中国股票市场风险度量研究 ——基于VaR不同计算方法的纵向比较

论文摘要

国外研究表明,风险度量VaR势必将成为21世纪金融领域一个高效的主流计量工具,对其引入具有重要的现实意义。寻求适合我国金融市场的风险度量方法,有助于风险监管者,了解中国股票市场风险特点,分析造成市场风险的原因,制定和实施相应监管措施。该背景下,本文将基于不同风险价值计算方法度量我国股票市场风险,并对实证分析结果进行检验评价,纵向比较各种方法的适用性。文章主要包括以下几个部分：绪论部分主要陈述了选题来源、研究意义与研究内容。本文的研究意义主要体现在：文章首先对VaR三大类方法及对应模型做出详实梳理,让更多人对该理论有所了解,并参与到风险管理的研究中；通过实证分析,寻求适合我国股票市场风险度量的方法或模型,为投资者及监管者分析、规避和控制风险提供一定的依据;通过检验和评价分析,讨论各种方法在我国股票市场风险中的适用性,确实提供可靠的风险度量方法或模型。同时通过结果的纵向对比分析,讨论各种方法或模型的优劣：此外,上述方法可进一步在银行、期货、期权以及企业等风险管理中提供借鉴,有效防范各种市场风险对我国经济造成的损失。第二部分针对国内外研究现状进行梳理,总结出：不同方法估计的VaR值并不相同,得出的结果有时相差很大,其实用性也遭到质疑。随着极值理论和分位数回归理论的发展,人们开始引入半参数方法,但基于半参数方法的研究尚待进一步完善和应用。其次,在风险度量的研究中,收益率序列的“尖峰厚尾”和“非对称”现象一直是影响VaR计算结果的关键问题。现实中,极端情况发生频繁,其风险性往往会带来重大损失。然而,参数方法在计算VaR时往往忽略了这一点。尽管目前非参数方法和半参数方法能够解决这一问题,但是它们或需要大量的历史数据,或计算复杂。最后,与国外不断完善和发展的VaR理论相比,国内在理论和应用方面的研究比较滞后,对方法和技术的动态性关注与研究缺乏前瞻性。国内应用主要体现在参数方法上,特别是GARCH族模型,针对非参数方法和半参数方法的研究及应用相对较少,运用分位数回归理论则更少。第三部分介绍了风险度量方法演变过程,同时引入了针对风险价值VaR度量方法。主要包括参数、非参数以及半参数方法的理论知识。参数方法重点介绍了GARCH族模型在风险度量中应用,文章将基于正态分布、学生t分布以及广义误差分布（GED）假设下进行VaR的计算。同时介绍了针对VaR检验评价的两种方法,即失败频率检验法和二次损失函数法。非参数部分主要包含历史模拟法和蒙特卡洛模拟法。半参数方法体现在基于极值理论、分位数回归理论的风险度量,这也是本文研究的重点。第四部分为实证研究。文章选用了上证综合指数（SSEC）日对数收益率数据,针对不同方法给出了相应的实证分析,并针对结果进行检验评价以及方法内的纵向比较分析。通过对样本数据描述处理发现,SSEC日对数收益率序列具有尖峰、厚尾以及非对称性等统计特征。参数方法部分,文章选用了GARCH族模型,基于正态、学生t以及GED分布进行动态VaR度量。参数估计结果表明：不同分布情况下,各个模型均能较好地描述上证综合指数收益率的波动性。相对学生t分布、正态分布假设,广义误差分布更能体现收益率尖峰厚尾特性。对于GARCH族模型而言,TGARCH模型整体上的对动态VaR度量结果最为理想。历史模拟法实证分析中：文章采用了普通历史模拟、加权历史模拟、过滤历史模拟法。为了提高研究的准确性,文章针对传统模拟区间进行了分段。结果发现,采用不同的历史区间,度量的风险价值结果存在较大的差别。其可能的原因是隐含假设,即历史变化可以在未来重现。即,区间较大的情况下,存在更多风险波动。研究发现,上述三种方法中,普通历史模拟法存在低估现象,过滤历史模拟法则相对高估了风险,只有加权历史模拟法比较合理。本文仅采用了历史模拟法,作者建议可以尝试对现有历史模拟法进行改进,或者通过蒙特卡洛模拟法进行分析。半参数部分,主要采用了基于极值理论和分位数回归理论风险度量方法。极值理论中采用了目前比较流行的POT模型。该方法基于尾部估计得到收益率序列的边际分布,是一种无条件方法,因而能够较好地度量VaR值和ES值；残差分布通常是非对称的偏峰分布,因而对于分布的尾部建模,本文采用GPD拟合效果较好,而且目前极值理论发展较为成熟。其中在阈值确定问题上,文章根据Hill图先确定取值范围,然后根据MADE序列产生的选择标准,通过循环语句确定最优阂值。同时文章通过ARMA-GARCH模型对收益序列进行过滤,基于产生的标准差序列进行POT模型构建,依次度量动态VaR及ES。分位数回归理论部分,文章首先构建了基于条件分位数回归模型计算VaR的新框架,该方法直接对于任意水平的条件分位数进行建模分析。其优点在于不需要特定的分布假设和分布参数,适合应用于厚尾分布数据。本文构建了基于5阶滞后收益率解释变量,条件分位数回归模型；并采用非参数动态平滑估计方法估计参数,针对上证综合指数日对数收益率进行实证分析。其次,通过有效地使用CAViaR分析框架,可以对投资组合的VaR演化机制进行分析,这是该方法独有的特点。通过挖掘潜在的VaR演化机制,可以有效地调高风险管理的水平和效率,同时是对市场风险变化模式深入认识的重要途径。基于沪深两市自实施涨停板机制以后的数据,构建CAViaR分析框架。主要包含了SAV、IG、Adaptive四类模型,重点研究非对称斜率模型。实证分析结果表明,AS模型对于沪深两市股指来说是最为理想的模型,该模型在上述四类模型中对市场分位数变化机理,即市场风险的演化机制刻画效果最好。假设检验分析结果显示,AS模型是最为合理的,且其分位数目标函数值最小。结束语部分提出本文研究存在的不足以及研究展望。面对日趋复杂的金融系统,加强市场风险度量越来越重要。因此,还需对其进行更加深入的研究。根据本文研究结果发现,目前各种方法表现出各自优势,单一方法无法得到完全令人满意的结果。

