VAR模型金融风险管理

VAR模型金融风险管理（精选十篇）

VAR模型金融风险管理 篇1

一、VAR模型的概念

VAR是Value at Risk的缩写, 它是在近几年才流行起来的一种量化的风险测量技术, 被译为风险价值或在险价值。其定义为:在资产组合既定的条件下, 未来任一金融工具和品种的价格波动可能存在的潜在最大损失。另一权威的定义为:给定一个置信区间, 在这个区间内一个持有期的最坏的预期损失。从定义可以看出, VAR值有两个优点:第一, 它可以把各金融工具、各种资产组合以及各个机构的市场风险量化为具体的数字加以比较, 这样管理者就能根据这个数值的大小来判断目前所受的市场风险的大小;第二, 有了这个指标数值之后, 管理者就不可能拿自己不了解风险的大小当作自己的挡箭牌。监管部门也可利用这个数值来使金融市场进一步透明化, 提高金融市场的稳定性。

二、VAR模型计算方法

一般来说, VAR的计算方法可分为三种, 主要是历史模拟法、蒙特卡罗模拟法以及方差-协方差法。

(一) 历史模拟法

这种方法的基本思路是通过某种金融工具或者某一组合在过去某段时间内的收益数据的分布规律来确定未来在持有期内这种金融工具或者该种组合的平均收益以及它在所给置信区间内的最低收益来推算出VAR的值。

(二) 蒙特卡罗模拟法

这种方法的基本思路是要多次反复地模拟某种金融工具或者某种组合的随机过程, 其中每次模拟都能得到关于该金融工具或者该种组合在相应的持有期内的一个数值, 大量的模拟所产生的数值形成的分布将会收敛于价值的真实分布, 这样就能接近该金融工具或者该种组合的真实数值, 从而估计出其在置信区间内的VAR值。

(三) 方差-协方差法

这种方法也是利用历史资料来计算金融工具的VAR值。主要是利用历史数据先计算出某种金融工具或者某种组合收益的方差、标准差以及协方差, 再利用正态分布原理计算出在置信区间各数值偏离均值程度的临界数值, 最后得到VAR值的一种方法。

三、VAR模型在风险管理中的具体应用

VAR模型的应用较广泛, 主要应用于市场风险管理、信用风险管理、流动性风险管理以及金融监管等几个方面。

(一) 市场风险管理方面

早在1993年外国就有人建议用VAR模型来衡量金融市场风险, 如今已经有超过千家的银行、保险等金融机构以及一些非金融机构将这种方法作为市场风险管理的主要手段。利用这种方法来控制金融风险可以使各交易主体能明确他们在交易时存在的风险的大小, 并为每种交易设置相应的VAR限额, 避免过度投机行为的发生。如果执行的标准较严格的话, 那些金融交易中的重大损失可能就不会再发生, 这对整个金融业以及整体经济的发展具有重要意义。

(二) 信用风险管理方面

最近几年, VAR模型在信用风险管理方面得到广泛应用。在1997年JP.Morgan就首先推出了信用风险的计量模型, 在同一年瑞士信贷银行又推出另类量化的信用风险模型, 这些都对金融界产生较大影响。除此之外还有一些其他的模型。尽管有的模型并没发挥实质性的作用, 但基于VAR方法的现代信用风险管理体系正在发挥着越来越大的作用。

(三) 流动风险管理方面

传统的VAR模型对流动性风险的考虑不是很多, 为了能够充分反映流动性风险, 很多人从各个角度对VAR模型进行了改进。Hisata和Yama创立L-VAR模型, 考虑到市场的流动水平以及投资者的头寸大小对价值的影响将市场机制引入到了模型当中。我国的学者宋逢明和谭慧根据我们国家的股票市场特点建立测量流动性风险的新VAR模型, 用它来测定我国的股票价格风险和流动风险。随着各国对VAR模型研究的深入, 它将会在流动风险管理中国发挥更大的作用。

(四) 金融监管方面

除了应用于以上几个方面之外, VAR模型还在金融监管方面发挥着重要作用。VAR模型的风险值是用绝对值来表示的, 比较明确。VAR的这种数值表示有利于我国银行内外的监督管理, 各个银行能够根据自己的资本金或者所能承受的风险大小来定量地给各银行及分支机构分配风险额度, 各机构也能根据VAR模型及时了解自己的市场风险值, 以便于风险值超过相应额度时以及地进行调整。

摘要：随着金融风险市场的进一步开放, 传统的风险控制方法已经不能应对现在金融市场中的各种风险。VAR模型作为一种定量地测量金融风险的前沿技术, 近年来得到了金融界的认可并得到了广泛的应用。本文首先介绍了VAR的概念和计算方法, 然后阐述了它在金融风险管理中的具体应用。

关键词：VAR,模型,金融风险,风险管理

参考文献

[1]胡静.VaR模型在金融机构风险度量中的应用[J].科技创业月刊, 2010 (01) ) .

[2]梁东皓, 李树良.议VaR模型在银行信用风险管理中的应用[J].内蒙古金融研究, 2010 (02) .

VAR模型金融风险管理 篇2

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模型金融风险管理 篇3

关键词：工业化；城镇化；金融发展；VAR模型；广饶案例

一、引言

城镇化是指随着一个国家或地区经济发展，伴随产业结构的调整升级、劳动力就业结构的变迁，农村人口不断向城镇转移，生活方式逐渐向城市靠拢，第二、三产业不断向城镇聚集，从而使城镇数量增加、规模扩大的一种历史过程。城镇化过程是各个国家在实现工业化、现代化过程中社会变迁的一种反映。同时城镇化也是经济增长的重要推动力。我国改革开放以来经济的飞速发展来源于两大引擎：工业化和城镇化。在我国，城镇化是由工业化引致的，属于引致性城镇化。但是随着我国工业化战略的实施完成，城镇化的源动力越来越弱，于是理论界、实务界将城镇化单独作为一命题进行设计考虑，其中完善农村金融体系，发挥金融在城镇化中的资源配置功能是当前主流思想之一。

本文摒弃单独研究金融与工业化或工业化与城镇化关系的传统做法，从金融发展、工业化与城镇化的动态均衡角度出发，将三者同时纳入模型，对其因果关系进行研究。本文选取山东省广饶县为案例，建立向量自回归模型(VAR)，对其1999年以来的工业化、城镇化、金融发展进行实证分析，同时结合广饶县工业化、城镇化和金融发展的经验历程，从中找出有效促进三者结合的经验规律，最后提出相应的政策建议。

二、广饶县工业化、城镇化和金融发展的演进过程

广饶县位于东营市南部，全县辖9个乡镇，人口50万，面积1138平方公里。2011年，全县实现生产总值538.72亿元，地方财政收入38.95亿元，农民人均纯收入10517元，城镇居民人均可支配收入24425元。目前居全国综合实力百强县第65位、全国最具投资潜力百强县第11位，连续多年入围全国最具区域带动力百强县。改革开放以来，广饶县依托本地资源禀赋条件，开创了一条以优化金融生态环境为基础，以工业化为主导，农业现代化、农村城镇化的发展道路。其中广饶县城镇化道路中的“城镇辐射-农村突围”模式具有重要的借鉴意义。该模式否定了传统观念中以牺牲农业、农村、农民发展为代价的必然性，走出了一条金融助力工业化、工业化助推城镇化、城镇化诱致金融体系变迁的广饶模式。

