系统中刻画风险的重要指标, 该方法具有更大的适应性和科学性。

(二) 文献综述

1. Va R模型研究综述

Va R的定义为:在市场正常的条件下, 在给定的置信度下, 特定时期内某一资产组合可能遭受的最大潜在损失值。 (1) Va R的含义

其中, ΔP为资产组合在Δt内的损失, Va R为在置信水平c下处于风险中的价值。

(2) Va R的度量方法——参数法

参数法假设证券组合的未来收益率服从一定的分布, 计算过程需要估计分布函数中各参数的值, 最后据此计算Va R值。

2. ARCH模型和GARCH模型研究综述

Engle (1982) 在研究英国通货膨胀率时提出了ARCH模型。ARCH模型是, 若一个平稳随机变量xt可以表示为AR (p) 形式, 其随机误差项的方差可用误差项平方的q阶分布滞后模型描述。

则称υt服从q阶的ARCH过程, 记作υt~ARCH (q) 。其中第一个方程称作均值方程, 第二个称作ARCH方程。为保证σ2t是一个平稳过程, 有约束0≤ (α1+α2+…+αq) <1。

ARCH (q) 模型是关于σt2的分布滞后模型。为避免υt2的滞后项过多, 可采用加入σt2的滞后项的方法, 于是由Bollerslev (1986) 将残差的方差滞后项引入ARCH模型的方差模型中, 得到了广义自回归条件异方差模型GARCH (p, q) , 即σt2=α0+λσ2t-1+…+λpσ2t-p+α1υ2t-1+…αqυ2t-q (3)

约束条件为:α0>0, αi≥0, i=1, 2…q;λj≥0, j=1, 2…p;

大量研究表明, GARCH类模型很好地刻画了金融时间序列数据的波动性和相关性。为了刻画收益率经验分布的尖峰厚尾特征, 可假设υt服从其他分布, 如Bollerslev (1987) 假设收益率服从广义t-分布, Nelson (1991) 提出的EGARCH模型采用了GED分布等。

3. 三种分布假设下的Va R计算方法

GARCH模型中参数的估计是采用极大似然方法。各种GARCH模型的区别也就在于条件方差方程采取的形式不同或者εt的分布假设不同。

(1) Delta-GARCH-正态模型

一般情况下假设εt的条件分布服从正态分布, 即。参数估计的对数似然函数为:

因此, t时刻的Va R值是:

其中, σt由GARCH-正态模型得到。

(2) Delta-GARCH-t分布模型

Bollerslev (1987) 引入自由度为v的条件t分布, 即假定模型中, 误差项, v是其分布自由度, 2<v<∞。其对数似然函数为:

此时, t时刻的Va R值为:

其中, 是t分布的分布函数的反函数。 (3) Delta-GARCH-GED分布模型

当εt的条件分布服从广义误差分布, 即εt|It-1~GED (μ, v, σt2) , 其中, (μ, v, σt2) 表示均值为μ自由度为v, 方差为σt2的广义误差分布。v为分布的自由度, 0<v<∞, 参数v控制着分布形式, 不同参数导致不同的分布形式。当v=2时, 是正态分布;当v>2时, 尾部比正态分布更薄;当v<2时, 尾部比正态分布更厚。其对数似然函数为:

t时刻的Va R表达式为:

其中, 是广义误差分布GED的分布函数的反函数。

二、样本和数据

由于基金指数能很好反映出基金市场收益率的变动情况, 本文选择上证基金指数和深证基金指数每日收盘价作为样本, 以研究基于正态分布、t分布和GED分布三种不同分布的GARCH-Va R模型, 并选择出最优的模型。本文数据来自于Wind资讯金融数据库, 研究时间范围从2004年1月2日到2009年9月30日, 共1398个交易日数据。

日收益率采用对数一阶差分形式, 设第t日的基金指数收盘价为Pt, 则当日的收益率。所有数据运算和估计都采用SPSS16.0、Eviews6.0和Stata10.0。

三、GARCH-Va R模型实证研究

(一) 统计特征分析

数据统计显示, 上证基金指数收益率Rsh均值为0.0973%, 说明基金在存续期内总体收益率为正;偏度 (Skewness) 为0.092376, 说明有轻微右偏斜;峰度 (Kurtosis) 为6.631825, 说明收益率Rsh具有明显的尖峰、厚尾的特征。深证基金指数收益率Rsz均值为0.001010, 说明基金在存续期内总体收益率为正;偏度 (Skewness) 为0.116521, 说明有轻微右偏斜;峰度 (Kurtosis) 为6.704626, 说明收益率Rsz具有明显的尖峰、厚尾的特征。Skewness/Kurtosis tests for Normality中P值等于零, 证明收益率Rsh和Rsz分布异于正态分布。

