论文部分内容阅读
摘 要：组合风险的估计和预测一直都是风险管理中非常重要的一个方面。本文使用了利用高频数据信息的实现协方差矩阵、DCC-MVGARCH多元波动率模型、RiskMetrics模型和多元正交GARCH模型对沪深两市的指数资产组合风险在险价值的预测失败率进行了对比，并利用动态分位数检验方法对各模型的组合风险测度稳健性进行了对比研究。研究结果证明，基于高频数据的实现协方差矩阵模型能够显著提高组合风险测度的预测精度，且严格符合VaR置信区间所要求的失败率，能够很好地在提高资金使用效率与管理资产组合风险敞口间取得平衡。
关键词：实现协方差矩阵模型；在险价值；组合风险
中图分类号：F830 文献标识码：A 文章编号：1674-2265（2016）07-0003-06
一、引言
由于多元模型中维数灾难（The Curse of Dimensinality）的问题，如何确定资产组合的相关性及其变化情况，对资产组合配置、对冲和金融风险管理等多个领域都有着十分重要的理论和现实意义，如资产组合配置是否有效依赖于组合资产的相关系数，寻找最优的对冲比率更是需要精确估计对冲资产的相关系数，而想要精确地计算大型资产组合在险价值，则最好使用各资产相关系数的动态估计值。尽管得益于恩格尔和格兰杰（Engle和Granger）等人为代表的研究，波动率模型自20世纪90年代起就被大量开发出来，但是由于多元模型中需要估计的参数随着变量个数的增加呈几何级数增长，可以被用于精确估计大型多元动态相关系数的模型一直都难以得到。目前估计金融资产收益率波动相关系数的模型大致有以下几种类别：第一类方法是简单滚动历史相关系数法（Rolling Correlation Estimator）和基于RiskMetrics的指数平滑法，这种方法由于简单而且容易理解而被业界广泛使用。第二类较为复杂的方法就是一系列的多元GARCH和随机波动率模型，相关的文献见波勒斯勒夫、恩格尔和伍德里奇（Bollerslev、Engle和Wooldridge，1998），波勒斯勒夫（Bolle-rslev，1990），恩格尔和莫兹里奇（Engle和Mezrich，1996）等的研究，相关的综述类文章见波勒斯勒夫、周和科罗纳（Bollerslev、Chou和Kroner，1992），波勒斯勒夫、恩格尔和尼尔森（Bollerslev、Engle和Nelson，1994），丁和恩格尔（Ding和Engle，2001）等的研究。这些模型也有被应用的实例，不过由于模型估计的难度随着资产数目的增加飞快地增加，限制了它们在实际中被应用的范围。第三类方法则是以GARCH模型为基础而产生的多元相关系数模型，这些模型专门用于变量的相关系数估计，有单变量GARCH模型的灵活性，却不像上述多变量GARCH模型那样复杂、难以处理。亚历山大（Alexander，1998、2001）提出正交化GARCH模型，恩格尔和科罗纳（Engle和Kroner，1995）提出的Vech模型，波勒斯勒夫（1990），恩格尔（2001、2002）分别提出恒定条件相关系数模型和动态条件相关系数模型，这些模型虽然也能得到相关系数矩阵不错的估计值，但是模型的识别和估计需要很多精巧复杂的建模技术；而最近同时发展起来的基于高频数据的非参数方法有安德森和波勒斯勒夫（Andersen和Bollerslev，1998），贝恩多夫-尼尔森和谢泼德（Barndorff-Nielsen和Shephard，2002），阿里扎德、勃兰特和德博尔德（Alizadeh、Brandt和Deibold，2002）等人提出的已实现波动率（Realized Volatility）。已实现波动率是通过把一个样本区间内的收益率的平方加总得到的。在给定弱正则条件下，当抽样频率趋向无穷大时，已实现波动率依概率收敛于二次方差QV（Quadratic Variation）。随着金融市场上理论和技术工具的飞速发展，高频交易的数据变得越来越容易获得，使用日内高频构建的已实现协方差模型可以轻松地得到资产的相关系数的精确估计。