论文部分内容阅读
摘要：本文分别运用GARCH和Cornish-Fisher扩展的VaR模型对外汇市场的汇率价格收益率进行实证比较研究，选取具有代表性的欧元对美元和英镑兑美元的汇率作为变量，并对VaR进行预测。实证结果发现，结合异方差的Cornish-Fisher扩展的VaR模型与仅用波动率描述的VaR计量方法相比较具有较好的修正作用，且所得出的VaR值结果存在也有一定的差异。从而分析不同方法下得到的VaR值对于在外汇市场中不同偏好风险管理者的意义，并对外汇市场汇率波动成因进行初步的探讨。
关键词：GARCH模型；VaR模型；Cornish-Fisher
一、引言
风险管理作为一种金融风险评估和计量模型，已被全球各主要银行、非银行金融机构广泛采用。VaR即Value at Risk“风险值”指在正常的市场条件和给定的置信度，用于评估、计量任何一种资产或证券投资组成在既定时期内所面临的市场风险大小和可能遭受的潜力最大价值损失。通常，人们将风定义为未来净收益的不确定性。对资产价格波动如何随时间变化的理解是投资者在决策过程中面临的主要问题之一，市场投资者可以利用对波动性的预测来进行风险管理、衍生证券的定价与对冲、市场时机的把握和投资组合的选择。
在外汇市场上，汇率受多种因素的影响，怎样控制好收益和风险的关系尤其显得重要，本文引入GARCH模型(Exponential GARCH)，选取最主要汇率之一欧元对美元汇率以及英镑兑美元汇率模型计算其VaR值，以此来探究外汇市场上的汇率变动的波动性和风险特征。
二、模型的理论介绍
1.基于GARCH模型的VaR
由于条件异方差的存在,1982年恩格尔(Engle)提出了著名的ARCH模型。后,Bollerslev(1986)将了残差方差的滞后项引入ARCH模型的方差方程中,得到了广义ARCH模型,即GARCH(p,q)模型。其具体形式为:
yt=α+β′xt+εt（1）
εt/It-1~N(0,ht)（2）
ht=α0+∑qi=1αε2t-i+∑pj=1βjht-j（3）
其中,α0＞0,αi≥0(i=1,…,q),βj≥0(j=1,…p)保证条件方差的非负性;为到t时刻之前的t-1时刻的信息集;∑qi=1ai+∑pj=1βj＜1保证该过程的平稳性。GARCH模型虽有很强的概括能力,但所有参数都有非负的限制,增加了估计的难度。1991年Nelson提出了指数GARCH模型(即EGARCH模型)放松了这些参数的非负约束,用对数形式来表示条件方差方程，也称指数GARCH模型。
VaR模型计算的GARCH类模型方法属于VaR 计算时候的分析方法，这种方法考虑到实际金融市场中收益率的厚尾性会导致对风险的低估，由此可以利用GARCH的条件方差来度量资产市场VaR，可以在一般的方差协方差的基础上得到第t天的VaR值，也可以用作预测。
Var=htZa（4）
其中Zα为置信水平为α时的分位数（当α=0.01时，Z0.01=2.33，当时α=0.05，Z0.05=1.64）。
2.基于Cornish-Fisher扩展的VaR估计方法
Zangari(1996)首次在VaR的计算中引用Cornish-Fisher扩展方法；Mina和Ulmer(1999)在比较了四种非正态分布情况下计算VaR的方法，认为Cornish-Fisher扩展方法只需计算收益率序列的均值方差、偏度、峰度，简化了VaR的计算，但稳健性较差;Pichler和Selitsch(1999)通过进一步研究指出在有负的偏度时Cornish-Fisher扩展方法具有良好效果。从统计学的角度来看Cornish-Fisher扩展方法的一个基本原理是任意分布都可被看作其他分布的函数，可以用其他分布的参数表示。根据VaR的定义，其具体模型如下：
首先我们定义标准投资组合收益
zt=Rt/σt:D(0,1)（5）
其中Rt是投资组合收益，σt是对应投资组合收益的标准差。
在置信水平为α下的Cornish-Fisher扩展的VaR的计算公式：
VaRαt=-σCF-1α（6）
其中CF-1α=-1α+ξ16[(-1α)-1]+ξ224[(-1α)3-3-1α]-ξ2136[2(-1α)3-5-1α]，在这里，ξ1和ξ2分别为标准投资组合收益zt的偏度和峰度，由于本文考虑的置信水平α为1％和5％，故-1.01≈-2.33，-1.05≈-1.64，这样，在置信水平为1％和5％的投资组合VaR计算公式分别为：