(二) 自相关性和平稳性检验

上证基金收益率Rsh和深证基金收益率Rsz的波动存在聚集性, 并且是平稳的时间序列。对收益率序列进行ADF检验, 结果表明, 在1%的显著性水平下, 从无滞后期到滞后30期都拒绝序列Rsh和Rsz存在单位根的原假设, 即基金收益率是平稳的。

(三) 均值方程的确定及残差序列的ARCH效应检验

由于基金收益率序列平稳且不相关, 所以均值方程没有收益率的滞后项, 建立均值方程为:

μ为收益率Rt的平均值, εt为随机干扰项。回归结果中, R2均等于零, 表明方程的解释能力很差。回归的残差不存在异方差现象和自相关, 序列存在波动的聚集性的现象。对残差序列进行ARCH-LM检验, 在5%的置信度下, 滞后48阶时仍然拒绝原假设, 说明残差序列存在高阶的ARCH效应, 即序列存在波动聚集性。因此, 该采用GARCH模型对方程进行拟合。

(四) Garch (1, 1) 模型

通过收益率序列的分析, 说明基金日收益率时间序列存在右偏性、尖峰厚尾性和波动聚集性, 而且尖峰厚尾性和波动聚集性表现都比较严重。用基于正态假设的风险度量方法势必造成较大的偏差。由于GARCH (1, 1) 模型能够描述大部分的金融时间序列数据, 所以本文选用GARCH (l, 1) 模型计算Va R的值。

在GARCH (1, 1) 里, 收益率Rt的方程为:

这里我们在均值方程中加入条件标准差方差项, 即使用ARCH-M模型来刻画风险对收益率的影响程度。εt的条件分布分别假设为正态分布、t分布和GED分布。模型拟合结果如表1、表2。

注:估计值下面的值是标准差, “***”表示在1%水平下显著。

总体而言, 除正态分布模型外, 其余都非常理想, 在5%的水平上都表现出显著;GARCH (1, l) -t中t分布的自由度为4.613067和4.602141, 远小于30, GARCH (1, 1) -GED模型中GED分布的自由度为1.156303和1.159919, 小于2, 表明样本基金日收益率序列存在严重的厚尾性, 说明假设其服从正态分布是不合适的, 所以假设其服从t分布和GED分布均比较合理;最后, 根据三个模型的AIC值最小的原则可以看出, GED分布模拟效果最好, t分布次之而正态分布最差, 所以选择GARCH-GED分布为最理想的估计模型。

(五) Va R计算结果

根据前文计算Va R的公式, 对三种不同分布进行计算。由Eviews6.0可以算出σt序列的全部数值。在90%、95%和99%置信水平下正态分布、t分布和GED分布对应的分位数见表3。

最高, 因此t分布和广义误差分布GED模型都可以更好地估计“厚尾性”问题。这样, 就可以很好的算出Va R地值, 如表4所示。

四、结论

通过以上对Va R计算方法的比较以及实证研究, 得到以下结论:

第一, 收益率的分布假设对Va R的计算是至关重要的, 对收益率分布的设定不正确, 就不能真实反映分布的厚尾现象, 会导致风险低估。厚尾现象越突出, Va R值被低估的程度越严重。所以, 恰当的分布假设, 从而选取合理的计量模型是风险价值计算的关键。我国基金市场的收益率具有波动聚集性特点, 具有明显的GARCH效应, 所以要用GARCH类模型来计算Va R。

第二, 模型检验结果表明, 用GARCH-GED模型描述基金收益率序列分布的尖峰厚尾特征比用GARCH-正态和GARCH-t准确, 所以选用GARCH-GED模型较为合理。这是因为正态分布尾部较薄, 在99%置信水平下会低估风险;t分布的尾部较厚, 容易造成对风险的高估;而GED分布则介于二者之间, 较好地描述我国基金市场风险的真实现状。

VaR风险分析 篇8

在我国过去十几年的房地产市场高速增长的条件下, 住房抵押贷款逐渐成为我国商业银行主要的信贷项目。但目前我国个人住房价格已经处于较高水平, 居民购房和还贷压力较大, 加之近年国家对房地产市场的宏观调控趋紧, 商业银行住房抵押贷款风险管理逐渐成为行业银行和学者较为关注的问题。能否找到一种有效的工具来度量商业银行现存的住房抵押贷款违约风险, 将决定商业银行能否有效进行住房抵押贷款风险管理。

