论文部分内容阅读
现代金融风险管理的一个重要特点是它作为金融机构内部管理的一个组成部分,在整个管理体系中的地位已上升到金融机构发展战略的高度。由于近几十年来金融机构所面临的竞争越来越激烈,风险环境也越来越复杂,尤其进入90年代后一些大的银行由于风险管理失败而遭受了巨额损失,甚至破产倒闭,银行股东和经理们以及金融监管当局都深刻地认识到了现代风险管理对于银行生存和发展的重要性。 在风险管理的各种方法中,ValueAtRisk(VaR)方法最为引人瞩目。目前已有超过1000家的银行、保险公司、投资基金、养老金基金及非金融公司采用VaR方法作为金融衍生工具风险管理的手段。尤其是在过去的几年里,许多银行和法规制定者开始把这种方法当作全行业衡量风险的一种标准来看待。VaR方法之所以具有吸引力是因为它把银行的全部资产组合风险概括为一个简单的数字,并以美元计量单位来表示风险管理的核心(一一)潜在亏损。VaR实际上是要回答在概率给定情况下,银行投资组合价值在下一阶段最多可能损失多少。 VaR的比较规范的定义是,在正常的市场条件和给定的置信度(通常是95%或99%)下,在给定的持有期间内,某一资产或投资组合预期可能发生的最大的损失,或者说,在正常的市场条件和给定的时间段内,该资产或投资组合发生VaR值损失的概率仅为给定的概率水平(1-置信度)。 VaR方法用于风险控制,可以事前计算风险,不像以往风险管理的方法都是在事后衡量风险大小,不仅能计算单个金融工具的风险,还能计算由多个金融工具组成的投资组合风险,这是传统金融风险管理所不能做到的。 但VaR方法也有其明显的局限性,现有的方法对VaR的估计大部分仍基于正态假设,序列独立性假设,同时没有考虑波动时变的风险,也没有考虑波动时变的收益,而这些方面与选用的历史数据息息相关。同时使用不同的模型、不同的参数,估计的VaR值并不一样,这样很有可能会导致投资者决策的混乱,那么怎样恰当的选取模型、选取参数,甚至选取历史样本才能使计算结果更准确的反映收益与风险的状况呢。本篇论文的初衷正是源于此。 本文针对在VaR计算过程中影响其结果的各个因素展开分析,从VaR方法的假设条件入手,就资产收益率的正态性假设,资产收益率序列的独立性假设和波动率时变的假设以及对主观选择的变量-置信度分别进行实证研究,对VaR计算过程中的影响因素进行了一系列的改进,以使计算结果的VaR值更精确。本文选择具有普遍代表意义的上证50指数为标的,希望本文的分析具有更为现实的意义。 本文第一章主要介绍风险管理的发展历史,以及一些比较常用的风险管理方法,简单介绍了风险管理方法中存在的缺陷。 第二章系统介绍了VaR方法的基本概念,参数和基本假设,更正了由于翻译不当而带来的对VaR本质的认识误区。而且简单介绍了VaR计算的三种最有代表性的方法,并着重阐述了Delta类分析方法的基本原理。本章最后一节详细介绍了VaR方法的优缺点。 本文第三章首先对上证50指数的历史数据样本的选择进行分析,然后针对分析类方法,从使用VaR方法时的一些假设条件出发,分别对数据的选取、方法的选取以及置信度的选取三个方面来进行实证分析。在分析验证中,本文还系统的介绍了正态性检验、非参数Kolmogorov-Smirnov检验(简称K-S检验)、游程检验和ADF检验的基本原理。并且本文引入弹性的概念,来具体的分析资产组合在不同的置信度下的风险状况。 我们在牛市和熊市中各选取了一个样本区间,经过一系列的论证和分析,得出: 1.综合两个样本区间,日收益率序列相对周收益率序列和月收益率序列偏度更接近正态分布,而且表现比较稳定; 2.对收益序列的相关性检验大多不显著,但对平方序列的相关性检验时,在样本区间1(牛市)内是显著的,在样本区间2(熊市)内表现比较不稳定;分时收益率的波动率较高,可能与目前市场分时数据的不连续性有关; 3.对于计算VaR历史样本区间的选择,我们对标的上证50指数的50只成分股进行稳定性检验,从VaR定义的本质含义出发,兼顾时效性和稳定性来选取历史样本; 4.在对波动率研究中我们发现,Delta-正态方法在标的两个样本区间内比较稳定,并通过了后验检验,说明Delta-正态方法具有一定的代表性,增强了模型的可比性; 5.进而通过Delta-正态方法对置信度的选择进行实证分析。引入了弹性的概念,得出VaR值在置信度为97%左右时波动比较稳定,置信度在98.50%以上,尤其是99%时,VaR值的波动就会明显上升,所以选择99%的置信度则显得保守一点。 综合本文的分析,还有很多不足之处,例如本文尝试用上证指数和深圳成指来模拟市场,进而通过分析两个指数的收益率特性来模拟A股的收益率特性,这本身可能就存在一定的偏差。例如文中对方差协方差计算方法的研究中,在样本区间1内,收益率序列的平方项序列显著相关,理论上可以通过历史数据来预测未来的波动性,但是在我们使用GARCH模型来模拟时,计算的效果并不好,可能与其计算中数值运算需要的历史数据量大有关系也可能与其模拟的阶数也有关,还需进一步证实。