（一）金融生态环境优化，助力工业化战略实施

上个世纪90年代广饶县大王镇部分中小企业因市场波动及经营原因纷纷倒闭，银行信贷资产质量明显恶化，为维护企业信用，新成立的大王集团挺身而出，宣布倒闭企业的银行贷款全部由集团代偿。偶然性的危机造就了广饶人的信用意识，也使当地政府意识到了金融生态环境优化的重要性。90年代，广饶县仍以农业为主，于是当地政府决定从农村开始建设金融生态环境，1999年下半年，在广饶县人行引导下，农村贷款证被推广，当年共发放农户贷款证30394本，以贷款证形式发放农贷37907万元，贷款收回率100%。2000年，广饶县率先在全省开展了以争创“信用户、信用村、信用乡镇”为内容的“金融信用县”创建活动。截止2011年底，全县评定文明信用村426个、信用户93286户、信用企业96个、信用工商户706个，文明信用乡镇9个。为维护持续优化的金融生态环境，广饶县先后制定了《中小企业信用评级办法》、《不良金融信用信息披露制度》，开通了金融公共网络信息平台，同时严厉打击金融违规、信贷违约等现象，实现了广饶县金融生态环境的制度化、持续化。随着金融生态环境的不断优化，使广饶县竞争力和资金“洼地效应”不断增强。自2001年开始，各项贷款余额一直大于存款余额。

随着金融生态环境的持续优化，广饶县工业化战略迅速实施，三次产业结构由1999年的26.8：41.1：32.2调整为2011年的6.6：71.6：21.8。截至目前，广饶县造纸、橡胶轮胎、机电及汽车配件、化工、纺织、农产品加工等6大特色主导产业体系逐步完善，具备年加工机制纸270万吨、油品1470万吨、子午胎5800万套、制动配件5800万套、纺织180万纱锭的能力。成为全国重要的橡胶子午胎生产基地、全国橡胶轮胎出口基地，全国最大的摩擦材料研发制造基地、世界单厂规模最大的新闻纸生产基地。其中：工业集群效应凸显，规模以上工业企业由2005年的94家发展到256家，主营业务收入过亿元的企业由29家发展到155家，4家企业入闱中国企业500强、9家企业进入中国制造业500强，农业产业化进程加快，市级以上重点龙头企业达到43家，农民合作经济组织发展到217家，带动建设优质标准化生产基地70万亩、渔业养殖面积20万亩、规模化畜牧养殖场区295处，农业综合效益进一步提高。

（二）工业化战略实施，助推城镇化建设

随着广饶县工业化战略的实施，农村工业、农业产业化的发展以及农村传统社区的变革，对工业、农业、乡村建设的空间布局提出了新的要求，促使城镇规划、建设以及功能分区更趋于合理。进入20世纪90年代，广饶县乡镇企业进入迅猛发展阶段，随着企业的不断发展与壮大，先后组建了华泰集团、信义集团、金宇集团、科达集团、金岭集团等大型企业集团。为改变乡村工业的分散状况，解决企业布局分散、公用设施浪费和污染防治问题，同时为了提高土地利用率、扩大企业规模、形成规模效应和集群效应，广饶县积极实施“工业向园区集中”战略，各企业集中连片，规模效应逐渐显现，同时也扩大了城镇规模，带动了小城镇发展。工业向園区集中既满足了城镇功能分区用地，又加快了企业发展。同时，农村经济内部的发展对相关配套设施的要求也在加强，加速了农村产业结构的变革，尤其是第三产业的蓬勃兴起，更加推进了乡村城镇化的建设。

随着城镇工业化的延伸、乡镇企业的外延突围，广饶县城镇化建设成效显著。近年来，累计投资4000余万元，编制完成了20余项城市总体规划、专业规划和详细规划、22项乡镇详细规划、372个村庄建设规划，县城区详规覆盖率达到100%，建制镇详规覆盖率达到100%，其他小城镇均达到80%以上。一是加快中心城区建设。把中心城开发建设作为城镇化发展的“龙头”，按照“东接、北连、西延、南展”的城市发展思路，着重集聚和提升行政、商务、居住、文化和休闲娱乐五大功能，县中心城区建成区面积由12.5平方公里扩大到28平方公里；二是加快农民集中居住工程。自城镇化战略实施以来，全县规划建设农村新型社区57个，其中农村社区42个、城市社区15个，撤并村496个，规划总住宅户数11270户，总建筑面积153.92万平方米，总投资计22.45亿元。共需改造村（社区）20个，搬迁居民3351户，拆迁房屋总建筑面积91万平方米，腾空土地2238.85亩；三是加快城乡基础设施建设。加快建设城乡交通网络，柏油路实现了镇镇通、村村通，城乡客运班线村庄覆盖率达到98%，城镇集中供气率、供暖率分别达到70%和95%，城区污水集中处理率达95%，城乡通电率、广电覆盖率达到100%，网络覆盖率达到60%;城镇化率由1999年的31.35%提高至2011年的45.23%。

（三）城镇化诱致金融体系变迁

广饶县城镇化是伴随着工业化推进的，其金融体系也是伴随着工业化逐步发展的，其变迁路径完全悖于通过政策性金融扶持、新型金融机构外部移植来完善农村金融体系的传统理念。广饶县金融机构对三农的支持完全内生于市场经济竞争之中。在东营市，广饶县形成了鲜明的资金洼地效应，而在广饶县，乡镇企业的突飞猛进导致资金大量回流乡镇、农村，又形成了明显的乡镇资金洼地。1999年乡镇企业贷款占全县贷款不足30%，2011年乡镇企业吸收贷款占比90%以上。镇、村级金融从业人员占全县金融从业人数的比重由1999年的47.41%上升到2011年的55.81%，镇、村级银行从业人员占全县银行从业人数的比重由1999年的57.49%上升到2011年的68.09%，镇、村级银行网点占全县银行网点的比重由1999年的47.87%上升到2011年的67.68%。

三、研究变量选取、相关数据说明及实证分析

广饶县城镇化道路的历程说明了工业化、城镇化和金融发展三者之间的相互联系。从时间序列上，金融发展、工业做强、城镇建设有着先后顺序，接下来本文对广饶县工业化、城镇化、金融发展的关系进行实证分析，通过协整分析检验三者数据之间的稳定性、格兰杰关系因果检验工业化、城镇化和金融发展之间的因果关系。

（一）变量选取及数据说明

1、城镇化指标（CZ）。大多文献中采用城镇就业人员与全部就业人员的比重来衡量一个区域或国家的城镇化程度。但是实践中，随着工业化的深入，很多农民脱离农业进程务工或就地转变为农业工人，同时广饶县城镇化的主要特点就是村镇内生性城镇化，农业工人不但数量庞大而且就业稳定，截至2011年年末，农业工人已达到15.56万人。本文在对城镇化指标设计中将该部分人口纳入分子之中。

CZ=（城镇人口+农业工人）/全部人口

2、工业化指标（GY）。工业化过程一般伴随着第一产业占比下降，第二、三产业比重上升。本文采用传统的第二、三产业的增加值之和与GDP相比进行衡量。

GY=（第二产业增加值+第三产业增加值）/GDP

3、金融发展指标（FIR）。鉴于县域经济中直接融资规模小、资本市场不完善等特点，本文采用金融相关比率，即存贷款余额与GDP的比值来衡量金融发展情况。

FIR=（金融机构年末存款额+金融机构年末贷款额）/GDP

本文选取了广饶县1999年到2011年的年度数据，共13个样本点。为消除异方差问题，同时保证时间系列的性质，对CZ、GY和FIR取自然对数，LNCZ、LNGY、LNFIR。

（二）基于Eviews5.0的实证检验

1、单位根检验

从数据上看，广饶县工业化、城镇化和金融发展各项指标的趋势是一致的，为排除因为单位根的存在导致伪回归的出现，本文先对各项指标进行ADF单位根检验，对数据进行平稳性检验。使用Eviews5.0检验的结果见表1。

注:(1)检验形式(c，t， p)，c为常数项，t为趋势项，p为滞后期;(2)滞后期p的选择标准是以AIC和SC值最小为准则;(3)D为变量系列的一阶差分;(4)*(**，***)表示在1%(5%，10%)的显著水平上拒绝有单位根的原假设。

由表1可知：各变量原始系列的ADF值在显著性水平为5%时都不显著，证实这些系列都存在单位根；但是所有系列的一阶差分系列的ADF值都在5%的显著性水平下拒绝了存在单位根的原假设。协整检验、格兰杰因果分析可以进行。