下文选取基于VaR的Credit Metric现代模型来验证该模型在商业银行住房抵押贷款风险管理中的有效性。

二、基于VaR的Credit Metrics模型

Credit Metrics模型是1997年由J.P摩根提出的用于量化风险的管理工具, 核心思想是将VAR (Value at Risk) 作为计量风险的方法。国外一些大型商业银行早在1997年之前就已经开始将VAR作为计量风险的工具。

贷款风险取决于债务人的信用状况, 而信用状况由银行或者是专业的评级机构评定的信用级别表示。Credit Metrics模型基本方法, 将债务人信用等级作为衡量银行贷款风险的依据, 由信用转换矩阵提供债务人的信用等级转换概率, 依据不同信用等级对应的贴现率计算出贷款在各信用等级的市值, 再确定信用工具在不同信用等级下市值对应的概率分布。

三、Credit Metrics模型基本框架

(一) 模型的假设前提

1. 市场风险应该与信用风险无关;2将债务人分成若干个信用等级;3.风险管理的期限假定为一年, 这实际上也是因为评级机构的转移矩阵的期限为一年;4.确定回收率, 即当债务人发生违约时, 银行能回收的资产比率;5.违约时间应发生在债务即将到期时。

(二) 模型的参数输入

1. 债务人个人信用等级;2.标准的信用等级转移矩阵, 即债务人信用从一个级别转移到另一个级别的概率变化矩阵;3.计算的时间周期;4.确定预期收益折现率;5.确定回收率;6.模型的基本计算。

四、该模型在商业银行住房抵押贷款中的实际应用

例如, 某商业银行有一项5年期固定利率的个人贷款, 贷款额度100万, 规定年利率为6%, 该债务人信用级别为BBB, 不可提前还款。运用Credit Metric模型基本原理, 计算出在某一置信区间下其对应的VAR值。

确定模型的各输入参数。

1.借款人信用等级, BBB级。2.信用等级转移矩阵:使用标准普尔一年信用转移矩阵。3.时间段, 设为1年。4.贷款违约后的回收率, 信用等级AAA、AA、A、BBB、BB、B、CCC回收率分别为78%、77%、57%、53%、42%、35%、17%。5.预期收益折现率:第一年, AAA、AA、A、BBB、BB、B、CCC的折现值分别为3.6%、3.65%、3.72%、4.1%、5.55%、6.05%、15.05%;第二年, AAA、AA、A、BBB、BB、B、CCC的折现值分别为4.17%、4.22%、4.32%、4.67%、6.02%、7.02%、15.02%;第三年, AAA、AA、A、BBB、BB、B、CCC的折现值分别为4.73%、4.78%、4.93%、5.25%、6.78%、8.03%、14.03%;第四年, AAA、AA、A、BBB、BB、B、CCC的折现值分别为5.12%、5.17%、5.32%、5.63%、7.27%、8.52%、13.52%。

由上述数据, 可以得到该借款人, 如果发生了“信用事变”, 信用等级BBB变化到其它等级, 贷款的现值为

式中, r是无风险利率, s是年度信用风险价差。例子中, 第一年的6万息票或利息并未折现, 可以被看做是一种债券或贷款可以赚得的自然增加的利息。

假设在第一年里, 借款人从BBB级上升到AAA级, 对金融机构而言, 贷款的现值或市值

同样的方法可以得到一年后其它情况下贷款价值。一年后AAA、AA、A、BBB、BB、B、CCC贷款价值分别为109.35、109.17、108.66、107.53、102.01、98.09、83.62、51.13。

根据信用转移到不用信用等级的概率不同, 可以根据信用等级转移矩阵计算出贷款价值的均值。

均值μ=107.07, 方差σ=2.99。

假设的正态分布:95%置信水平, VAR=1.65σ=4.93万元。

99%置信水平, VAR=2.33σ=6.97万元。

假设的实际分布:95%置信水平, VAR=实际分布的95%=107.07-102.01=5.06。

99%置信水平, VAR=实际分布的99%=107.07-98.09=8.98。

注:5%的VAR近似地由6.77%的VAR给出 (5.3%+1.17%+0.12%+0.18%) , 1%的VAR近似地由1.47%的VAR给出 (1.17%+0.12%+0.18%) 。