VaR.01t=-(-2.33+0.74ζ1-0.24ζ2-0.38ζ21)σt（7）
VaR.05t=-(-1.64+0.28ζ1+0.02ζ2+0.02ζ21)σt（8）
三、欧元对美元汇率的的统计特征
1.数据来源
我们在外汇市场中选取了欧元对美元汇率EURUSD和英镑对美元的汇率GBPUSD作为变量。欧元的波动对于美元指数的强弱影响最大，具有良好的市场代表性。从外汇交易软件中选取了从2005年1月2日到2008年1月3日的每日收盘价作为外汇数据样本，一共是508个收盘价格（数据来源于FOREX交易软件）。汇率的收益率形式采用自然对数收益率的形式，即每日收益率为前后交易日收盘价格的自然对数的一阶差分值，形式如下：
Rt=ln(pt)-ln(pt-1（9）
其中pt为第t期的收盘价格。这样我们就得到欧元对美元汇率日收益率时间序列{Rt}。
2.基本统计指标
首先用ADF单位根方法对{Rt}进行平稳性检验。EURUSD序列的检验结果是，ADF的统计值为-13.66191，小于1％显著水平下的临界值(-3.443281)，通不过零假设，可以认为这组时间序列不存在在单位根，因此是一个平稳过程。
再通过自相关函数(ACF)和偏自相关函数(PACF)对收益率序列进行自相关性分析。结果中发现，收益率序列可以用ARMA过程来建立模型，来表明汇率回报收益率数据存在明显的短期相关性。从相关和偏相关的数据中，依据经验我们可以选用ARMA(1,1)模型。由再对该收益率序列进行统计分析。图1为{Rt}的柱状图和相关统计量，偏度为0.0354峰度为3.5697，与标准正态分布比较，明显呈左偏和“尖峰厚尾”的特征。Jarue-Bera检验值远大于5％显著水平的临界值5.99，拒绝了序列服从正态分布的原假设，应采用非对称模型进行回归，依据经验我们选取学生氏t分布来调整尾部的偏差。
图1 欧元对美元汇率EURUSD统计量
图2 欧元对美元汇率EURUSD的收益率时序图
从图2可以看出收益率序列大幅度波动后紧跟着较大幅度的波动，较小幅度的波动后紧跟着是较小幅度的波动，即该时间序列的波动存在聚集性，说明建立GARCH类模型来模拟是恰当的。进一步我们可对{Rt}平方收益率进行偏自相关分析，来检查是否存在ARCH效应。由表1知存在Q统计量显著，即ARCH效应显著，存在异方差性，且需要较高阶的ARCH模型，在这里我们采用AIC或SC准则和调整后决定系数标准，经过比较分析，最后选定GARCH(1,1)模型来拟合。本文所用的计量分析软件是Eviews5.0软件。
表1 欧元对美元汇率EURUSD收益率平方的部分自相关和偏自相关统计量
q值12345678
Q-Stat0.00010.00022.06692.25472.25483.704014.04514.055
Prob0.9921.0000.5590.6890.8130.7170.0500.080
同样的方法，我们对GBPUSD进行统计检验，并对结果分析，
表4 汇率基于Cornish-Fisher模型的VaR值的基本统计特征
时间序列置信水平概率ht偏度峰度CFVaR
欧元对美元1％
5％0.00445-0.0403583.135991-3.113120.20677
-1.588540.10551
英镑对美元1％5％0.008900.4270252.485737-2.679870.02386
-1.467070.01306
最后得出的结论是两个时间序列的特性很相似，同样采用GARCH模型来拟合英镑对美元的汇率。（限于篇幅，没有将英镑对美元的汇率GBPUSD收益率相关图标和数据一一反映出。在未涉及到VaR计算时候均以EURUSD收益率为代表。）
四、模型的估计结果
1.基于GARCH(1,1)的VaR模型
ARMA(1,1)-GARCH模型参数和各种检验统计量参见表2：
yt=byt-1+dat-1+at（10）
ht=ω+aε2t-1+βht-1（11）
由表2可知，F回归模型中b值大于0，表明收益与其承担风险了具有正相关关系。