2、协整检验

根据恩格尔(Engle)、格兰杰(Granger)于1987年提出的协整理论，单整阶数相同的非平稳变量之间的线性组合可能是平稳变量，下面使用基于回归系数的约翰逊(Johansen)协整检验方法对多元变量进行协整检验。协整检验首先需要确定合理的协整整滞后阶数，考虑到模型的参数及自由度数目，最终确定最优滞后阶数取0。在此基础上我们通过建立最大特征值似然比统计量与似然率统计量确定多元变量之间的协整关系。检验结果证实，在5%的显著性水平上，城镇化、工业化及金融发展二个变量之间存在一个协整关系，表明各变量之问存在长期稳定的均衡关系。

注:*表示在5%的显著水平上拒绝零假设。

3、格兰杰因果关系分析

以上协整关系只能说明城镇化、工业化及金融发展三者之间存在显著的相关关系，但不表明它们一定具有确切的经济含义，是否构成因果关系还需进一步验证。本文采用格兰杰(Granher)因果检验方法检验各变量之问的因果关系。

（三）实证分析

1、广饶县工业化是城镇化的格兰杰原因，而城镇化不是工业化的格兰杰原因。回顾广饶县工业化、城镇化过程，工业化通过提升经济实力、改变农民就业机构，进而助推了城镇化，而城镇化通过农民集中居住工程空置出土地进而又促进了工业化。由于实证分析中没有将土地因素专门纳入，所以此项实证分析和实践有所背离。

2、金融发展是城镇化与工业化的格兰杰原因，而城镇化不是金融发展的格兰杰原因。即金融发展一方面促进了工业的发展，另一方面也对城镇化水平提高产生了明显影响。如果金融发展是经济内生的一部分，借助帕加诺( Pagano，1993)的内生经济增民模型，我们发现金融发展既可以使更高比例的储蓄转化为投资，又可以使稀缺的金融资源配置到资本边际产出最高的项目中，最終促使工业增长，带动城镇发展。

3、工业化是金融发展的格兰杰原因。金融在初期促进了工业化的实施，当工业发展到一定阶段，金融的发展将依托工业产业链条的延伸而进一步得到发展。广饶县金融资源向村镇的集聚有效说明了此点。

四、结论与启示

VAR模型在金融风险管理中的应用 篇4

一、VAR模型产生的背景

这种模型也被称为风险价值, 是国外学者经过不断的研究提出的一种风险量化技术, 具体来说, 就是在为了的一段时间内, 给定条件下金融工具或者是品种的市场价格的损失程度。从其含义中可以看出, 未来的一段时间以及给定条件是两个客观的因素, 要严格按照这些因素来进行风险价值的判定。

这种模型在运行的过程中, 需要按照统计学的相关原理来进行, 和传统的风险价值测量的手段之间存在着严重的差异。其中, 资产组合价值是风险价值得以形成的基础。VAR模型是JP摩根公司最先应用的, 主要是用来对市场风险进行计量。风险管理工作人员利用这种模型来对不同的交易和业务部门所面临的市场风险进行测量。然后将这种模型应用到金融风险管理工作中也同样奏效。

这种模型集经济学和数学的基本内容为一体, 使得风险量化成为可能。经济学和数学学科之间存在着密切的关系, 而且数学在经济学的领域中应用的范围相对较广。VAR模型就是典型的例子。另外, 计算机技术的不断发展, 促进了VAR模型的利用, 人们可以方便地计算出具体的风险数值。

二、VAR模型的基本内容

从这种模型运行的过程中可以看出, 其基本内容可以表现在两个方面:第一, 将金融工具以及资产等进行组合, 将风险具体化为可以相互比较的两个数字, 因此, 可以清晰明了地对市场的风险进行明确。第二, 这一模型可以加强监管部门对市场风险的重视, 为金融市场发展的稳定性和透明性奠定了基础。通常情况下, 对VAR模型进行计算可以充分考虑到三个因素, 置信区间、持有期以及资产价格的分布特征等等。在对置信区间以及持有期进行选择的过程中, 需要严格地按照金融决策者的风险偏好来进行。这三种因素中, 最重要的就是资产价格的分布特征。所以, 需要考虑到资产组合的价值、收益率以及最低回报率等等。

1、对VAR值进行判定, 采用方差—协方差法是较为常见的, 基本思路就是首先利用相关的数据资料来对资产组合收益的方差和协方差进行计算, 然后根据收益值来判定偏离均值的临界值。最后, 将风险损失因素融入到其中, 进而计算出VAR的数值。

2、历史模拟法就是根据一定时期内的市场因子的变化来推测未来市场因子的变化趋势。在估算的过程中要对市场未来因子的头寸进行估值, 然后计算出损益, 并且按照一定的排列方式来进行排列, 得到分布趋势, 将分位值作为依据, 得出VAR值。市场因素对于金融资产的影响程度相对较大, 要明确资产的价值和市场因素之间关系之所在, 然后对市场营销因素的改变量以及资产的盈亏情况进行计算。

3、蒙特卡罗模拟法是人们较为常见的模拟法, 要在数据分析之前建立相应的概率模型和相应的随机过程, 寻找其参数值和解之间的关系, 通过对模型进行观察, 找到参数的统计特征, 给出一个近似值。具体来说, 需要按照以下几个步骤来进行:

第一, 要对每一个可能出现的市场因素进行概率分析。第二, 计算出每一种参数的估计值, 然后明确其与市场因素之间的关系, 同样计算出估计值。第三, 利用蒙特卡罗模拟法和VAR模型所有的时间要求来计算模拟变化值。

三、VAR模型的应用

现如今, 这种模型在金融风险管理工作中的应用范围逐渐增大, 为了顺应金融行业发展的需要, 这种模型也在不断进行模式的改进, 无论是市场风险还是信用风险都可以进行研究和规避。另外, VAR模型还和LPM以及ULPM相结合, 为金融业控制风险提出了一定的决策。利用VAR模型可以有效地对金融市场风险进行掌握, 在此过程中, 不需要技术人员具备专业的金融知识, 就可以实现对风险数值的把握。同时这种模型对于银行风险质量的提高以及风险的管理的高效性都起到一定的促进作用。模型的应用情况主要表现在以下几个方面:

1、VAR模型在市场风险管理中的应用

早在1993年, 用VAR模型作为衡量风险的重要手段的观点就已经提出, 同时还在银行的工作中得到了有效地应用。两年之后, 美国某交易委员会也将这种模型作为披露信息的方式。现如今, 多个金融组织机构, 包括银行、保险公司以及投资机构等都纷纷采用这种方式来进行风险管理。进行风险的控制可以对风险的交易数量和规模加强了解, 同时可以设置相应的权限。在此过程中, 不会出现投机倒把或者是交易失衡的问题。如果这种VAR模型应用更严格就会避免出现金融行业的亏损。另外, 金融风险的评估和管理工作对于社会发展的意义重大, 不仅可以全面地了解市场的运行, 更能够提供准确的数据信息, 实现金融企业管理的合理化, 促进经营目标的实现。

2、VAR模型在信用风险管理中的应用

新用风险的管理业应用了这种模型, 并且取得了质的突破。随着第一个测量信息风险模型的退出, 不同的信用风险量化的模型不断出现, 在金融领域引起了较大的反响。从未来信用风险管理工作的趋势上来看, 采用VAR模型来进行风险的量化是一种普遍的趋势。其中比较有代表性的公司有麦肯锡、KMV公司等等。对于VAR模型的运用不仅取得了一定的效果, 同时还给其他的公司提供了一定的借鉴和参考。

3、VAR模型在流动性风险管理中的应用

在VAR模型得到广泛应用的一段时间内, 在流动性风险的管理方面还没有得到应用。为了对这一模型进行优化, 使其不仅能够反映市场的风险数值, 还能够对流动性的风险模型进行反应。学者们加强了研究的力度, 从不同的角度来审视VAR模型, 并且在此基础上做了一定量的拓展。早在2000年。学者们就已经提出了L-VAR模型, 通过对市场的流动性以及投资者的交易等因素进行分析, 把市场影响机制引入Va R模型中。有学者结合中国股票市场的实际特点, 建立了一个对流动性风险进行调整的Va R模型, 用以度量中国股票的价格风险和流动性风险。随着对Va R模型研究的不断深入, 必将在流动性风险管理中有更广泛的应用。

