统计与决策2007年9月(理论版)
0引言
期货市场风险是指期货合约的价值发生变化而导致损失的风险,期货市场风险评估是有效控制和管理风险的前提。在绝大多数计算方法中,正态分布都被作为最基本的前提假设,但金融回报序列往往呈现出明显的尖峰厚尾特性,这就使得在正态分布假设下所计算出的风险价值常常会低估实际风险,其原因就在于正态分布假设不能很好的体现回报分布的尾部特征。为此,本文引入基于GARCH模型的
CVaR方法来克服正态分布的这一缺陷。根据CVaR风险评
估对波动性的要求,采用广义自回归条件异方差(GARCH)族模型,在对波动性精准预测的基础上,对单个期货合约建立
CVaR-GARCH-GED风险评估模型,不仅能很好地解决期货
合约涨跌率的聚集效应、厚尾效应和时变方差效应,而且有效地提高了预测结果的精确度。
CVaR(ConditionalValueatRisk),即条件风险价值,是
继VaR之后产生的又一种风险度量方法。根据Rockafel-
lar&Uryasev的定义,CVaR是指在一定的置信水平下,某一
资产或资产组合的损失超过VaR的尾部事件的期望值。
CVaR用数学公式可定义为
CVaR=-1
1-α
-VaRa
-∞
!
f(w)wdw
(1)
其中:α为置信水平;w为资产或资产组合的价值;f(w)为概率密度函数;VaRα为置信水平α下的风险值。
由于VaR计算的是资产组合损失分布的一种百分数,它没有考虑当VaR值被超过时损失究竟是多少的问题,所以当真实损失值超过了VaR的度量时,无法进一步识别风险是不是可忍受的还是灾难性的。
CVaR优于VaR有两个方面,首先CVaR不是一个单一
的分位点,而是尾部损失的期望值,只有将所有大于VaR的损失值都考虑到才能计算,因此它对尾部损失的测量是充分的。
其次,CVaR是一致性的风险计量。若用c表示对应于某一置信水平α的分位数,用x表示大于c的分位数,根据
CVaR的定义,CVaR的计算公式为:CVaR=E[Pt-1xσt|Pt-1xσt>Pt-1cσt]=Pt-1σtE[x|x>c]=Pt-1σtE[-x|-x<-c]=Pt-1σt
-c-∞!-xf(x)dx
-c-∞
!f(x)dx
其中,Pt-1是第t-1日的结算价格,σt为时变方差,f(x)为收益率序列服从分布的密度函数,c为某一置信水平下的分位数。
GED分布条件下,CVaR的计算公式为:
CVaR=-Pt-1σt
1-α-c
-∞!
xv?exp[-12|x/λ|v
]λ2(v+1)/v
Γ(1/v)
dx(2)
对单个期货合约CVaR风险评估的方法主要分为两种:非参数方法和参数方法。非参数方法不要求对收益率的概率
分布做出假设。一般情况下,非参数法借助对历史数据的频数统计分析来估计头寸持有者的潜在损失。它简化了计算,因此在实践中得到了广泛应用。但是,非参数模型对历史数据一视同仁,忽略了期货价格分布的聚集效应、
厚尾效应和时变方差效应。而参数法需事先对收益率的概率分布已知或做出假设,需对描述概率分布及模型中波动性参数进行估计。与非参数法相比,其具有较复杂的模型及其运算过程,但
摘要:本文利用CVaR-GARCH-GED模型,首先以沪铜期货市场的连续结算价日数据为样本,
对我国期铜市场风险进行拟合分析;然后利用不同分布假设下的GARCH族模型对期铜市场风险进行实证研究。结果表明CVaR-GARCH-GED模型能够更好的反映出期货市场收益的尖峰厚尾性,并且能够显著提高预测的准确性。
关键词:广义误差分布;CVaR-GARCH-GED模型;期货市场风险中图分类号:F830.9
文献标识码:A
文章编号:1002-6487(2007)09-0095-03
周
颖,仇晓光
(大连理工大学管理学院,辽宁大连116024)
基于CVaR-GARCH-GED模型的
单品种期货风险价值预测
基金项目:国家自然科学基金资助项目(70571010)
95
统计与决策2007年9月(理论版)
能更精确地测定风险。在CVaR的估算中波动性是其核心参数,因此参数法的有效性在很大程度上依赖于波动性估计。本文采用的GARCH-GED模型以及CVaR的风险预测方法能够较好的估计收益率的波动性,通过实证检验表明此模型更好的预测了期货的风险价值。
1模型原理1.1GARCH(p,q)模型
2003年诺贝尔经济学奖获得者RobertEngle于1992年
提出了自回归条件异方差模型(简称ARCH模型)。但是要很好的描述异方差现象,必须用到高阶的ARCH模型,而当q很大时,参数估计的效率就会降低,为了弥补这一缺点,
Bollerslev于1986年在ARCH模型中增加了q个自回归项,
推广成GARCH(p,q)模型,解决了ARCH模型固有的缺点,使待估参数大为减少,并且提高了准确性。
GARCH(p,q)的数学表达式如下:rt=μ+εt
εt=ytσtyt~N(0,1)σ2
t
=α0+p
i=1
!αiεt-i2
+q
j=1
!βjσt-j
2
rt为收益序列,μ为回报的无条件期望值,σt
2
为方差序列,εt为残差。α0>0,αi≥0,βj≥0.
