金融市场风险价值的计算范文

一、引言

随着世界经济的日益复杂化，金融市场在其运作过程中面临风险增大的趋势，市场风险成为国内外经济领域关注的焦点，其中市场风险的度量与监测是整个风险管理理论的基础与核心。在这种情况下，早在1993年JPMorgan公司提出来VaR模型，它有助于金融管理者全面测量市场风险。与此同时，金融资产时间序列常常表现出“尖峰厚尾”、“波动集群”等特征，本文选取了GARCH类模型来改进传统风险计算方法所带来的局限性，使计算结果与实际情况更加符合。

二、实证分析

1.数据的选取与处理本文以2014年1月2日到2015年9月10日沪深300日收盘指数为样本，共取414个样本值，以此来分析我国股市的风险。该数据来源于中国社会科学院金融研究所数据库，并且通过Eviews5.0软件得出本文所用图形和计算结果。利用公式得到收益率为对数收益率rt=lnpt-lnpt-1，其中pt表示在t时刻的收盘指数，由此我们得到收益率时间序列{rt}的基本统计分析如图1。根据图1进行分析，沪深300指数的收益率都在一个常数附近上下波动，在一段时间内较大的波动后跟随着大的波动，相对小的波动后伴随着较小的波动，呈现出波动集群性。其Sk值小于零的，是左偏分布，并且峰度值8.5097明显大于正态分布的峰度值3，这说明两个收益率序列不服从正态分布，具有尖峰厚尾的特点。

2.收益率的平稳性和相关性检验由于非平稳序列对后续模型的建立具有不利影响，本文利用ADF方法对收益率序列进行平稳性检验。结果显示，ADF统计量都小于1%、5%、10%的显著水平临界值，且P值为0，可以在95%的显著水平下拒绝原假设，说明收益率序列没有单位根，是平稳的。通过序列的相关统计图可以看出，收益率序列的自相关系数拖尾，偏自相关系数在滞后4阶处存在相关性，因此对收益率时间序列建立均值方程。

3.GARCH模型的建立根据建立的回归方程对其残差进行ARCH-LM检验，判断残差序列是否具有ARCH效应，检验结果中χ2检验的相伴概率P值为0，所以拒接原假设，即沪深300指的收益率序列具有高阶ARCH效应。在建立模型过程中，通过比较AIC与SC信息准则，经过反复计算得出GARCH(1,1)模型拟合效果最好，计算结果如表2所示。由表2可知，条件方差方程中各参数的z-统计量非常显著，并且所对应的P值都等于0，因此在检验水平为5%的条件下这些参数是显著的。并且方程中的ARCH项和GARCH项的系数都大于零，两系数相加为0.971842小于1，满足模型参数约束条件。由于系数之和非常接近于1，因而前期的冲击对未来的影响是具有持久性的。接着对GARCH模型估计的残差进行ARCH-LM检验，其结果显示接受原假设，残差不存在条件异方差，因此可以用GARCH模型做进一步计算。

4.VaR值的计算与检验基于上述GARCH模型生成其条件方差，然后代入公式VaR=Pt-1aht，可以得到VaR估计值。本文选取不同的置信水平来比较对计算VaR值所带来的影响，表3给出了VaR的一些统计结果及检验数据。由表3可以看出，以置信水平为95%的情况为例，有95%的把握可以将指数的损失控制在105.1435以下，但我们不能简单的认为VaR-GARCH模型完全估计出股市的风险程度，在股市波动较大的时期往往存在低估风险的情况。

三、小结与展望

由于收益率时间序列是尖峰厚尾的，本文在模拟VaR-GARCH模型时采用的是正态分布的情况，与实际情况有一定差别，可进一步计算在其他分布下的估计值进行比较。另外，本文只介绍了一种模型，还可利用GARCH-M、EGARCH、TARCH等模型进行改进，提高预测的准确性。

作者：解怡萌 王婧伊 单位：辽宁师范大学