4、Va R模型在金融监管中的应用

1995年4月, 巴塞尔委员会公布的文件中规定:从1997年底开始, 其成员银行在设置应付风险的资本金额时, 除考虑信用风险外, 还要考虑市场风险, 在计算市场风险时, 成员银行可以采用巴塞尔委员会制定的标准计算方法, 也可以采用自己的内部Va R模型。在利用内部Va R模型计算市场风险时, 必须满足巴塞尔委员会设置的最低标准, 即至少要计算置信度为99%持有期为l O天的每HVa R值, 成员银行业可以自由决定采取更加严格的计算标准。Va R模型是银行内部管理模型, 其风险值以绝对值表示, 内容明确, 一目了然, 而不象资本金准备率那样用百分数表示。Va R风险管理方式有益于我国银行内外的监督管理, 各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银行及分支机构风险额度, 根据Va R模型可随时知道各自的市场风险值, 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。当上级部门或监管部门发现问题, 可向金融机构提出, 金融机构及时调整资产组合。

四、总结

促使金融机构应用先进的控制风险技术, 使金融家们能够随心所欲地剥离各种风险, 即对各种复杂的风险进行精确的计算和配置, 将有利于我国的监管水平有较大的提高。因此, 我国的金融机构和金融监管当局非常有必要将Va R模型等风险控制技术引入我国金融风险管理将非常必要, 且具有一定的现实意义。

摘要：市场经济不断发展, 风险随处可见。对于一个企业来说, 对市场风险进行测量所采用的方法就是Va R模型, 可以对不同的交易以及业务进行测量, 并且将所测的风险转化成一个具体的数值。在实际的工作中, 计算Va R数值的方法主要有三种, 方差—协方差法、历史模拟以及蒙特卡罗模拟法三种。这种模型在形成的初始状态时主要针对的是市场风险, 但是现如今在金融领域已经得到了广泛的应用, 尤其是在流动性风险管理和金融监管等方面表现的较为突出。本文就对Va R模型在金融风险管理工作中的应用情况进行深入分析, 仅供参考。

关键词：VAR模型,金融风险,风险管理

参考文献

[1]张顺.科技投入与经济增长动态关系研究[J].商业研究.2006 (13)

[2]柏伟巍.基于Va R模型下的住房抵押贷款风险管理[J].中国商界 (下半月) .2008 (06)

[3]岳意定, 刘佳.我国股票市场对经济增长影响的实证研究[J].金融经济.2008 (22)

VAR模型金融风险管理 篇5

【关键词】GARCH模型 VaR 行业指数 市场风险

一、引言

证券市场的风险来自于证券价格的波动，如何准确地刻画证券市场的风险成为各投资者所关注的焦点。20世纪50年代以前，风险的度量主要集中在主观的判断上。自1952年Markowitz提出了证券组合投资的均值-方差模型以来，标志着现代证券投资理论的开始。该理论以期望收益率度量投资收益，以收益率方差衡量风险。而用期望收益率来度量投资收益逐渐被后来的研究者所接受，但以收益率的方差来作为计量风险的指标，则受到越来越多的质疑。主要有：方差计量风险要求证券市场是有效的，投资者的信息是对称的；证券的投资收益率要服从正态分布；投资者具有二项式的效用函数等。但根据Farma（1963）、Turuer与Weigel（1990）等的研究发现上述的假设前提难以得到满足。因此为了克服方差计量风险的不足，Markowitz提出了下方风险的概念，即实现的收益率低于期望的收益率的风险，并用半方差来计量风险，但由于半方差统计量计算的复杂性超出了概念上的适用性，因此在实际计量风险时，难以得到广泛的应用。

VaR是1993年国际性民间研究机构30人小组在《衍生产品的实践和规则》研究报告中提出的用于计量市场风险的模型。该模型提出以后，在巴塞尔银行监管委员会和国际证券委员会的推动下得到了广泛的应用。模型按照随机变量的特征，通过随机变量的概率分布来刻画风险，它是指在某一给定的置信水平下，资产组合在未来特定的一段时间内可能遭受的最大损失。要准确地度量VaR与资产收益的概率分布及波动性有关，国内外大量的研究表明，资产收益具有波动的聚集性和分布的尖峰厚尾性。因此针对资产收益的这一特性，采用GARCH模型来刻画波动的聚集性，用t分布和广义误差分布（GED）来拟合收益率的厚尾特征。为此，文章从资产收益的波动性与分布出发，建立了VaR-GARCH模型，利用该模型来研究深市行业指数的市场风险度量问题。

二、理论阐述

1、VaR模型

由此可见在标准的GARCH模型中将收益率yt假设为正态分布。但实际上收益率分布通常呈现有偏、尖峰和厚尾现象，因此通常的正态性假设难以得到满足。基于这一点考虑，为了更准确地描述深市各行业的市场风险状况，在此分别引入了能较好反映收益率分布尖峰、厚尾特性的t分布和广义误差分布（Generalized Error Distribution，GED）来代替正态分布假设。

三、数据描述及参数估计

1、数据的选取

为了贯彻中国证监会《上市公司行业分类指引》，反映各行业股票价格综合走势，深圳证券交易所决定从2001年7月2日起开始编制行业分类指数。因此研究所选取的数据期间为从2001年7月2日至2007年4月17日，每一行业指数的收盘日数据个数为1398个。数据来自于深圳市国泰安信息技术有限公司及同花顺股票分析软件。把行业指数收益率序列rt定义为rt=100×ln（Pt /Pt-1），Pt为第t日指数的收盘价格。

2、数据的分析

（1）数据的统计描述。对行业指数收益率进行统计上的分析得出，除农林和传播收益率分布具有左偏外，其他行业收益率均具有右偏特性，其中偏度最大的是金融指数收益率，最小的为综企指数收益率。所有收益率分布的峰度均大于3，又JB正态性检验统计量远大于临界值5.992，从而拒绝了收益率正态分布的原假设。由此可以得出深市各行业指数收益率的分布具有尖峰厚尾的特性。

（2）平稳性及异方差检验。如果一个时间序列有单位根，则该时间序列为随机游走，而随机游走是非平稳时间序列的特例。因此为了建立ARCH模型，首先要对行业指数收益率序列进行平稳性检验，其结果表明ADF统计量在1%的显著性水平下，深市行业指数收益率序列都拒绝随机游走的假设，也就是说这些收益率序列都为平稳的时间序列。为了分析收益率序列是否具有显著的异方差特性，采用ARCH-LM检验来进行测试。检验结果表明，拉格朗日乘数的P值均小于临界值1％。由此可以得出，可在1％的显著性水平下拒绝了原假设，收益率序列存在着很显著的ARCH效应。

3、模型的建立及检验

（1）GARCH模型的参数估计。采用此模型来刻画收益率的时变方差，分别对收益率在3种不同分布的假设下建立模型。由AIC准则，采用GARCH（1，1）模型，以极大似然估计法（MLE）来估计模型的参数。结果表明行业指数收益率在3种不同分布的假设下建立的GARCH模型的参数都是显著的，具有较大的极大似然函数值也反映了它们具有较好的精确度。

（2）VaR的计算。由以上建立的GARCH（1，1）模型，可以计算出在3种不同分布下的时变条件方差。并根据3种不同分布假设下分别在95％和99％置信水平下计算出下分位数，其中t分布和GED分布的下分位数通过Matlab的数值积分程序得到。为了计算上的方便，在此把初始值V0标准化为1。通过式（2）来计算VaR。

