基于GARCH族的上證指數(shù)VaR風(fēng)險測度研究

周偉杰 盧星虹

摘要：本文選取上證指數(shù)作為研究對象，通過運用四種GARCH模型進行VaR風(fēng)險測度建模，并用返回測試中的失敗率檢驗法和動態(tài)分位數(shù)測試對VaR風(fēng)險測度模型的準(zhǔn)確性進行實證檢驗，結(jié)果發(fā)現(xiàn)：HYGARCH和GARCH模型適合于上證指數(shù)的風(fēng)險度量。

關(guān)鍵詞：GARCH族模型；VaR測度；上證指數(shù)；返回測試

隨著經(jīng)濟全球化的發(fā)展以及金融危機的爆發(fā)和蔓延，金融市場的波動風(fēng)險也在不斷加劇，金融市場風(fēng)險不僅會給投資者帶來收益上的損失，嚴(yán)重的情況下會造成股市動蕩，國內(nèi)經(jīng)濟不穩(wěn)定等不利后果，近年來金融風(fēng)險管理愈發(fā)成為投資者、金融機構(gòu)以及各國監(jiān)管部門重視的一個問題。估計金融市場風(fēng)險的方法有很多，如系數(shù)法、波動性分析法、VaR等，經(jīng)金融學(xué)研究者的實證檢驗，VaR模型已被接受為金融市場風(fēng)險預(yù)測的重要工具。20世紀(jì)80年代，GARCH族模型被提出，它與VaR方法的結(jié)合使得金融市場的風(fēng)險得以更加真實的反映出來，已被廣泛運用于金融風(fēng)險的估計。上海證券綜合指數(shù)簡稱上證指數(shù)，是由上海證券交易所編制反映上海證券交易市場的總體走勢的指數(shù)，本文基于GARCH族模型對其進行VaR風(fēng)險測度研究，找出能夠較好的刻畫我國上證指數(shù)收益分布及波動特征的模型與方法，為風(fēng)險管理者提供一個更為準(zhǔn)確的預(yù)測風(fēng)險大小的定量方法。

一、計量模型與方法

（一）計量模型

考慮到模型的擬合度、收斂性以及資產(chǎn)的收益特征，選取[Rt=μ+εt]，[εt=σtzt]，[zt]服從標(biāo)準(zhǔn)正態(tài)分布。作為均值方程，同時選取GARCH、FIGARCH、GJR、HYGARCH這四種模型，其中GARCH項和ARCH項的滯后階數(shù)均為1。各模型的形式為：

（二）VaR估計方法

由于我國股票市場主要以做多為主，為此僅考慮多頭VaR測度。假設(shè)[VaRα+t]表示置信水平為[α]的情況下[t]時刻的多頭動態(tài)和空頭動態(tài)的VaR：[VaRα+t=μt-zασt]，其中[μt]表示[t]時刻的均值，[σt]為[t]時刻的波動率，[zα]為序列[zt]分布的[α]下位數(shù)，[Fz]為序列[zt]的邊際分布函數(shù)。本文[α]取5%和2.5%。當(dāng)一般利用失敗率檢驗法（LR）和動態(tài)分位數(shù)測試（DQR）來檢驗VaR風(fēng)險測度模型估計精準(zhǔn)度。顯著性水平為0.05，若檢測結(jié)果p值大于0.05，則表示模型是通過檢測的，且p值越大，表示該模型度量VaR風(fēng)險越準(zhǔn)確。

二、實證分析

本文選取上證指數(shù)自2006年12月1日至2018年3月1日的收盤價作為研究對象，共有2960個樣本，使用的實證分析軟件是Matlab，根據(jù)公式[Rt=lnPt-lnPt-1]得出上證指數(shù)的日收益率，其中[Pt]代表上證指數(shù)當(dāng)天的收盤價，[Pt-1]代表前一天的收盤價。

表1是GARCH、GJR、FIGARCH、HYGARCH模型正態(tài)分布下VaR測度檢驗結(jié)果。對于多頭VaR5%、2.5%，根據(jù)p值，四種GARCH模型都通過LR檢驗，但當(dāng)VaR水平為5%時， GARCH模型下的VaR測度LR檢驗的p值最大，GJR、HYGARCH模型次之。在DQR測試中，除了GJR，其余模型均通過檢驗，在VaR水平5%下，HYGARCH模型檢驗的p值最大。在VaR水平2.5%下，GARCH模型檢驗的p值最大。因此，綜合而言，在多頭VaR水平下，GARCH、HYGARCH兩個模型對上證綜指的風(fēng)險檢測能力幾乎一樣。均可用于VaR風(fēng)險測度。

三、結(jié)論及建議

本文以上海證券綜合指數(shù)為例，通過對樣本數(shù)據(jù)進行檢驗，最后運用回歸測試中常用的LR和DQR進行實證檢驗，比較四種GARCH模型在正態(tài)分布下對上證指數(shù)VaR風(fēng)險測度的結(jié)果，結(jié)論建議如下：

（1）在上證指數(shù)樣本內(nèi)研究階段，DQR測試中，HYGARCH、GARCH模型的檢測較為精確，LR測試中，GARCH模型精度最高，HYGARCH模型次之，所以基于正態(tài)分布，GARCH、HYGARCH模型可選作為上證指數(shù)的VaR風(fēng)險測度。站在金融市場監(jiān)管者的角度，可根據(jù)此模型預(yù)測出損失程度，并在此基礎(chǔ)上制定相應(yīng)的風(fēng)險管控策略與措施，防范金融風(fēng)險的發(fā)生，盡最大可能降低金融風(fēng)險帶來的危害。

（2）正態(tài)分布下VaR的風(fēng)險度量方面，有一部分檢驗不能通過，所以正態(tài)分布并不能很好地刻畫上證指數(shù)的收益率，在以后的相關(guān)研究中，可以試著考慮多分布的情況。因此，在金融風(fēng)險監(jiān)測之前，相關(guān)監(jiān)管部門應(yīng)該考慮到資產(chǎn)收益率的分布特征，并據(jù)此來選擇合適的風(fēng)險預(yù)測模型，最終才能得到比較精確的預(yù)測數(shù)據(jù)。

參考文獻：

[1]Bollerslevb T.Generalized autoregressive conditional heteroskedasticity[J].Journal of Econometrics，1986，31（3）：307-327.

[2]曹廣喜，曹杰，徐龍炳.雙長記憶GARCH族模型的預(yù)測能力比較研究[J].中國管理科學(xué)，2012，20（2）：41-49.

[3]Kupiec P. H. Techniques for Verifying the Accuracy of Risk Measurement Models [J].Journal of Derivatives， 1995，3（2）：73-84.

[4]Engle R. F.， Manganelli S. CAViaR： Conditional Autoregressive Value at Risk by Regression Quantiles[J].Journal of Business and Economic Statistics，2004，22（4）：367-381.