从欧元的美元汇率收益率回归模型中可以看出市场存在弱的中短期记忆性，表明在外汇市场中，包含在外汇市场中汇率的价格波动中的有关信息并未完全被当前的所反映，虽然在外汇市场中每日或每周都有相关的经济数据公布，但并不是明确的在价格上反映，投资对其的理解和以此所做的预测不同所反映出来的的是对信息不完全反映。
表2 欧元对美元汇率EURUSD收益率序列GARCH(1,1)模型估计参数
参数
ARMA方差方程
bdaωαβ
Coefficient0.093313-0.0553430.0003751.54E-070.0245620.965760
Std.Error0.121372-0.1224980.0001831.55E-070.0123610.017808
Prob.0.44200.65410.04090.31950.04690.0000
R-squared0.002479Akaike info criterion-8.141496
Adjusted R-squared-0.007496Schwarz criterion-8.091379
Log likelihood2065.798F-statistic0.248504
Durbin-Watson stat2.029485Prob(F-statistic)0.940518
2.基于VaR模型预测
下面的运用是对下一个交易日的VaR进行预测。表3显示的是分别在置信度概率为1%和5%的水平下下一个交易日的VaR值。在此处我们的有
表3 欧元的美元汇率基于GARCH(1,1)模型的VaR值的基本统计特征
置信水平概率Zα预测的h值ht
VaR值
欧元对美元1％2.33
5％1.641.9804E-050.004450.010369
0.007298
英镑对美元1％2.335％1.640.00890391
0.008900.0207460.014602
ht(l)=ω+(α+β)ht-1(l-1),l＞1（12）
预测的向前l步的波动率从而来预测VaR,在这里取l=1下一个ht值。
VaRt=-htza（13）
其中Zα为置信水平为α时的分位数（当α=0.01时，Z0.01=2.33，当α=0.05时，Z0.05=1.64）。
3.基于Cornish-Fisher扩展的VaR估计
同样使用2006年1月3日至2008年1月5日两组外汇汇率日收益率时序数据，计算出标准日收益率的偏度S和超额峰度K及CF-1α值，采用公式(5)计算得到VaR的值，其基本统计量见表4。
五、结论及建议
1.比较以上两种方法的VaR计算值。不难发现用Cornish-Fisher逼近比GARCH模型用得到计算的VaR值大，用学生分布拟合的汇率的收益，其拟合度稍差些，用Cornish-Fisher方法去逼近理论上可以用于任何分布，但从结果来看，其得到的VaR值偏大，也就是说相同的置信度水平下，考虑的风险更多一点，这种指标计算更适合于风险厌恶性的投资管理风格，在配置资产组合考虑风险时候可以用费雪方法来求的VaR值作为参考指标。
2.基于GARCH(1,1)模型考虑到收益率的时变异方差性和杠杆效应、非对称效应，计算得到的VaR值以汇率未来每日可能下跌的最大点数描述了市场绝对风险大小。而本文中应用的Cornish-Fisher扩展的模型，在综合条件方差，偏度，峰度计算得到的VaR值更具有稳定性和精确性。
3.外汇市场风险与收益存在显著的正相关关系。由表2的结果，欧纽约外汇市场元对美元汇率收益率近似一个随即游走模型，收益率不可预测，是一个(弱）有效市场.从误差项服从的ARCH类模型可以看出收益率方差均是平稳的。外汇市场中有效市场机制起作用,使得汇率围绕均衡汇率波动,使得偶然事件对外汇市场的冲击不可能持久,不存在套利机会。因此,收益率的方差将是平稳的。而这一点中国的外汇市场却难以做到，中国外汇实行强制结售汇制,使得现行汇率偏离均衡汇率,在严格的外汇管制下，现行汇率主要反映当时外贸用汇的供求关系,并不能完全反映整体经济对外汇的供求关系,不是传统意义下的市场汇率。
参考文献：
[1]Bollerslev，T.，R.Y.Chou and K. F. Kroner, “ARCH modeling in finance”，Journal of Econo-metrics 52(1992).
[2]Ruey S.Tsay 金融时间序列分析 [M].机械工业出版社，2004.