（3）VaR模型的检验。为了检验VaR模型在计量市场风险的有效性，需要检验模型的测量结果对实际损失的覆盖程度，在此采用失败频率检验法。该检验方法假定计算VaR的置信度为c，样本实际考察的天数为T，样本中投资组合损失值大于VaR的天数总和为N，失败率为P（N/T）。零假设为P=P?鄢，其中P?鄢=1-c，这样对VaR模型准确性的评估转化为检验失败的频率P是否显著异于P?鄢。假设VaR估计具有时间独立性，失败出现的天数可以看作为一系列独立的贝努里试验。基于以上的分析和假定下，Kupiec对零假设提出了极大似然比检验：LR=2ln[（1-N/T）T-M（N/T）N]-2ln(1-P?鄢）Ｔ-Ｎ（P?鄢）N] （10）

在零假设成立的条件下，统计量LR~x2（1）。

根据Kupiec极大似然比统计量，分别在置信水平为95％和99％的情况下，对各行业VaR估计进行检验，从检验结果可以得出在收益率分布为GED的假定下，模型在置信水平分别为95％和99％的情况下，都通过了Kupiec极大似然比检验。而在t分布的假定下，VaR模型都难以准确地反映各行业的市场风险，表现出失败率难以通过检验。在正态分布假定下，各行业在95％的置信水平下都可以采用VaR模型来度量市场风险，但在99％的置信水平下模型的度量准确性则明显下降，这也进一步说明了收益率分布的厚尾现象。从失败率与左尾概率的比较看，收益率在正态分布与GED的假定下，VaR模型都倾向于低估了风险，但相对而言GED更能真实地反映收益率的分布特性，而在t分布的假定下，模型则严重的高估了风险，以至于难以通过极大似然比检验。

四、结论

针对时间序列具有的波动聚集、尖峰厚尾等特性，为了能较准确地刻画深市行业的市场风险。文章通过收益率序列在3种不同分布的假定下，建立了VaR-GARCH来度量深市行业的市场风险。以Kupiec极大似然比来检验在不同分布假定下所建立模型的有效性。检验结果表明，虽然t分布和GED都能较好地描述收益率的尖峰厚尾特性，但是基于GED假定下建立的VaR-GARCH模型则能较准确地度量深市各行业的市场风险，而基于t分布的风险度量模型则严重高估了市场风险。

（注：本文为仰恩大学科研基金资助项目，项目编号：YEU2007A004）

【参考文献】

[1]Artzner P、Delbaen F、Eber J：Coherent measures of risk analysis[J]，Financial Analysis Journal，1999A（1）.

[2]Jorion P.：Value at Risk[M]，2nd Edition, New York：McGraw2Hill，2001.

[3]Engle R.：Autoregressive conditional heteroscedasticity with estimates of the variance of UK inflation[J]，Econometrica，1982（50）.

[4]Bollerslev T.：Generalized autoregressive conditional het eroscedasticity[J]，Journal of Econometrics，1986（31）.

[5]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）.

[6]郭晓亭：基于GARCH模型的中国证券投资资金市场风险实证研究[J]，国际金融研究，2005（10）.

VAR模型金融风险管理 篇6

受制于经济发展, 我国金融发展理论还不健全, 主要都是借鉴国外的理论, 关于金融发展和经济增长之间关系理论研究就更少。自改革开放以来, 我国经济高速发展, 金融市场也不断健全, 20世纪末, 对于金融与经济发展关系研究如火如荼, 但更多的是从整个中国方面利用历年数据进行实证研究, 因为全国各个地区的金融发展水平不一致, 经济结构各异, 经济增长率也不一样, 以广东和上海为代表的沿海城市资本市场繁荣发展, 经济飞速发展, 而广大的中西部地区经济落后, 资本市场发展更是缓慢, 以整个中国数据进行研究缺乏有效的说服力, 不同地区应该根据本地区特点分析才能有效, 本文以云南为例进行实证分析金融发展与经济增长关系, 符合云南省情, 更具有实用性。

二、金融发展与经济增长文献综述

关于金融发展与经济增长之间的关系国外讨论由来已久, 早在1 9 1 1年, Schumpeter曾提出一国金融部门的发展尤其是良好的银行系统通过辨别并提供资金给那些最有可能成功实施创新产品和生产过程的企业家, 可以加速技术创新, 促进经济增长;1969年Goldsmith写了划时代的《金融结构与金融发展》一书, 根据对35个国家的从1860—1963年的金融结构与金融发展问题研究, 观察到金融发展和经济增长同时发展这一事实, 但是不能确定二者之间是否存在因果关系, 虽然只是粗略的探讨, 但这本书已经奠定了金融发展理论基础;麦金农认为, 发展中国家存在政府对金融活动的强制干预等金融抑制现象, 严重阻碍了经济发展, 并且在1973年写的《经济发展中的货币与资本》提出了金融深化理论, 认为发展中国家应该结束赤字货币化下高通货膨胀给经济带来的不利影响, 应该实行金融自由化, 遵守一定次序, 才能促进经济增长;1993年, Levine和King在Goldsmith的基础上运用Depth指标、Bank指标、Private指标和Privy指标表示金融发展水平, 进行回归分析, 解决了Goldsmith很多没有解决的问题, 得出金融中介发展与经济增长存在关系结论, 之后在1996年, Levine和Zervos采用工具变量法对股票市场与经济增长之间关系进行了实证研究, 1998年Levine和Zervos又通过回归模型, 扩展了Levine和King金融中介发展与经济增长有关系分析, 他们认为, 股市的流动性和银行信贷与经济增长存在正相关关系, 证券市场和金融市场发展越完善, 市场机制越健全, 经济增长将越快。

我国对金融与经济增长关系研究比较晚, 主要受制于我国经济发展水平。1999年谈儒勇通过对我国金融发展与经济增长关系的实证分析研究发现, 中国金融中介体发展和经济增长之间有显著的、很强的正相关关系, 而股票市场发展和经济增长之间有不显著的负相关关系;林毅夫和姜烨通过对我国28个省区在1985-2002年期间的银行结构、经济结构以及其他经济发展状况数据实证研究认为, 金融体系发展应该与经济发展相匹配才能有利于经济增长, 否则会阻碍发展;韩廷春把中国1978-1999年的数据分成两个阶段分析, 采用实证模型, 运用回归分析, 认为在目前中国不能盲目的进行金融深化, 金融深化与利率政策必须与经济发展过程相适应, 不应盲目追求金融发展, 还要重视金融体系的效率与质量;中国而谭艳芝和彭文平把对经济增长变量分为量 (储蓄、投资、资本积累) 和质 (投资效率、TFP) 两类, 对中国1978-2001年数据分析, 发现金融发展对量的影响为正, 对质的影响为负, 所以金融发展对经济增长影响不明显。

三、实证检验

1、指标的选取与数据来源

为了研究云南省的金融发展与经济增长之间的关系, 根据现有的通常做法和实践证明, 并且考虑到数据来源的可得性, 我们选取云南省国内生产总值 (GDP) 作为云南省的经济增长指标, 而选取金融机构的存贷款余额占云南省地区生产总值的比重 (FIR) 作为金融发展水平指标。考虑到云南省的特殊省情, 因为证券市场发展还相当低, 股票等直接融资手段相当少, 大多企业还是靠金融机构贷款间接融资手段发展经济, 所以把金融机构贷款 (LOAN) 单独列出来。就金融发展水平与经济增长指标之间关系进行实证分析。数据原始来源《云南省统计年鉴2010》, 计量分析都是利用Eviews6.0完成的。

2、单位根检验

通过利用时间序列数据, 建立起了关于金融发展与经济增长之间的回归方程, 而时间序列本身必须建立在时间序列是平稳的基础上, 否则得到的回归方程各项统计计量指标正常也没有意义, 由于时间序列数据往往存在非平稳性, 直接对几个个非平稳的时间序列进行回归, 可能出现虚假回归, 为了保证回归方程的有效性, 必须对数据进行平稳性检验。检查序列平稳性的标准方法是单位根检验, 笔者在这里采取通用的A D F检验。

3、协整检验

通过对表1可以看出, GDP、FIR、LOAN的ADF值均大于5%显著水平的临界值, 表现为非平稳性。而对GDP、FIR、LOAN分别进行一阶差分后的DGDP、DFIR、DLOAN在5%的显著性水平下都表现为稳定性。