max(p,q)
i=1
!(αi
+βi
)<1(这里对i>p,αi
=
0,对j>q,βj=0)。1.2GED分布
标准的GARCH模型的分布函数采取正态分布,
但是随着GARCH模型在金融领域的应用,我们发现
此模型在处理收益率分布函数的厚尾性上有很大的缺陷。所以引入广义误差分布(GED):
f(x,v)=v?exp[-12|x/λ|v
]
λ2[(v+1)/v]
Γ(1/v)
(3)
其中,λ=[2(-2/v)Γ(1/v)/Γ(3/v)]1/2,λ为尾部厚度参数,当v<
2时,GED为厚尾分布;当v>2时,GED为瘦尾分布;当v=2
时,GED分布退化为正态分布。
1.3GARCH(1,1)-GED模型
将GARCH(1,1)模型和GED模型结合起来,将得到
GARCH(1,1)-GED模型:rt=μ+εt
εt=ytσtyt~N(0,1)εt|It-1~GED(0,σt2
,v)σt2
=α0+α1εt-12
+β1σt-1
2其中,μ为收益的无条件期望值;α1为滞后参数;β1为方差参数;条件方差σt2
为时变的,It为t时刻的信息集,残差εt由独立同分布的随机变量yt与σt组成,且两者相互独立,εt的条件方差为σt
2
。2CVaR模型的准确性检验
CVaR模型的准确性检验是指CVaR模型的测量结果对
实际损失的覆盖程度。假定给出了95%置信度下的CVaR,则
CVaR模型的准确性是指实际损益结果超过CVaR的概率是
否小于5%。设样本数为N,测量结果超出实际损失的天数为
T,则溢出率e=T/N,将e和1-c进行比较,若e>1-c,说明模
型低估了风险,若e<1-c,固然表明模型的预测结果覆盖了实际的损失,但是太小的e值却说明模型的估计过于保守。
3实证分析
3.1数据选取与时段选择
由于期货市场上各个行业的交易状况和影响力不同,所以要对不同行业的数据进行筛选,选取具有代表性和影响力的期货交易数据,结合这两方面的考虑,本文选取了沪铜期货交易数据作为样本,通过这些数据来分析和检验CVaR-
GARCH-GED模型。本文选用的数据是从2000年1月4日
到2006年12月26日每个交易日的收盘价连续数据,数据个数为1629个。数据来源于Wind金融资讯软件,本文所有
数据均采用EViews软件和Mathematic软件进行处理。
3.2数据处理与数据分析
(1)收益率采用自然对数收益率形式,即:
rt=lnpt-lnpt-1
(4)
其中,pt为当日收盘价,pt-1为前日收盘价。(2)基本统计特征
根据上表所得的自然对数收益率可知收益率序列是左
偏的,峰度大于正态分布的3,J-B正态检验统计量为807.9341,远远大于临界值,所以拒绝正态分布的假设,D-W统计量接近2,说明收益率序列自相关性很弱。其QQ图如下所示:
从QQ图可看出,收益率存在尖峰、厚尾特征。
(3)时间序列特征分析
图2为收益率序列的直线图,从图中可看出,收益率存在丛集性效应。即一次大的波动后伴随着较大幅度的波动,
表1收益率的基本统计特征
平均数
0.000743中位数
0.000576最大值0.069081最小值-0.067225偏度-0.220309峰度
6.421859
J-B值
807.9341D-W值2.005143
图1
收益率QQ图
图2沪铜日收益率序列图
96
一次较小的波动后伴随
着较小幅度的波动。
(4)收益率序列的平
稳性检验
用单位根方法检验时间序列的平稳性,得到结果如表2。
由表2可知,对数日收益率时间序列在1%标准下是十分显著平稳的。
3.3模型计算及CVaR结果
从模型的估计参数来看,各模型的参数均在5%置信水平下显著,对估计残差再做异方差效应的LM检验,发现不存在显著的异方差现象,所以上述模型较好的刻画了收益率序列的异方差现象。
下面是根据各个模型计算的CVaR值的一般统计特征和分别在95%和99%置信水平下得到的失败天数和相应失败率。