[3]Chris Brooks.金融计量经济学导论文[M].西南财经大学出版社，2007.
[4]王应贵.统计分布与外汇风险VaR的测度[J].统计与决策，2007.5.
[5]曾慧.ARCH模型对上证指数收益波动性的实证研究[J].统计与决策，2005.3.
（作者单位：南京财经大学金融学院）
注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文
关键词：GARCH模型；VaR模型；Cornish-Fisher
一、引言
风险管理作为一种金融风险评估和计量模型，已被全球各主要银行、非银行金融机构广泛采用。VaR即Value at Risk“风险值”指在正常的市场条件和给定的置信度，用于评估、计量任何一种资产或证券投资组成在既定时期内所面临的市场风险大小和可能遭受的潜力最大价值损失。通常，人们将风定义为未来净收益的不确定性。对资产价格波动如何随时间变化的理解是投资者在决策过程中面临的主要问题之一，市场投资者可以利用对波动性的预测来进行风险管理、衍生证券的定价与对冲、市场时机的把握和投资组合的选择。
在外汇市场上，汇率受多种因素的影响，怎样控制好收益和风险的关系尤其显得重要，本文引入GARCH模型(Exponential GARCH)，选取最主要汇率之一欧元对美元汇率以及英镑兑美元汇率模型计算其VaR值，以此来探究外汇市场上的汇率变动的波动性和风险特征。
二、模型的理论介绍
1.基于GARCH模型的VaR
由于条件异方差的存在,1982年恩格尔(Engle)提出了著名的ARCH模型。后,Bollerslev(1986)将了残差方差的滞后项引入ARCH模型的方差方程中,得到了广义ARCH模型,即GARCH(p,q)模型。其具体形式为:
yt=α+β′xt+εt（1）
εt/It-1~N(0,ht)（2）
ht=α0+∑qi=1αε2t-i+∑pj=1βjht-j（3）
其中,α0＞0,αi≥0(i=1,…,q),βj≥0(j=1,…p)保证条件方差的非负性;为到t时刻之前的t-1时刻的信息集;∑qi=1ai+∑pj=1βj＜1保证该过程的平稳性。GARCH模型虽有很强的概括能力,但所有参数都有非负的限制,增加了估计的难度。1991年Nelson提出了指数GARCH模型(即EGARCH模型)放松了这些参数的非负约束,用对数形式来表示条件方差方程，也称指数GARCH模型。
VaR模型计算的GARCH类模型方法属于VaR 计算时候的分析方法，这种方法考虑到实际金融市场中收益率的厚尾性会导致对风险的低估，由此可以利用GARCH的条件方差来度量资产市场VaR，可以在一般的方差协方差的基础上得到第t天的VaR值，也可以用作预测。
Var=htZa（4）
其中Zα为置信水平为α时的分位数（当α=0.01时，Z0.01=2.33，当时α=0.05，Z0.05=1.64）。
2.基于Cornish-Fisher扩展的VaR估计方法
Zangari(1996)首次在VaR的计算中引用Cornish-Fisher扩展方法；Mina和Ulmer(1999)在比较了四种非正态分布情况下计算VaR的方法，认为Cornish-Fisher扩展方法只需计算收益率序列的均值方差、偏度、峰度，简化了VaR的计算，但稳健性较差;Pichler和Selitsch(1999)通过进一步研究指出在有负的偏度时Cornish-Fisher扩展方法具有良好效果。从统计学的角度来看Cornish-Fisher扩展方法的一个基本原理是任意分布都可被看作其他分布的函数，可以用其他分布的参数表示。根据VaR的定义，其具体模型如下：
首先我们定义标准投资组合收益
zt=Rt/σt:D(0,1)（5）
其中Rt是投资组合收益，σt是对应投资组合收益的标准差。
在置信水平为α下的Cornish-Fisher扩展的VaR的计算公式：
VaRαt=-σCF-1α（6）
其中CF-1α=-1α+ξ16[(-1α)-1]+ξ224[(-1α)3-3-1α]-ξ2136[2(-1α)3-5-1α]，在这里，ξ1和ξ2分别为标准投资组合收益zt的偏度和峰度，由于本文考虑的置信水平α为1％和5％，故-1.01≈-2.33，-1.05≈-1.64，这样，在置信水平为1％和5％的投资组合VaR计算公式分别为：
VaR.01t=-(-2.33+0.74ζ1-0.24ζ2-0.38ζ21)σt（7）