经过单位根检验, 发现DGDP、DFIR、DLOAN是一阶单整的, 在此基础上, 为了进一步分析GDP、FIR和LOAN三个变量之间是否存在长期的均衡关系, 本文利用Johansens协整检验法进行协整关系检验。结果如表2所示。

在表2可以看出, 对于没有协整关系的零假设, 最大迹统计量37.03783大于在5%置信水平下的临界值29.79707, 所以拒绝零假设, 而其他条件下最大迹统计量都小于5%置信水平下的临界值, 因此, 在5%显著水平下, 衡量云南金融发展的2个指标FIR和LOAN与经济增长指标GDP之间只存在一个协整关系, 即在研究的数据期间这3个变量存在长期的均衡关系, 具体关系如下:

模型中括号内的数值是系数的标准误差, 云南省的金融发展与经济增长之间的长期均衡关系中FIR和LOAN的系数都为正, 说明云南省的金融发展水平和货款的规模都云南省的经济发展都有促进作用。具体关系是, FIR每变动1单位, GDP就变动536.1196单位;LOAN每变动1个单位, GDP就变动0.623475个单位。

4、Granger因果关系检验

Johansen协整检验结果证明, 云南省的金融发展与经济增长之间存在高度相关关系, 并且具有长期的稳定的均衡关系。然而协整方程只是反映各变量之间的长期稳定关系, 但并不能说明应变量与自变量之间是否构成因果关系。所以本文利用Granger因果关系检验进行检验, 如表3:

由表3可知, Granger因果关系检验的结果表明云南省金融业发展不是经济增长是格兰杰原因, 但经济增长是金融发展的格兰杰原因。云南省贷款是经济增长是格兰杰原因, 经济增长也是贷款的格兰杰原因。云南省贷款不是金融业发展的是格兰杰原因, 但金融业发展是贷款的格兰杰原因。

5、VAR模型估计

根据上面协整及因果关系的结论, 三个指标可以建立V A R模型。经过多次试验, 结合AIC和SC值最小的原则, VAR模型的最优滞后阶数为4阶, VAR (4) 模型的估计结果如下图所示。从模型的估计结果可以看到三个方程的可决系数分别达到了0.998919, 0.991197和0.998915, 说明三个回归方程的拟合程度较好, 并可以根据AR (4) 模型进行脉冲分析和方差分解。

四、结论以及政策建议

以上的实证分析结果表明, 云南省的经济增长带动了金融发展, 云南省的贷款促进了经济发展, 经济发展也带动了贷款的增长, 并且金融业发展也带动了贷款的增长。作为中国西南的一个欠发达的省份, 因为金融市场发展落后, 企业通过直接融资的途径还很少, 更多的是靠间接融资如贷款来筹集资金, 所以政府应该大力发展银行业, 健全央行体系, 加强对银行体系的监管, 保持银行贷款的良性循环, 促进经济发展, 同时经济发展又导致更多的贷款, 并且经济的增长还可以促进金融业发展, 而金融业发展又可以增加银行贷款。所以云南省最先最重要的任务就是保证贷款的稳定, 并以此促进金融发展与经济增长的良性互动。

摘要：运用协整、Granger因果检验和向量自回归模型对云南省1966—2009年金融发展与经济增长关系进行实证分析.研究结果表明, 金融相关率指标 (FIR) 、货款规模 (LOAN) 和云南省地区生产总值 (GDP) 存在长期均衡关系, FIR和LOAN对GDP都有正向的促进作用。

关键词：金融发展,经济增长,VAR

参考文献

[1]、戈德史密斯.金融结构与经济发展[M].上海:上海三联书店, 上海人民出版社, 1994.

[2]、麦金农.经济发展中的货币与资本[M].上海:上海三联书店, 上海人民出版社, 1988.

[3]、Levine, R.&Zeros, S., 1998, “Stock Markets, Banks and Economics Growth", American Economic Review, 88, 537-558.

[4]、King, R.G.and Levine, R.Finance and Growth:Schumpeter Might Be Right.Quarterly Journal of Economics, August, 1993, pp.717—737.

[5]、谈儒勇.中国金融发展和经济增长关系的实证研究[J].经济研究, 1999 (10) :53～61.

[6]、林毅夫, 姜烨.经济结构、银行业结构与经济发展——基于分省面板数据的实证分析[J].金融研究, 2006, (01) :7—22.

[7]、谭艳芝, 彭文平.金融发展与经济增长的因素分析[J].上海经济研究, 2003, (10) :3-12.

VAR模型金融风险管理 篇7

改革开放前, 中国经济发展一直处于相对封闭的状态, 对外经贸发展水平低。而且, 当时国家实行城乡二元发展战略, 为后来城乡居民收入差距扩大提供了现实基础。十一届三中全会以后, 中国经济对外开放程度稳步增强。随着中国特色市场经济体制的确立以及随后加入WTO, 中国对外经贸水平逐步提高。例如在2001年, 中国外贸依存度仅为0.34, 到了2006年, 外贸依存度高达0.67。此后, 为应对经济形式的变化, 促进我国经济转型, 调整内外需结构变化, 外贸依存度从2007年开始回落, 到2012年外贸依存度为0.47。但是, 中国经济外贸总量却持续增加, 到2013年, 中国对外贸易总额突破4万亿美元, 跃居世界第一。与此同时, 我国金融业的发展水平也在不断提升, 并向农村地区逐步渗透。在我国的农村地区, 逐步形成了以国有商业银行为主导, 其它金融机构为辅助的农村金融组织体系, 相对应的内部管理水平以及配套的法律制度体系都在不断完善, 农村金融实力逐步加强。例如2006年, 中国银监会放宽了关于农村地区金融机构的准入政策, 鼓励符合条件的资本流向农村地区, 并在蒙古、吉林、湖北、四川、甘肃、青海6个省 (区) 开展了试点工作。2007年试点工作扩大到全国31个省份。截止2013年初, 全国一共组建农村金融机构858家, 村镇银行资金总额达到3190亿元。

对外贸易额度的增加对于国家经济总量的提升具有重要作用。农村金融的发展也能够有效促进农村经济的发展。但是在经济总体水平上升的同时, 城乡居民收入差距却在不断扩大。相关数据显示, 2002~2012年, 城乡居民收入差距已经逐步扩大到3倍以上。2007年, 城乡居民收入差距占总体收入差距的比例达到64.45%。为什么对外贸易和金融业的发展能够在总体上促进经济发展, 但是却没有很好地促进城乡居民收入差距的减弱, 它们三者之间内部关系到底如何?鉴于此, 本文通过构造VAR模型对中国城乡收入差距、金融发展和经济开放程度间的关系进行了研究。

2 研究综述

在对外贸易方面, 国内外众多学者对于收入分配和对外贸易之间的关系进行了大量的研究。O’Rourke (2001) 认为, 对外贸易水平和收入分配, 受到众多外界因素的影响, 而且诸如地区的资源禀赋、技术水平对二者都会有较大的影响, 因此二者关系并不确定。万广华和陈钊 (2005) 研究发现:我国贸易额度的增加对于国家收入分配影响显著, 而且在地区之间会存在不同的差异。徐水安 (2003) 则认为对外贸易量的增长可以缓解居民收入差距。Neilson (2002) 、王少瑾 (2007) 认为对外贸易的增加不会缓解居民收入差距, 反而对于国内居民收入差距起到了扩大作用。周杰 (2012) 通过对中国31个省份的面板数据分析发现对外贸易与区域收入差距之间存在一定的相关性。李利斌 (2013) 研究发现城乡居民收入受到对外贸易水平的阶段性影响, 而且不同的汇率水平以及贸易结构的变化都会对此产生影响。