容易看出, 用正态分布计算时, 可能会低估实际的VAR, 因为, 实际贷款价值分布图明显不是正态的。它展示了一种反向的偏斜。

五、Credit Metrics模型的评价

与传统信贷风险评估和管理方法相比, Credit Metrics模型给出在一定的置信水平下的风险VAR值。首先, 通过VAR值可以清楚地表示信用风险的大小, 银行经营者能够依据自身经营目标和风险承受能力在个人贷款申请时作出选择。同时, 作为贷款的绩效评估, 使银行在保证自身资产安全的基础上可以实现贷款人最大限度地融资。

该模型还能对金融监管起到促进作用, 通过与银行达成协议, 银行在一定的信用损失内经营, 超过该损失值, 银行将接受监管部门的处罚。一方面, 能够把监管工作集中到风险管理上;另一方面, 银行也能够作出合理的承诺, 因为承诺过高容易受罚, 过低会造成资源浪费。

该模型也有不足之处。我国个人住房抵押贷款的时间尚短, 信用等级转移矩阵远不如国外的大机构准确, 会在很大程度上影响结算结果的准确性。而且模型假设过多, 在实际操作中使用范围会受到影响。

参考文献

[1]Black E, Scholes M.The Pricing of Options and Corporate Liabilities[J].Journal of Political Economics, 1973 (81) .

[2]Merton R.The Pricing of Rational Option Pricing[J].Bell Journal of Eco-nomics, 1973 (4) .

[3]穆洪华.基于GARCH模型的VaR方法的综述及其对汇率模型的研究分析[D].暨南大学, 2007.

风险计价VAR模型及应用 篇9

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.

VaR风险分析 篇10

关键词：VaR模型 市场风险 风险管理

一、研究背景

金融市场中各变量的变化或波动将导致未来资产组合收益存在不确定性，因而产生金融市场风险。在此定义中，金融市场中各变量指的是包含股票的价格、利率、衍生品价格等变量，这些变量同时也被称作市场风险因子。以上定义可以得出结论，金融市场风险基本上可以定义为金融资产价格风险。

而在金融市场中，银行业作为金融体系中十分重要的组成部分，同时也成为货币传导机制的重要一环，自然对商业银行的监管将成为金融风险管理研究的课题之一。首先，金融产品的多样化扩大了银行的收入来源，随着我国逐步推行利率市场化、各商业银行的中间业务尤其以表外业务为主的规模不断发展扩大，商业银行所面临的风险也随之扩大。其次，我国国内市场化进程不断深化、利率市场化程度不断加深，越来越开放的市场环境使得国内大多传统分业经营的界限日益模糊，商业银行走上混业经营成为银行业未来发展的必由之路。与此同时，众多金融衍生工具的诞生、银行业务的不断完善创新，都为商业银行创造了巨大的利润，也带来了不容忽视的金融风险。如何在提升商业银行自身的市场竞争力的同时增强银行本身的抗风险能力，现成为众多商业银行经营管理的核心内容。

二、文献综述

（一）国外文献综述

1952年哈里马克维茨在他的博士论文中开创性的提出了一种关于资产组合选择的方法，马克维茨提出基于投资组合中的两个基本参数，理性投资者会以此做出合适的资产组合的选择，这两个参数即预期收益和风险，这就是现代风险管理理论发展的基础。至1960年前后，威廉夏普与林特纳提出了资本资产定价模型（CAPM），资本资产定价模型推进了风险管理的研究进程，它基于马克维茨的理论将单个资产分为两部分即是否能被分散化的风险。1995年，巴塞尔委员会提出VaR必须成为商业银行资本充足性评判依据的要求，并在声明之后对VaR模型是否适用于商业银行风险管理的分析做了详细的介绍。在1995年末美国证交委员会提出上市公司需定期披露自身信息并将VaR作为报告期的重要衡量指标的建议后，研究者们及银行家们对VaR模型的使用日益重视，且模型在金融业的适用范围日益扩大。

进入21世纪后，研究者们对VaR模型进行更深入和扩展的研究2004年，罗伯特首次基于VaR提出了条件VaR模型（CAVaR），在此模型中模型参数来自于分位数回归，这也是条件自回归模型的首次亮相。2010年，罗伯特又对三类基本方法，即Delta正态法、历史模拟法、蒙特卡罗模拟法的优缺点进行了比较分析。