对于使用高频数据的已实现波动率模型，国内的研究者也进行了前沿性的探索和研究。徐正国、张世英（2004）使用上证综指的高低频数据对调整已实现波动率和GARCH模型以及随机波动模型的优劣进行了评定，认为高频数据能够得到波动率的更好估计。于亦文（2006）也利用上证综指的高频数据得到了相同的结论。唐勇、张世英（2006）发现，加权已实现极差波动很好地处理了日内波动的日历效应，是一种很好的日内波动测量指标。魏宇、余怒涛（2007）使用上证综指的高频数据对各类波动率模型进行实证分析，并针对四种损失函数提出使用自举法（Bootstrap）的高级预测能力检验法（SPA）。结果也是显示使用高频数据的已实现波动率要比传统的低频数据模型好。邵锡栋、殷炼乾（2008）的研究也指出，利用高频数据所构建的实现波动类GARCH模型估计能够为单个资产的价格风险提供更为精确的估计和预测。这些工作为本文的进一步探索提供了坚实的实证基础。
基于以上的思考，本文利用已实现协方差矩阵模型，对由中國沪深两市指数高频数据得到的实现波动率建模，首次在预测波动特征的基础上预测风险价值VaR，并同基于日收益数据的多种动态形式的相关系数模型的VaR预测能力进行比较。我们发现该模型能够显著提高组合风险测度的预测精度，且严格符合VaR置信区间所要求的失败率，能够很好地在提高资金使用效率与管理资产组合风险敞口间取得平衡。本文的结构安排如下：第二部分构建了已实现协方差矩阵模型，并给出了其他三种相关系数的动态估计模型；第三部分利用上一部分介绍的几个竞争性模型预测了分散投资与对冲投资两个类型的指数型投资组合的在险价值，并利用恩格尔等（2004）的动态分位数检验对各个模型的预测能力进行实证比较；第四部分是本文得到的主要结论。
二、组合资产风险水平的动态估计模型 三、指数型投资组合的VaR计算
（一）数据描述
为了避免数据的不同时性、稀少（infrequent）交易、买賣价差（bid-ask spread）等等市场微结构问题，我们采用上证综指和深证成指的高频数据样本，采样时间从2013年6月2号到2015年11月21日，共598个交易日收据，每天4个小时的交易时间，根据霍尔和库普曼（Hol和Koopman，2002）的研究，在使用已实现波动率作为日内波动率的估计时，五分钟频率数据为避免市场微结构影响的最佳频率，本文也采用五分钟的采样频率。因此每天有48笔资料、共28704笔数据。每一笔都有独立的开始、最高、最低和结束价格。表1列出了上证综指和深证成指的高频数据样本的统计特性。
从表1中我们可以看到：（1）日收益率相对日波动率来说的确很小，可以忽略不计；（2）两市指数日收益率序列的峰态系数都远远超过标准正态分布，是典型的尖峰厚尾分布，而其偏态系数则不算太大；（3）日收益率的Jarque-Bera统计量都相当显著，显示着它们并不是正态分布。
接下来，我们使用上文的四种模型计算这两个数据样本的动态相关系数，图1给出了四种模型的动态相关系数。
（二）VaR的计算和回顾测试
构造一个二元股指投资组合，其包含的两份资产分别是上海综合指数和深圳成分指数。为了简化VaR的计算，突出我们想要强调的重点，假设此投资组合的日收益率服从均值为零的正态分布（由表1可知，此正态分布的假设可能不完全正确）。令表示投资于上海综合指数的份额，表示它的第期的动态标准差，表示投资于深圳成分指数的份额，表示第期的动态标准差，表示这两种资产收益率第期的动态相关系数，表示在给定置信度（1-）%下的分位数，则此投资组合第期的在险价值（多头头寸）为：
由此式可知，某一投资组合在给定置信度（1-）%下的第期的在险价值表示这一资产的收益率有比更低。比如给定95%的置信度下计算出来的在险价值为，则表明在第期的时候，这一投资组合获得的收益率只有5%的可能性比更低。同时，如果我们将真实的收益率低于计算出来的的可能性定义为失败率，相关系数模型将（5）式中的参数如、和计算得越准确、越接近真实值，模型计算出来的失败率就越接近理论值5%。因此我们可以通过检验计算的失败率来比较模型的优劣。由于实现协方差矩阵模型在蒙特卡罗试验中能够相当准确地计算出动态协方差矩阵，我们在这里也同样可以期待实现协方差矩阵模型有出色的表现。除了可以直接使用计算的失败率来比较模型的优劣之外，恩格尔和曼加尼利（Engle和Manganelli，2001）还提出了动态分位数检验方法。这种检验方法除了考虑VaR的失败率外，还考虑了发生VaR失败的观察值之间是否具有相关性。如果使用的模型导致发生VaR失败的观察值之间具有明显相关性的话，则说明该模型没有充分考虑到资产组合风险水平的动态结构。