在金融发展和收入差距方面, 国内外的学者对二者都进行了广泛的研究, 但是, 国外学者侧重于理论方面, 国内学者多倚重于实证。Greenwood (1989) 认为:由于不同居民金融能力的时空差异导致了居民收入差距呈现出倒“U”型的分布特点。然而国内学者张立军 (2009) 通过对我国31个省分面板数据分析发现:虽然金融发展可也增加城乡收入差距, 但是却不符合倒“U”形的分布状态。冉光和 (2006) 、武志 (2010) 、丁志国 (2012) 、张宏彦 (2013) 认为中国现阶段金融水平的提升虽然可以促进经济整体水平的发展, 但却是城乡收入差距持续扩大的重要原因, 主要是因为城乡金融发展水平的严重滞后, 农村金融资本大量外流, 以及农村居民享受的金融服务和城镇居民享受到的金融服务之间倾斜程度不断加大所导致的。

从现有的研究成果来看, 国内学者普遍都认为对外贸易以及农村金融发展对于城乡居民收入差距具有一定的影响, 但是都是从对外贸易与居民收入差距, 或者农村金融发展水平与城乡收入差距单角度去进行认识。因此, 本文通过建立VAR模型, 对城乡收入差距、对外贸易以及农村金融发展三者之间的关系进行研究。并通过方差分解, 将对外贸易以及农村金融发展对城乡收入差距的影响程度进行分解量化, 以达到对相关问题的新认识。

3 实证分析

由于单方程模型的构建以及计算结构都严重依赖于理论模型和函数形式的选择。因此, 相比于单方程模型, 自回归模型 (VAR) 的可靠性更高。而且VAR模型无需对系统中每个内生变量关于所有内生变量滞后项进行建模。因此本文通过VAR模型对变量之间的关系进行动态冲击效应分析。

指标选择如下:城乡居民收入差距 (CJ) ;金融发展水平 (FIR) ;对外贸易水平 (EX) 。而且为增强数据平稳性, 在此对相应的数据都进行对数化处理。本研究相关数据 (1982-2012) 全部来自于《中国金融年鉴》、《中国统计年鉴》和《新中国60年》。

3.1 单位根检验

为了保证回归结果的无偏性、有效性, 首先要对时间序列数据进行单位根检验以确保数据的平稳性。本文采用Eviews7.0对相关数据进行计算, 依据AIC准则确定最优滞后阶数。单位根检验结果见表1。

从检验结果可知, CJ、FIR、EX三者的原始数据都是非平稳序列, 因此对其做一阶差分对数据进行平稳性处理。数据通过一阶差分以后, 由检验结果可知, 所有数据在5%的水平下都是一阶差分平稳, 即都为一介单整序列I (1) 。

3.2 协整检验

从表1可知, 所有变量均呈一介单整, 所以接下来进行协整检验, 以验证变量是否存在长期均衡稳定关系。由于Johansen协整检验是基于自回归模型的, 因此先构建模型, 再进行数据的协整检验。协整检验结果见表2。

从检验结果可知, 三个变量之间协整关系明显, 三者存在长期的均衡关系。

3.3 格兰杰因果关系检验

在对三者进行了协整检验以后, 为进一步明确三者之间的关系, 故对其进行格兰杰因果检验, 以明确三者之间的因果关系。格兰杰因果关系检验结果见表3。

通过计算结果可知, 在短期内, 金融发展和城乡收入差距之间是单项格兰杰因果关系, 金融发展是城乡收入差距的格兰杰原因;对外贸易和城乡收入差距存在双向格兰杰因果关系, 互为格兰杰因果关系;对外贸易和金融发展存在单向格兰杰因果关系, 金融发展是对外贸易的格兰杰原因。在长期范围内, 金融发展和城乡收入差距 (在10%的显著性水平下) 存在较弱的单向格兰杰因果关系, 金融发展是城乡收入差距的格兰杰原因;对外贸易和城乡收入差距在长期内存在单向格兰杰因果关系, 对外贸易是城乡收入差距的格兰杰原因;对外贸易和金融发展同样存在单向格兰杰因果关系, 金融发展仍旧是对外贸易的格兰杰原因。这说明, 在短期内, 金融发展对于城乡收入差距存在影响, 但是在长期范围内, 影响较弱;对外贸易和城乡收入差距在短期内相互影响, 但是在长期范围内对外贸易对于城乡收入差距影响较明显。

3.4 基于VAR模型的脉冲响应分析

要了解变量之间的变化如何通过内部联系而影响整个系统, 并综合反映影响程度的大小, 那么需要建立VAR模型, 并对变量做脉冲响应分析才能够进一步确定各个变量之间的具体关系。因此可进一步进行脉冲响应分析并作冲击动态响应轨迹图 (图1) 。

图1中, 横轴代表冲击作用的时间, 纵轴代表相应变量的变化程度。由图1 (左) 对外贸易冲击引起城乡收入差距的脉冲响应函数图, 我们可以发现, 对外贸易一个标准差冲击, 在前期能够引起城乡收入差距的小幅度增加, 但是在第二期以后会逐步下降, 在第四期以后基本趋于稳定。图1 (右) 金融发展冲击引起城乡收入差距的脉冲响应函数图, 我们可以发现, 金融发展一个标准差冲击, 在前期就能够引起城乡收入差距的增加, 并在第四期达到最大, 此后城乡收入差距增长保持平稳的趋势。

3.5 方差分解

方差分解旨在通过分析结构冲击对内生变量变化的作用程度, 从而表现出不同结构冲击的重要性。方差分解结果见表4。

从表4中城乡收入差距的方差分解结果可知, 城乡收入差距不仅受到自身的冲击, 还受到对外贸易以及金融发展的冲击, 从长期来看, 二者的冲击作用都在逐步增强, 尤其是金融发展, 其贡献率达到了45.05%。在第一期, 城乡居民收入差距仅受自身波动的影响, 但是随着时间的递增, 影响逐渐降低。第二期以后, 来自对外贸易和金融发展水平的冲击逐渐增强, 对外贸易的冲击作用较弱, 但是仍旧呈持续上升的趋势, 到第十期, 达到4.7%;来自金融发展的冲击较为剧烈, 上升速度较快, 到第十期达到45.5%。

4 结论及建议

4.1 结论

通过以上分析, 可以得出如下几个方面的结论: (1) 城乡收入差距、对外贸易、金融发展之间存在长期稳定的关系。 (2) 城乡收入差距、对外贸易和金融发展之间在短期内, 金融发展是城乡收入差距的格兰杰原因, 对外贸易和城乡收入差距互为格兰杰因果;长期内, 金融发展和对外贸易是城乡收入差距的单项格兰杰原因。 (3) 对外贸易的一个标准差冲击, 短期能够引起城乡收入差距的小幅度增加, 但长期内却有助于差距的减小;金融发展的一个标准差冲击短期内就能够引起城乡收入差距的快速增加。 (4) 城乡收入差距不仅受到自身的冲击, 还受到对外贸易以及金融发展的冲击, 但是来自对外贸易的冲击作用较小, 金融发展对城乡收入的影响作用较大。

4.2 建议

鉴于以上分析结论, 为加快城乡协调发展, 不断缩小城乡收入差距, 本文提出如下建议:

(1) 优化城乡金融资源配置水平, 建立健全相关金融法规, 促进农业金融资本高效使用。农业金融服务的不对称以及农业金融资源的流失都加重了城乡金融发展水平的倾斜程度。因此国家必须要优化城乡金融资源结构, 逐步破除城乡金融差异化发展, 增强农村金融发展效率。加大正规金融资本供给, 尤其是针对四大国有银行, 更应该在注重利润与风险的前提下加大对于农业金融的支持力度。同时还要不断建立和健全相关法规, 不断完善金融机构法人治理结构缺陷, 加强内部管理和外部监督的双向协调机制, 以法律法规对农村金融资本流动进行规范。

(2) 增加对中小农业企业的金融支持力度。金融业的门槛效应往往将实力较弱的农业企业排斥在外, 而农业企业往往对于农民增收起着重要的带动作用。而农业企业, 尤其是对市场活力具有重要的促进作用的农业中小企业绝大多数难以长期生存, 其破产倒闭主要与资金链断裂息息相关。因此加大对中小农业企业的金融支持力度, 降低金融业的门槛和企业融资成本, 对乡村农业企业的发展尤为重要。

(3) 促进民间金融行为的正规化, 规范民间借贷行为。由于现阶段国家正规金融对于乡村的渗透能力差, 而民间一系列的金融行为, 往往可以起到对正规金融的一种有效补充。因此, 在加大正规金融对农村地区的渗透力度的时候, 应该坚持“双管齐下”的原则, 通过市场和法律的双重规范, 促进正规与非正规金融的和谐发展。

(4) 扩大农业对外开放水平, 优化外贸结构。经济对外开放程度对于经济发展具有重要作用, 但是在现阶段我国贸易结构大多偏向于工业产品的出口, 对于农产品的出口能力较低。因此必须协调我国对外贸易结构, 促进农业对外开放, 发挥我国劳动密集型农场品的优势, 不断开放农场品对外贸易, 使对外开放不断促进农业发展、农民增收。

风险计价VAR模型及应用 篇8

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模型与企业外汇风险测量 篇9

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.