（二）国内文献综述

2006年，梁志森指出在我国商业银行的市场风险管理上，VaR 的应用虽具有一定的局限性，但在一定程度上是可以克服的，即表明VaR在中国银行业风险管理领域同外国一样具有相当的适用性。2007年，何飞平对VaR模型的随机波动进行了讨论，并对此情况下的VaR值进行实证分析，结果显示随机波动模型下的VaR值更具准确、动态性。随后在2008年，牛茜指出使用VaR模型来计量市场风险与风险管理是我国商业银行未来的可行之路，但我国银行在使用模型时仍然存在数据缺失与后尾分布现象。2012年，刘静，高翔就当下我国银行业中存在的普遍现象和问题，针对性的提出风险管理审计在我国商业银行业中实施的必要性，并深入探索研究更符合我国商业银行经营状况的风管审计新体系。

三、商业银行市场风险的度量

（一）度量方法介绍VaR介绍

1、VaR的定义

所谓VaR，简单来说就是指在正常情况与给定的置信水平下，资产、投资组合在未来一段时间内将会遭受的最大可能损失。可以表示为：

Prob（△P<-VaR）=1-c

其中，Prob表示概率密度；△P=P（t+△t）-P（t），表示组合在未来持有期即△t内的损失；c即为给定置信水平；VaR表示在给定置信水平c下资产组合的风险价值。

2、VaR的基本特点及参数

基本特点：

（1）基本公式仅能准确计算正常波动状态下的市场风险而非极端情况；

（2）VaR具有可比性；

（3）VaR值越大说明风险投资组合面临的风险越大，反之则越小；

（4）正常情况下，时间跨度越短，收益率越贴合正态分布；

（5）VaR值的基本参数为置信度和收益率。

基本参数：

（1）持有期

持有期是指计算在某段时间内持有资产的最大损失值，即VaR的时间范围。一般在计算持有期时需考虑流动性、正态性、数据约束及头寸调整这四个方面。并且在一般情况下，其他因素保持不变，流动性越大，持有期越短，资产组合面临的风险越小。

（2）置信度

置信度是指资产组合的实际损失低于事先估计VaR值的可信度。置信度的选择需考虑历史数据的可得性与充分性，并且对于同一个资产组合，在不同置信度下得出的VaR值也不尽相同。因此，选择恰当的置信区间对计算VaR模型十分重要。

（二）VaR模型对我国商业银行市场风险的实证分析

1、样本区间的选择

上海银行间同业拆借利率（SHIBOR）是我国银行间利率市场化最具有代表性的数据且具有很高的市场化程度，因此实证分析选取此数据作为模拟变量。本文选取2012年1月4日至2014年6月17日之间的上海银行间同业拆借利率（SHIBOR）作为样本，同时考虑到市场交易量以及利率对市场变动反应的灵敏程度，选择其中的隔夜加权利率作为观测对象，选择样本容量为608，样本数据的持有期为一天，即△t=l。文中数据均来源于上海银行间同业拆借利率网站，应用Eviews6.0软件对数据进行分析处理。endprint

2、样本数据分析

（1）ADF检验

用单位根的方法对时间序列的平稳性进行检验，平稳性检验结果如表1：

由检验结果可知：在三个显著性水平下，单位根存在的零假设均被拒绝，即表明了SHIBOR对数日收益率序列是平稳的。

（2）VaR检验

由表2可得滞后阶数为3阶，接下来，通过检验单位根来考察模型的稳定性，见图1：

由图1可见，所有的特征根都落在单位圆内，即都小于1，表明该VAR模型的结构稳定，因此可以对其进行格兰杰因果关系检验、脉冲响应函数分析和方差分解。

（3）格兰杰因果关系检验

为了能进一步确定变量之间的相互关系，下面进行格兰杰因果关系检验，结果如表3：

由表3可得以下结论：

（1）隔夜SHIBOR与一个月SHIBOR互为格兰杰因果关系；

（2）在95%置信度下，隔夜SHIBOR利率和一个月SHVIBOR利率与上证指数并无格兰杰因果关系；

（3）上证指数与一个月SHIBOR互为格兰杰因果关系，但与隔夜SHIBOR没有格兰杰因果关系，也就是说上证指数的变动能够引导一个月SHIBOR利率，或者说一个月SHIBOR利率能够反应上证指数的变化，但是隔夜SHIBOR利率却做不到这一点。

四、结论

通过本文前面的介绍可以得出：VaR模型对我国商业银行的利率风险管理具有适用性及很好的衡量作用，虽然运用这种方法仍存在一定的限制条件。因此，建立以VaR模型为基础的利率风险管理体系具有重要的现实意义，现根据上面的分析得出如下结论：