从表4、表5可以看出CVaR对损失的估计是比较准确的,从而说明CVaR方法能够比较准确的度量风险。但是从上表的对比也可看出,基于t分布和GED分布的计算结果比基于正态分布的效果要好,正态分布下的CVaR存在低估风险的可能,因为收益率本身就不服从正态分布;而t分布和GED分布相比较可以看出,基于t分布计算的CVaR与GED相比高估了风险,尤其是在高置信水平下;基于GED分布的CVaR估计结果与实际损失均值非常接近,在三种不同分布的假设下,可以得出基于GED分布的CVaR估计效果最好。4结论
通过以上的实证分析,对比三种分布下CVaR的计算结果,可以得出如下结论:
第一,在用参数法计算CVaR值时,GARCH模型要比ARCH模型更好的处理收益率序列的异方差性,不需要较多的滞后阶数,在较少参数的情况下,能够较好的刻画收益率序列的波动性。
第二,用参数法计算CVaR,影响最大的就是分布的假设。基于GED分布的CVaR计算结果要好于基于正态分布和t分布的计算结果。正态分布的尾部太薄了,在置信水平比较高的时候会低估风险;而t分布的尾部又太厚了,容易造成对风险的高估,在实际中会造成风险管理成本的增加,形成资源的浪费。上述分析可以发现,在风险较大,数据样本较少,明显不符合正态分布的假设下,用GED分布来描述收
益率的厚尾特点,计算结果
较为精确,缺点就是计算量
比较大,比较繁琐。
第三,通过以上的分析
可以看出,采用适当的计量
经济学模型可以为风险管理
提供有效的依据。对于金融
资产的收益率序列,必须采
用适当的模型进行拟合,否则将对结果造成较大的偏差。
参考文献:
[1]王春峰.金融市场风险管理[M].天津:天津大学出版社,2001.[2]詹姆斯D.汉密尔顿.时间序列分析[M].北京:中国社会科学出版社,1999.
[3]张世英,樊智.协整理论与波动模型——
—金融时间序列分析及应用[M].北京:清华大学出版社,2004.
[4]王玉玲,王晶.度量金融风险的CVaR方法[J].理论新探2006,(6).[5]张晓峒.计量经济学软件Eviews使用指南[M].天津:南开大学出版社,2004.
[6]刘小茂,马林.资产相对价值的VaR和CVaR风险[J].统计与决策,2006,(8).
(责任编辑/浩天)
表2单位根方法检验时间序列的平稳性ADF检验值
检验标准值1%level
5%level
10%level
-37.87489
-3.43416
-2.86311
-2.56765
表495%置信水平下CvaR预测结果统计特征
Model
GARCH(1,1)-N
GARCH(1,1)-t
GARCH(1,1)-GED置信水平
95%
95%
95%
CVaR最小值
0.011
0.015
0.012
CVaR最大值
0.063
0.103
0.077
CVaR均值
0.024
0.035
0.027
CVaR标准差
0.0095
0.016
0.012
失败天数
53
17
24
失败率
0.033
0.010
0.015
表599%置信水平下CvaR预测结果统计特征
Model
GARCH(1,1)-N
GARCH(1,1)-t
GARCH(1,1)-GED置信水平
99%
99%
99%
CVaR最小值
0.014
0.019
0.017
CVaR最大值
0.082
0.133
0.11
CVaR均值
0.031
0.045
0.038
CVaR标准差
0.012
0.021
0.017
失败天数
8
1
3
失败率
0.0049
0.0006
0.0018
表3GARCH(1,1)-N、GARCH(1,1)-t和GARCH(1,1)-GED的估计参数
Model
GARCH(1,1)-N
GARCH(1,1)-t
GARCH(1,1)-GED
α0
2.03×10-6
(8.429.92)
-0.222234
(-4.712199)
1.37×10-6
3.108472
α1
0.062779
(7.179314)
0.150169
(5.730446)
0.075147
4.869907
β1
0.923854
(105.6166)
0.023302
(1.573479)
0.919095
65.56274
γ1
4.443526
(8.552164)
v
1.130458
25.70631
注:括号内数字为参数估计的t统计量。
97
统计与决策2007年9月(理论版)