论文目录

• 作者简介
• 摘要
• ABSTRACT
• 第一章 绪论
• §1.1 选题背景
• §1.2 研究意义
• §1.3 文章主要内容和结构
• 1.3.1 主要内容
• 1.3.2 研究框架
• 第二章 风险理论的回顾
• §2.1 风险度量演变
• §2.2 国外研究现状
• 2.2.1 参数方法
• 2.2.2 非参数方法
• 2.2.3 半参数方法
• §2.3 国内研究现状
• 2.3.1 方法介绍及文献综述
• 2.3.2 实证研究及应用
• §2.4 发展趋势及存在的问题
• 第三章 VaR基本理论
• §3.1 VaR定义与计算原理
• 3.1.1 在险价值VaR定义
• 3.1.2 在险价值VaR计算原理
• §3.2 VaR参数度量方法
• 3.2.1 RiskMetrics模型
• 3.2.2 GARCH族模型
• §3.3 VaR非参数度量方法
• 3.3.1 历史模拟法（Historical Simulation）
• 3.3.2 蒙特卡洛模拟法（Monte Carlo Simulation）
• §3.4 VaR半参数度量方法
• 3.4.1 极值理论基本介绍
• 3.4.2 POT模型理论基础
• 3.4.3 基于极值理论的动态风险度量
• 3.4.4 分位数理论介绍
• 3.4.5 条件分位数自回归模型（Conditional Autoregressive Value at Risk byRegression Quantiles,CAViaR）
• §3.5 金融市场风险度量方法的评价
• 3.5.1 失败检验法
• 3.5.2 损失函数检验法
• 第四章 样本数据选取
• §4.1 样本数据选取
• §4.2 样本数据处理
• 4.2.1 正态性检验
• 4.2.2 平稳性检验
• 4.2.3 条件异方差自相关检验
• 第五章 基于参数方法的风险度量
• §5.1 RiskMetrics模型
• §5.2 GARCH族模型
• 5.2.1 构建GARCH族模型
• 5.2.2 GARCH族模型参数估计
• 5.2.3 动态VaR计算
• §5.3 检验评价分析
• 5.3.1 失败频率检验法
• 5.3.2 二次损失函数法
• §5.4 本章小结
• 第六章 基于非参数方法的风险度量
• §6.1 普通历史模拟法（HS）
• §6.2 加权历史模拟法（WHS）
• §6.3 过滤历史模拟法（GHS）
• §6.4 本章小结
• 第七章 基于极值理论的风险度量
• §7.1 静态风险测度
• 7.1.1 阈值确定
• 7.1.2 POT模型参数估计
• 7.1.3 静态风险价值计算
• §7.2 动态风险测度
• 1}构造'>7.2.1 标准残差序列{Z₁}构造
• 1}阂值η确定'>7.2.2 序列{Z₁}阂值η确定
• 7.2.3 POT模型参数估计
• 7.2.4 动态风险测度结果
• §7.3 本章小结
• 第八章 基于分位数回归理论的风险度量
• §8.1 条件分位数回归模型
• 8.1.1 理论模型构建
• 8.1.2 非参数估计
• §8.2 基于条件分位数自回归模型（CAViaR）
• 8.2.1 样本数据描述分析
• 8.2.2 模型拟合
• 8.2.3 非对称斜率模型分析
• §8.3 本章小结
• 第九章 研究结论与展望
• §9.1 研究结论
• §9.2 研究创新点
• §9.3 风险管理启示
• §9.4 研究展望
• 致谢
• 参考文献
• 附录