第一，要建立与我国商业银行利率管理体系相适应的VaR模型，商业银行是一个需要实时数据作为支撑的行业，并且VaR模型需要应用大量精确有效的历史数据，因此本文选取的数据是从2012年1月起至2014年6月总共610个数据，分析得出的结果具有时效性及可参考性。相反，如果数据缺乏则会在很大程度上限制VaR模型的实际运用，且会加大应用过程中返回测试的困难，因而降低了模型的有效性；

第二，建立在我国商业银行利率风险的实际管理情况下来选择合适的置信度和持有期，结合现在我国商业银行利率风险的管理现状与文章中对VaR模型的实际应用情况，同时参考现阶段数据的缺失对风险管理的影响，建议商业银行考虑选取95%的置信水平，持有期为10个交易日来进行利率风险的管理；

第三，通过检验的结果得出，在失败率检验法下，运用历史模拟法算出的值能够经得起检验，并且该值占组合的资产的总值为0.6%，风险覆盖了达到了96.5%，VaR显著满足95%，此结果表明，当外汇头寸组合面临的市场风险满足历史数据充足的条件时，运用历史模拟法可以较好的度量商业银行的市场风险；

第四，当我国商业银行风险管理的内部控制系统是建立在VaR模型的基础上，根据我国商业银行的组织结构与特点，可以依次分层设置立体的总分行的风险管理内部控制系统。运用VaR模型对风险投资组合以及其他金融机构所面临的市场风险可能使其发生的损失进行计算，得到一个相对的估计值，该估计值可在很大程度上反映出商业银行及其他金融机构和风险投资组合所面临的市场风险，也将成为做出市场风险决策的可靠参考依据，该估计值有利于商业银行各业务部门间的信息交流，也有利于整体的统一管理。

参考文献：

[1]RM Bushman，CD Williams. A-

ccounting discretion loan loss provisioning and discipline of banks risk-taking[J]，Journal of Accounting and Economics，2011

[2]吉伦奇.巴塞尔资本协议III的八大改进及对我国商业银行风险管理的启示[J].时代金融，2012（6）：197—198

[3]孙继伟.我国商业银行风险评价指标体系研究[D].复旦大学经济学院，2011

[4]艾琳.对商业银行防范市场风险的探讨[J].金融理论与政策，2005（2）：71—72

[5]MJ Flannery，Market interest rates and commercial bank profitability：An empirical investigation [J]，The Journal of Finance，2012

[6]袁岗，罗良清.我国商业银行市场风险管理研究[J].江西社会科学，2010（5）：85—87

[7]刘国华.基于内部控制的我国商业银行操作风险管理研究[D].山西财经大学经济学院，2012

[8]黄志凌.商业银行市场风险管理：反思与重构[J].中国金融，2012（4）：22—24

[9]何飞平.基于随机波动率的风险价值计算[J]. 统计与决策，2007（3）：143

[10]封福育.我国沪深股市量价关系实证分析—基于分位数回归估计[J]. 商业经济与管理，2008（6）：75—79

[11]邰莹莹.我国上市商业银行市场风险测度新视角一基于CAPM的启示[J]. 西南金融，2011（4）：61—62

[12]米歇尔克劳伊，丹加莱，罗伯特马克. 风险管理精要[M].北京：中国财经经济出版社，2009

[13]吴欣彦.我国商业银行市场风险计量研究[D].山西：山西财经大学，2010

（赵永立，1993年生，江苏张家港人，苏州大学东吴商学院金融专业。研究方向：金融学）endprint

2、样本数据分析

（1）ADF检验

用单位根的方法对时间序列的平稳性进行检验，平稳性检验结果如表1：

由检验结果可知：在三个显著性水平下，单位根存在的零假设均被拒绝，即表明了SHIBOR对数日收益率序列是平稳的。

（2）VaR检验

由表2可得滞后阶数为3阶，接下来，通过检验单位根来考察模型的稳定性，见图1：

由图1可见，所有的特征根都落在单位圆内，即都小于1，表明该VAR模型的结构稳定，因此可以对其进行格兰杰因果关系检验、脉冲响应函数分析和方差分解。

（3）格兰杰因果关系检验

为了能进一步确定变量之间的相互关系，下面进行格兰杰因果关系检验，结果如表3：

由表3可得以下结论：

（1）隔夜SHIBOR与一个月SHIBOR互为格兰杰因果关系；

（2）在95%置信度下，隔夜SHIBOR利率和一个月SHVIBOR利率与上证指数并无格兰杰因果关系；

（3）上证指数与一个月SHIBOR互为格兰杰因果关系，但与隔夜SHIBOR没有格兰杰因果关系，也就是说上证指数的变动能够引导一个月SHIBOR利率，或者说一个月SHIBOR利率能够反应上证指数的变化，但是隔夜SHIBOR利率却做不到这一点。