VaR.05t=-(-1.64+0.28ζ1+0.02ζ2+0.02ζ21)σt（8）
三、欧元对美元汇率的的统计特征
1.数据来源
我们在外汇市场中选取了欧元对美元汇率EURUSD和英镑对美元的汇率GBPUSD作为变量。欧元的波动对于美元指数的强弱影响最大，具有良好的市场代表性。从外汇交易软件中选取了从2005年1月2日到2008年1月3日的每日收盘价作为外汇数据样本，一共是508个收盘价格（数据来源于FOREX交易软件）。汇率的收益率形式采用自然对数收益率的形式，即每日收益率为前后交易日收盘价格的自然对数的一阶差分值，形式如下：
Rt=ln(pt)-ln(pt-1（9）
其中pt为第t期的收盘价格。这样我们就得到欧元对美元汇率日收益率时间序列{Rt}。
2.基本统计指标
首先用ADF单位根方法对{Rt}进行平稳性检验。EURUSD序列的检验结果是，ADF的统计值为-13.66191，小于1％显著水平下的临界值(-3.443281)，通不过零假设，可以认为这组时间序列不存在在单位根，因此是一个平稳过程。
再通过自相关函数(ACF)和偏自相关函数(PACF)对收益率序列进行自相关性分析。结果中发现，收益率序列可以用ARMA过程来建立模型，来表明汇率回报收益率数据存在明显的短期相关性。从相关和偏相关的数据中，依据经验我们可以选用ARMA(1,1)模型。由再对该收益率序列进行统计分析。图1为{Rt}的柱状图和相关统计量，偏度为0.0354峰度为3.5697，与标准正态分布比较，明显呈左偏和“尖峰厚尾”的特征。Jarue-Bera检验值远大于5％显著水平的临界值5.99，拒绝了序列服从正态分布的原假设，应采用非对称模型进行回归，依据经验我们选取学生氏t分布来调整尾部的偏差。
图1 欧元对美元汇率EURUSD统计量
图2 欧元对美元汇率EURUSD的收益率时序图
从图2可以看出收益率序列大幅度波动后紧跟着较大幅度的波动，较小幅度的波动后紧跟着是较小幅度的波动，即该时间序列的波动存在聚集性，说明建立GARCH类模型来模拟是恰当的。进一步我们可对{Rt}平方收益率进行偏自相关分析，来检查是否存在ARCH效应。由表1知存在Q统计量显著，即ARCH效应显著，存在异方差性，且需要较高阶的ARCH模型，在这里我们采用AIC或SC准则和调整后决定系数标准，经过比较分析，最后选定GARCH(1,1)模型来拟合。本文所用的计量分析软件是Eviews5.0软件。
表1 欧元对美元汇率EURUSD收益率平方的部分自相关和偏自相关统计量
q值12345678
Q-Stat0.00010.00022.06692.25472.25483.704014.04514.055
Prob0.9921.0000.5590.6890.8130.7170.0500.080
同样的方法，我们对GBPUSD进行统计检验，并对结果分析，
表4 汇率基于Cornish-Fisher模型的VaR值的基本统计特征
时间序列置信水平概率ht偏度峰度CFVaR
欧元对美元1％
5％0.00445-0.0403583.135991-3.113120.20677
-1.588540.10551
英镑对美元1％5％0.008900.4270252.485737-2.679870.02386
-1.467070.01306
最后得出的结论是两个时间序列的特性很相似，同样采用GARCH模型来拟合英镑对美元的汇率。（限于篇幅，没有将英镑对美元的汇率GBPUSD收益率相关图标和数据一一反映出。在未涉及到VaR计算时候均以EURUSD收益率为代表。）
四、模型的估计结果
1.基于GARCH(1,1)的VaR模型
ARMA(1,1)-GARCH模型参数和各种检验统计量参见表2：
yt=byt-1+dat-1+at（10）
ht=ω+aε2t-1+βht-1（11）
由表2可知，F回归模型中b值大于0，表明收益与其承担风险了具有正相关关系。
从欧元的美元汇率收益率回归模型中可以看出市场存在弱的中短期记忆性，表明在外汇市场中，包含在外汇市场中汇率的价格波动中的有关信息并未完全被当前的所反映，虽然在外汇市场中每日或每周都有相关的经济数据公布，但并不是明确的在价格上反映，投资对其的理解和以此所做的预测不同所反映出来的的是对信息不完全反映。
表2 欧元对美元汇率EURUSD收益率序列GARCH(1,1)模型估计参数
参数
ARMA方差方程