若定义某投资组合第期的真实收益率为，给定置信度（1-）%，动态分位数检验的主要步骤是：首先构造一个新的碰撞序列，然后联合检验零假设以及与同信息集中的变量不相关性。在零假设下，对回归式（6）中系数的一个联合F检验就可以检验所使用的模型是否充分考虑了协方差矩阵的动态结构。
表2报告了四种模型由（5）式计算出来的在险价值的失败率和相应条件下（6）式中全部系数的联合F检验的P值；在（5）式中设该投资组合中上证综指和深证成指的份额相同，即；分别取1%、3%、5%和10%的显著水平，（6）式中的包含了碰撞序列的5期滞后、当期计算的VaR值及一个截距项。
表3检验了在另一种投资组合模式——等份额对冲式投资组合下四种模型的表现，这是为了检验我们采用的检验方式是否具有一致性；计算中除了假设、之外，其余的参数均和表2种使用的参数相同。
（三）结果分析
从表2和表3的结果中我们可以看出：在两种投资组合模式下通过设定不同的置信区间所得到的8次试验中，实现协方差矩阵模型有5次在四个模型中表现最优（得到了最接近理论值的失败率），其他三个模型各有一次表现最优。这跟我们的预期十分吻合，说明实现协方差矩阵模型在风险管理的实际应用中能够显著提高组合风险测度的预测精度，且严格符合VaR置信区间所要求的失败率，能够很好地在提高资金使用效率与管理资产组合风险敞口间取得平衡。
四、结论
组合风险中动态相关系数的估计构成了对于资产组合风险管理偏差的重要组成部分，本文利用最新的使用高频价格数据信息的实现协方差矩阵模型和以往业界流行使用的DCC-MVGARCH多元波动率模型、RiskMetric模型和多元正交GARCH模型在分散型指数投资组合、对冲型指数投资组合方面分别对在险价值的预测失败率进行了对比，并利用动态分位数检验方法对各模型的组合风险测度稳健性进行了对比研究，研究结果证明基于高频数据的实现协方差矩阵模型能够显著提高组合风险测度的预测精度，且严格符合VaR置信区间所要求的失败率，能够很好地在提高资金使用效率与管理资产组合风险敞口间取得平衡，且其对于已发生的海量价格数据信息利用充分，具有良好的发展前景，并为继续探讨组合间的价格跳跃风险及其预测、防范和预警机制打下了坚实的基础。
参考文献：
[1]Andersen，T.，Bollerslev，T. .1998. Answering the skeptics：Yes，standard volatility models do provide accurate forecasts，International Economic Review，39.
[2]Andersen，T.，Bollerslev，T.，Diebold，F.. 2003. Modeling and forecasting realized volatility，Econometrica，71. [3]Chou，R.. 2005. Forecasting financial volatilities with extreme values：the Conditional Auto Regressive Range（CARR）Model，Journal of Money Credit and Banking，37（3）.
[4]Engle，R.，Manganelli，S.. 2004. CAViaR：Conditional autoregressive Value at Risk by regression quantiles，Journal of Business and Economics Statistics，22.