四、结论

通过本文前面的介绍可以得出：VaR模型对我国商业银行的利率风险管理具有适用性及很好的衡量作用，虽然运用这种方法仍存在一定的限制条件。因此，建立以VaR模型为基础的利率风险管理体系具有重要的现实意义，现根据上面的分析得出如下结论：

第一，要建立与我国商业银行利率管理体系相适应的VaR模型，商业银行是一个需要实时数据作为支撑的行业，并且VaR模型需要应用大量精确有效的历史数据，因此本文选取的数据是从2012年1月起至2014年6月总共610个数据，分析得出的结果具有时效性及可参考性。相反，如果数据缺乏则会在很大程度上限制VaR模型的实际运用，且会加大应用过程中返回测试的困难，因而降低了模型的有效性；

第二，建立在我国商业银行利率风险的实际管理情况下来选择合适的置信度和持有期，结合现在我国商业银行利率风险的管理现状与文章中对VaR模型的实际应用情况，同时参考现阶段数据的缺失对风险管理的影响，建议商业银行考虑选取95%的置信水平，持有期为10个交易日来进行利率风险的管理；

第三，通过检验的结果得出，在失败率检验法下，运用历史模拟法算出的值能够经得起检验，并且该值占组合的资产的总值为0.6%，风险覆盖了达到了96.5%，VaR显著满足95%，此结果表明，当外汇头寸组合面临的市场风险满足历史数据充足的条件时，运用历史模拟法可以较好的度量商业银行的市场风险；

第四，当我国商业银行风险管理的内部控制系统是建立在VaR模型的基础上，根据我国商业银行的组织结构与特点，可以依次分层设置立体的总分行的风险管理内部控制系统。运用VaR模型对风险投资组合以及其他金融机构所面临的市场风险可能使其发生的损失进行计算，得到一个相对的估计值，该估计值可在很大程度上反映出商业银行及其他金融机构和风险投资组合所面临的市场风险，也将成为做出市场风险决策的可靠参考依据，该估计值有利于商业银行各业务部门间的信息交流，也有利于整体的统一管理。

参考文献：

[1]RM Bushman，CD Williams. A-

ccounting discretion loan loss provisioning and discipline of banks risk-taking[J]，Journal of Accounting and Economics，2011

[2]吉伦奇.巴塞尔资本协议III的八大改进及对我国商业银行风险管理的启示[J].时代金融，2012（6）：197—198

[3]孙继伟.我国商业银行风险评价指标体系研究[D].复旦大学经济学院，2011

[4]艾琳.对商业银行防范市场风险的探讨[J].金融理论与政策，2005（2）：71—72

[5]MJ Flannery，Market interest rates and commercial bank profitability：An empirical investigation [J]，The Journal of Finance，2012