bdaωαβ
Coefficient0.093313-0.0553430.0003751.54E-070.0245620.965760
Std.Error0.121372-0.1224980.0001831.55E-070.0123610.017808
Prob.0.44200.65410.04090.31950.04690.0000
R-squared0.002479Akaike info criterion-8.141496
Adjusted R-squared-0.007496Schwarz criterion-8.091379
Log likelihood2065.798F-statistic0.248504
Durbin-Watson stat2.029485Prob(F-statistic)0.940518
2.基于VaR模型预测
下面的运用是对下一个交易日的VaR进行预测。表3显示的是分别在置信度概率为1%和5%的水平下下一个交易日的VaR值。在此处我们的有
表3 欧元的美元汇率基于GARCH(1,1)模型的VaR值的基本统计特征
置信水平概率Zα预测的h值ht
VaR值
欧元对美元1％2.33
5％1.641.9804E-050.004450.010369
0.007298
英镑对美元1％2.335％1.640.00890391
0.008900.0207460.014602
ht(l)=ω+(α+β)ht-1(l-1),l＞1（12）
预测的向前l步的波动率从而来预测VaR,在这里取l=1下一个ht值。
VaRt=-htza（13）
其中Zα为置信水平为α时的分位数（当α=0.01时，Z0.01=2.33，当α=0.05时，Z0.05=1.64）。
3.基于Cornish-Fisher扩展的VaR估计
同样使用2006年1月3日至2008年1月5日两组外汇汇率日收益率时序数据，计算出标准日收益率的偏度S和超额峰度K及CF-1α值，采用公式(5)计算得到VaR的值，其基本统计量见表4。
五、结论及建议
1.比较以上两种方法的VaR计算值。不难发现用Cornish-Fisher逼近比GARCH模型用得到计算的VaR值大，用学生分布拟合的汇率的收益，其拟合度稍差些，用Cornish-Fisher方法去逼近理论上可以用于任何分布，但从结果来看，其得到的VaR值偏大，也就是说相同的置信度水平下，考虑的风险更多一点，这种指标计算更适合于风险厌恶性的投资管理风格，在配置资产组合考虑风险时候可以用费雪方法来求的VaR值作为参考指标。
2.基于GARCH(1,1)模型考虑到收益率的时变异方差性和杠杆效应、非对称效应，计算得到的VaR值以汇率未来每日可能下跌的最大点数描述了市场绝对风险大小。而本文中应用的Cornish-Fisher扩展的模型，在综合条件方差，偏度，峰度计算得到的VaR值更具有稳定性和精确性。
3.外汇市场风险与收益存在显著的正相关关系。由表2的结果，欧纽约外汇市场元对美元汇率收益率近似一个随即游走模型，收益率不可预测，是一个(弱）有效市场.从误差项服从的ARCH类模型可以看出收益率方差均是平稳的。外汇市场中有效市场机制起作用,使得汇率围绕均衡汇率波动,使得偶然事件对外汇市场的冲击不可能持久,不存在套利机会。因此,收益率的方差将是平稳的。而这一点中国的外汇市场却难以做到，中国外汇实行强制结售汇制,使得现行汇率偏离均衡汇率,在严格的外汇管制下，现行汇率主要反映当时外贸用汇的供求关系,并不能完全反映整体经济对外汇的供求关系,不是传统意义下的市场汇率。
参考文献：
[1]Bollerslev，T.，R.Y.Chou and K. F. Kroner, “ARCH modeling in finance”，Journal of Econo-metrics 52(1992).
[2]Ruey S.Tsay 金融时间序列分析 [M].机械工业出版社，2004.
[3]Chris Brooks.金融计量经济学导论文[M].西南财经大学出版社，2007.
[4]王应贵.统计分布与外汇风险VaR的测度[J].统计与决策，2007.5.
[5]曾慧.ARCH模型对上证指数收益波动性的实证研究[J].统计与决策，2005.3.
（作者单位：南京财经大学金融学院）
注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文