论文部分内容阅读
摘要：本文在研究动态条件得分模型（DCS）的基础上，通过构建风险测度模型对我国股市的风险进行了度量。
关键词：动态条件得分模型 DCS t分布 VaR ES MCS
（二）模型参数估计
可以发现，上证综指没有表现出明显的杠杆性，而深证成指则表现出了在5%显著性水平上的杠杆性，说明对深证成指来说，坏消息的冲击增加了其波动性 。再者，尽管估计两个指数得到的y值都大于0，但是由于估计上证综指得到的 值小于估计深证成指得到的y值，所以坏消息对深市波动的冲击要明显强于对沪市波动的冲击。这可能有以下几个方面的原因：第一，从上市公司结构来看，深市不僅包括主板上市公司，也包括中小板和创业板的上市公司，中小板和创业板上市的公司规模相对较小且多处于发展阶段，当外部环境恶化时更易受到冲击，业绩稳定性差，而业绩不稳定的属性进一步影响了股市的波动性。第二，从投资者结构来看，相比沪市而言，在深市参与投机的散户占的比重可能更大，当坏消息出现时更易形成抛售的羊群效应，从而加大了深市的波动。
（三）在险价值VaR的后验测试和MCS检验
我们将检验区间设定为最后1000个数据，通过Kupiec的失败率检验法、Christoffersen的独立性检验和条件覆盖检验、Hansen等提出的动态分位数检验（DQ test），对6个模型在置信水平为95%和99%时的表现进行检验，可以得到它们估计上证综指和深证成指样本外VaR的效果。
通过MCS检验发现，当α=0.10时，本文所涉及的模型在测度两个指数VaR的绩效上具有等效性。因此可以说，在度量两个指数的VaR上，不仅t分布DCS模型与t分布GARCH模型相比具有等效性，而且无论是DCS模型还是GARCH模型，非对称性的加入并不会明显改变模型对VaR的预测绩效。通过研究损失函数（Loss列）的排序可以给我们在选择风险度量模型上提供参考，无论使用的置信水平为95%还是99%，在度量上证综指、深证成指VaR时，分别选择AR（1）-LGARCH （1，1）-t模型和AR（1）-LDCS（1，1）-t模型可以得到较高的预测绩效。
四、研究结论
动态条件得分模型（DCS）是新提出的一类很有发展空间和研究价值的模型。本文分别以t分布DCS模型的两种形式和t分布非对称DCS模型的两种形式作为条件方差方程，结合AR（1）结构的条件均值方程构建了样本外风险测度模型：AR（1）-DCS（1，1）-t模型、AR（1）-EDCS（1，1）-t、AR（1）-LDCS（1，1）-t模型和AR（1）- LEDCS（1，1）-t模型。同时以具有相似结构的AR（1）-GARCH（1，1）-t模型和AR（1）-LGARCH （1，1）-t模型为参照，对它们在测度上证综指和深证成指VaR和ES上的效果进行了对比研究。
综上所述，本文通过比较分析t分布下的动态得分模型（DCS）和GARCH模型在预测VaR和ES上的效果，发现动态得分模型（DCS）同GARCH模型一样可以有效地预测VaR和ES，而且它们在预测VaR的绩效上具有等效性，从而在一定程度上佐证了动态得分模型（DCS）在金融风险度量领域具有较高的应用价值。动态得分模型（DCS）的提出和发展为金融风险管理者进行有效的风险度量提供了更多可行的工具。
（作者单位：南昌大学前湖学院）
关键词：动态条件得分模型 DCS t分布 VaR ES MCS
（二）模型参数估计
可以发现，上证综指没有表现出明显的杠杆性，而深证成指则表现出了在5%显著性水平上的杠杆性，说明对深证成指来说，坏消息的冲击增加了其波动性 。再者，尽管估计两个指数得到的y值都大于0，但是由于估计上证综指得到的 值小于估计深证成指得到的y值，所以坏消息对深市波动的冲击要明显强于对沪市波动的冲击。这可能有以下几个方面的原因：第一，从上市公司结构来看，深市不僅包括主板上市公司，也包括中小板和创业板的上市公司，中小板和创业板上市的公司规模相对较小且多处于发展阶段，当外部环境恶化时更易受到冲击，业绩稳定性差，而业绩不稳定的属性进一步影响了股市的波动性。第二，从投资者结构来看，相比沪市而言，在深市参与投机的散户占的比重可能更大，当坏消息出现时更易形成抛售的羊群效应，从而加大了深市的波动。
（三）在险价值VaR的后验测试和MCS检验
我们将检验区间设定为最后1000个数据，通过Kupiec的失败率检验法、Christoffersen的独立性检验和条件覆盖检验、Hansen等提出的动态分位数检验（DQ test），对6个模型在置信水平为95%和99%时的表现进行检验，可以得到它们估计上证综指和深证成指样本外VaR的效果。
通过MCS检验发现，当α=0.10时，本文所涉及的模型在测度两个指数VaR的绩效上具有等效性。因此可以说，在度量两个指数的VaR上，不仅t分布DCS模型与t分布GARCH模型相比具有等效性，而且无论是DCS模型还是GARCH模型，非对称性的加入并不会明显改变模型对VaR的预测绩效。通过研究损失函数（Loss列）的排序可以给我们在选择风险度量模型上提供参考，无论使用的置信水平为95%还是99%，在度量上证综指、深证成指VaR时，分别选择AR（1）-LGARCH （1，1）-t模型和AR（1）-LDCS（1，1）-t模型可以得到较高的预测绩效。
四、研究结论
动态条件得分模型（DCS）是新提出的一类很有发展空间和研究价值的模型。本文分别以t分布DCS模型的两种形式和t分布非对称DCS模型的两种形式作为条件方差方程，结合AR（1）结构的条件均值方程构建了样本外风险测度模型：AR（1）-DCS（1，1）-t模型、AR（1）-EDCS（1，1）-t、AR（1）-LDCS（1，1）-t模型和AR（1）- LEDCS（1，1）-t模型。同时以具有相似结构的AR（1）-GARCH（1，1）-t模型和AR（1）-LGARCH （1，1）-t模型为参照，对它们在测度上证综指和深证成指VaR和ES上的效果进行了对比研究。
综上所述，本文通过比较分析t分布下的动态得分模型（DCS）和GARCH模型在预测VaR和ES上的效果，发现动态得分模型（DCS）同GARCH模型一样可以有效地预测VaR和ES，而且它们在预测VaR的绩效上具有等效性，从而在一定程度上佐证了动态得分模型（DCS）在金融风险度量领域具有较高的应用价值。动态得分模型（DCS）的提出和发展为金融风险管理者进行有效的风险度量提供了更多可行的工具。
（作者单位：南昌大学前湖学院）