[6]袁岗，罗良清.我国商业银行市场风险管理研究[J].江西社会科学，2010（5）：85—87

[7]刘国华.基于内部控制的我国商业银行操作风险管理研究[D].山西财经大学经济学院，2012

[8]黄志凌.商业银行市场风险管理：反思与重构[J].中国金融，2012（4）：22—24

[9]何飞平.基于随机波动率的风险价值计算[J]. 统计与决策，2007（3）：143

[10]封福育.我国沪深股市量价关系实证分析—基于分位数回归估计[J]. 商业经济与管理，2008（6）：75—79

[11]邰莹莹.我国上市商业银行市场风险测度新视角一基于CAPM的启示[J]. 西南金融，2011（4）：61—62

[12]米歇尔克劳伊，丹加莱，罗伯特马克. 风险管理精要[M].北京：中国财经经济出版社，2009

[13]吴欣彦.我国商业银行市场风险计量研究[D].山西：山西财经大学，2010

（赵永立，1993年生，江苏张家港人，苏州大学东吴商学院金融专业。研究方向：金融学）endprint

2、样本数据分析

（1）ADF检验

用单位根的方法对时间序列的平稳性进行检验，平稳性检验结果如表1：

由检验结果可知：在三个显著性水平下，单位根存在的零假设均被拒绝，即表明了SHIBOR对数日收益率序列是平稳的。

（2）VaR检验

由表2可得滞后阶数为3阶，接下来，通过检验单位根来考察模型的稳定性，见图1：

由图1可见，所有的特征根都落在单位圆内，即都小于1，表明该VAR模型的结构稳定，因此可以对其进行格兰杰因果关系检验、脉冲响应函数分析和方差分解。

（3）格兰杰因果关系检验

为了能进一步确定变量之间的相互关系，下面进行格兰杰因果关系检验，结果如表3：

由表3可得以下结论：

（1）隔夜SHIBOR与一个月SHIBOR互为格兰杰因果关系；

（2）在95%置信度下，隔夜SHIBOR利率和一个月SHVIBOR利率与上证指数并无格兰杰因果关系；

（3）上证指数与一个月SHIBOR互为格兰杰因果关系，但与隔夜SHIBOR没有格兰杰因果关系，也就是说上证指数的变动能够引导一个月SHIBOR利率，或者说一个月SHIBOR利率能够反应上证指数的变化，但是隔夜SHIBOR利率却做不到这一点。

四、结论

通过本文前面的介绍可以得出：VaR模型对我国商业银行的利率风险管理具有适用性及很好的衡量作用，虽然运用这种方法仍存在一定的限制条件。因此，建立以VaR模型为基础的利率风险管理体系具有重要的现实意义，现根据上面的分析得出如下结论：

第一，要建立与我国商业银行利率管理体系相适应的VaR模型，商业银行是一个需要实时数据作为支撑的行业，并且VaR模型需要应用大量精确有效的历史数据，因此本文选取的数据是从2012年1月起至2014年6月总共610个数据，分析得出的结果具有时效性及可参考性。相反，如果数据缺乏则会在很大程度上限制VaR模型的实际运用，且会加大应用过程中返回测试的困难，因而降低了模型的有效性；

第二，建立在我国商业银行利率风险的实际管理情况下来选择合适的置信度和持有期，结合现在我国商业银行利率风险的管理现状与文章中对VaR模型的实际应用情况，同时参考现阶段数据的缺失对风险管理的影响，建议商业银行考虑选取95%的置信水平，持有期为10个交易日来进行利率风险的管理；

第三，通过检验的结果得出，在失败率检验法下，运用历史模拟法算出的值能够经得起检验，并且该值占组合的资产的总值为0.6%，风险覆盖了达到了96.5%，VaR显著满足95%，此结果表明，当外汇头寸组合面临的市场风险满足历史数据充足的条件时，运用历史模拟法可以较好的度量商业银行的市场风险；

第四，当我国商业银行风险管理的内部控制系统是建立在VaR模型的基础上，根据我国商业银行的组织结构与特点，可以依次分层设置立体的总分行的风险管理内部控制系统。运用VaR模型对风险投资组合以及其他金融机构所面临的市场风险可能使其发生的损失进行计算，得到一个相对的估计值，该估计值可在很大程度上反映出商业银行及其他金融机构和风险投资组合所面临的市场风险，也将成为做出市场风险决策的可靠参考依据，该估计值有利于商业银行各业务部门间的信息交流，也有利于整体的统一管理。

参考文献：

[1]RM Bushman，CD Williams. A-

ccounting discretion loan loss provisioning and discipline of banks risk-taking[J]，Journal of Accounting and Economics，2011

[2]吉伦奇.巴塞尔资本协议III的八大改进及对我国商业银行风险管理的启示[J].时代金融，2012（6）：197—198

[3]孙继伟.我国商业银行风险评价指标体系研究[D].复旦大学经济学院，2011

[4]艾琳.对商业银行防范市场风险的探讨[J].金融理论与政策，2005（2）：71—72

[5]MJ Flannery，Market interest rates and commercial bank profitability：An empirical investigation [J]，The Journal of Finance，2012

[6]袁岗，罗良清.我国商业银行市场风险管理研究[J].江西社会科学，2010（5）：85—87

[7]刘国华.基于内部控制的我国商业银行操作风险管理研究[D].山西财经大学经济学院，2012

[8]黄志凌.商业银行市场风险管理：反思与重构[J].中国金融，2012（4）：22—24

[9]何飞平.基于随机波动率的风险价值计算[J]. 统计与决策，2007（3）：143

[10]封福育.我国沪深股市量价关系实证分析—基于分位数回归估计[J]. 商业经济与管理，2008（6）：75—79

[11]邰莹莹.我国上市商业银行市场风险测度新视角一基于CAPM的启示[J]. 西南金融，2011（4）：61—62

[12]米歇尔克劳伊，丹加莱，罗伯特马克. 风险管理精要[M].北京：中国财经经济出版社，2009

[13]吴欣彦.我国商业银行市场风险计量研究[D].山西：山西财经大学，2010