VAR模型金融风险管理 篇10

关键词：VAR,GARCH族模型,t分布,GED分布

一、引言

金融风险是指企业未来收益的不确定性或波动性, 其中市场风险是指由于利率、汇率、股指、商品价格等市场因素的变化而导致的金融资产收益的不确定性, 市场风险测度方法有很多种, 其中J.P.Morgan公司于1994年提出的基于市场价值测量的风险价值方法 (Value at Risk, VaR) 应用最为广泛。相对于传统的风险管理工具, 它可以把各种金融工具、资产组合的市场风险具体化为一个简单的数值, 使管理者能十分清楚地了解他所持有的资产在某段时间所面临的最大风险。

二、VaR理论

VaR是指处于风险中的价值, 在给定的置信水平下, 在给定的持有期间内, 某一投资组合预期可能发生的最大损失。设△P为投资组合在持有期内的损失, VaR为置信水平C下处于风险中的价值。

可以表示为:prob (△P>VaR) =1-C

假设R是描述证券组合收益的随机变量, f (R) 是其概率密度函数, 置信水平是α, 那么收益小于R*的概率为:VaR计算的方法大致分为三类:

参数法, 历史模拟法和蒙特卡洛模拟法。参数方法依赖于市场因子的正态分布假设, 在现实中许多市场因子的收益表现出明显的非正态性, 实际收益的分布具有比正态分布更厚的尾部, 即表现出厚尾性, 利用正态分布假设的参数方法会导致对风险的低估, 为此, 可引入t分布, 广义误差分布等具有厚尾特性的分布来改进模型。与此同时, 在金融时间序列中存在波动聚类性, 从统计学上看, 具有波动聚类性的序列往往存在异方差现象, 误差项随时间变化并且依赖于过去误差的大小。为了更好刻画这些特点, 可以采用ARCH类模型来刻画条件异方差, 进而精确计算VaR值。

三.处理金融序列厚尾性及波动性模型

3.1.处理厚尾性的t分布和广义误差分布假设

如前所述, 实际的收益率序列相对于正态分布假设而言具有更大的峰度和偏度, 即尖峰厚尾的特性, 因此我们假设收益率序列服从与实际情况更吻合的t分布。t分布比正态分布具有更厚的尾部, 可以描述收益率厚尾的特征, 广义误差分布 (GED) 是一种更为灵活的分布形式, 也是一种处理厚尾的方法。因为通过对其中的参数v的调整变化可以拟合各种不同的分布形式。

3.2.处理波动性的ARCH类模型

即使一个平稳时间序列, 它的条件方差也可能出现随着时间的变异现象, Engle由此提出自回归条件异方差模型 (ARCH) , Bollerslev又将其发展成为广义自回归条件异方差 (GARCH) 。GARCH模型是ARCH类模型是目前最常用的、研究最多的一类描述金融资产价格收益时波动性过程的动态模型。

GARCH (p, q) 模型结构如下:

NelsonD.B提出了一种更为一般的模型, 指数条件异方差模型, 即EGARCH (p, q) , 具体形式如下:

EGARCH (p, q) 模型对参数α, β, γ没有任何限制, 应用更加广泛, 其次, 参数γ描述了波动对冲击反应的非对称性。

下面的实证分析中, 我们采用最具代表性的t分布ARCH类模型和广义误差分布ARCH类模型。

四.我国股票指数的实证分析

4.1.样本选取及检验

本文选取上证综合指数 (999999) 作为沪市的代表。样本区间为2006年1月4日至2012年8月31日, 共1621个交易数据 (每日收盘数据) 。

股票指数对数收益率定义如下:

其中pt为t时的收盘价

4.1.1正态性检验

用Eviews软件得出沪市指数收益率统计特征如表1:

由表中J-B统计量概率值可知拒绝正态的原假设, 沪指数收益率不服从正态分布。偏度值大于3, 说明相对正态分布是尖峰的。

4.1.2平稳性检验

从沪市收益率序列可以看出并无时间趋势, 采用有常数项无时间趋势的ADF检验序列的平稳性, 得出结果如表2所示:

在两个显著性水平下, 都要拒绝存在单位根的原假设, 这表明日收益率序列是平稳的。

4.1.3相关性检验

检验方法采用Ljung-Box的Q统计量, 用Eviews对收益率序列做相关检验得出的相关图如下:

由图可知, 两个收益率序列的自相关系数、偏自相关系数均显著为零, 根据ARMA (p, q) 模型滞后阶数识别规则, p=0, q=0。均值方程为rt=μ+εt

4.1.4.残差序列ARCH效应检验

为判断股市收益率序列回归模型的残差序列是否存在ARCH效应, 采取Engle在1982年提出的ARCHLM检验方法, 得出p=5时检验结果如表3:

根据p值可判断残差序列存在ARCH效应, 在下面的分析中采用ARCH类模型对收益率序列进行估计。

4.2GARCH、EGARCH模型参数估计

在均值方程rt=μ+εt基础上, 进行方差方程的估计将模型的p, q值设为1, 2, 3, 4…等等分别进行检验, 配合AIC, SC准则, 最后将模型的阶数定为p=1, q=1

在正态分布, t分布和广义误差分布下的G A R C H、EGARCH模型的参数估计结果如表4:

4.3 VaR模型的事后检验 (基于失效率的准确性检验)

VaR估计的失效期望概率为P* (P*=1-C, C为计算VaR的置信度) , 检验模型的准确性即检验p是否在一定程度上等于P*。

Kupiec给出的95%非拒绝实验置信区间: (表5)

根据VaR公式计算出2012年8月31的下一个交易日 (2012年9月3号) 的VaR结果如下表, 失效天数是以2011年8月18日到2012年8月30日 (共252个交易日) 为样本区间得出的VaR值小于实际损失的天数。 (表6)

由表6看出:无论在95%还是在99%置信水平下, t-分布与广义误差分布计算的VaR值都比正态分布下的VaR值大, 失效天数相应更小, 因此, t分布与广义误差分布比正态分布更好地刻画出厚尾对VaR的影响。对照表4-5, 发现失效天数通过了准确性检验, 说明用文中的模型度量的VaR值是可接受的。

五、结论

本文将t分布、广义误差分布和GARCH、EGARCH模型结合起来, 描述了收益率序列的厚尾特征和波动聚集性特征, 对沪市的收益率的VaR值进行了准确的预测度量。VaR值用可以与收益相比较的数字简单明了地表示市场风险的大小, 即使没有专业背景的投资者和管理者都可以通过VaR值对金融风险加以评估, 因此具有良好的应用前景。

参考文献

[1]PhilippeJorionValue At Risk The New Benchmark of Contolling Market Risk[M].1997

[2]任力, 齐丽.金融市场风险测度的实证研究[J].河南工程学院学报.2010 (2)

[3]程盛芝.金融市场风险测量的方法及其应用[J].商业研究, 2002 (22)

[4]叶慈南.应用数理统计[M].机械工业出版社, 2008年11月第三版.