[5]Giot，P，Laurent，S. 2003. Value-at-Risk for long and short positions，Journal of Applied Econometrics，18.
[6]Giot，P，Laurent，S. 2004. Modeling daily value-at-risk using realized volatility and ARCH type models，Journal of Empirical Finance，11.
[7]Kupiec，P. 1995. Techniques for verifying the accuracy of risk measurement models，Journal of Derivatives，2.
[8]Alexander，C.O. 2001. Orthogonal GARCH， Mastering Risk（C.O. Alexander， Ed.）Volume 2. Financial Times - Prentice Hall.
[9]Bollerslev，T. 1990. Modelling the Coherence in Short-run Nominal Exchange Rates：A Multivariate Generalized ARCH Model，Review of Economics and Statistics，72.
[10]TG Andersen，T Bollerslev，FX Diebold，P Labys. 2001. The Distribution of Realized Exchange Rate Volatility，Journal of Financial Economics.
[11]RF Engle. 2000. Dynamic Conditional Correlation：A Simple Class of Multivariate GARCH Models[J] .Journal of Business and Economic Statistics.
[12]E Hol，SJ Koopman. 2002. Stock Index Volatility Forecasting with High Frequency Data，working paper.
[13]徐正國，张世英.调整“已实现”波动率与GARCH及SV模型对波动的预测能力的比较研究[J]. 系统工程，2004，（8）.
[14]唐勇，张世英.高频数据的加权已实现极差波动及其实证分析[J].系统工程，2006，（8）.
[15]魏宇，余怒涛.中国股票市场的波动率预测模型及其SPA检验[J].金融研究，2007，（7）.
[16]魏宇.有偏胖尾分布下的金融市场风险测度方法[J].系统管理学报，2007，（3）.
[17]周杰，刘三阳，邵锡栋.基于样本分位数的波动率估计：条件自回归拟极差模型[J].南开经济研究，2007，（5）.
[18]樊智，张世英.多元GARCH建模及其在中国股市分析中的应用[J].管理科学学报，2003，6（2）.
[19]邵锡栋，殷炼乾.基于实现极差和实现波动率的中国金融市场风险测度研究[J].金融研究，2008，（6）.
Abstract：The estimation and forecast of portfolio market risks is always a very important aspect of risk management. This paper employs the realized co-variance matrix model，DCC-MVGARCH model，RiskMetrics model and multi-variants Orthogonal GARCH model to compare their forecast failure ratios of the value at risk of the Shanghai and Shenzhen stock index portfolio and also compare these models with a dynamic quantile test for the forecasting robustness. The results show that the realized co-variance matrix model based on high-frequency prices data can significantly improve the forecast accuracy of the portfolio market risk，and its failure rates are also strictly consistent with the corresponding confidence levels. Hence this model has achieved a good balance between high utilization of money and also its risk exposures of portfolio management.
Key Words：realized co-variance matrix model，value at risk，portfolio risk
关键词：实现协方差矩阵模型；在险价值；组合风险
中图分类号：F830 文献标识码：A 文章编号：1674-2265（2016）07-0003-06
一、引言
由于多元模型中维数灾难（The Curse of Dimensinality）的问题，如何确定资产组合的相关性及其变化情况，对资产组合配置、对冲和金融风险管理等多个领域都有着十分重要的理论和现实意义，如资产组合配置是否有效依赖于组合资产的相关系数，寻找最优的对冲比率更是需要精确估计对冲资产的相关系数，而想要精确地计算大型资产组合在险价值，则最好使用各资产相关系数的动态估计值。尽管得益于恩格尔和格兰杰（Engle和Granger）等人为代表的研究，波动率模型自20世纪90年代起就被大量开发出来，但是由于多元模型中需要估计的参数随着变量个数的增加呈几何级数增长，可以被用于精确估计大型多元动态相关系数的模型一直都难以得到。目前估计金融资产收益率波动相关系数的模型大致有以下几种类别：第一类方法是简单滚动历史相关系数法（Rolling Correlation Estimator）和基于RiskMetrics的指数平滑法，这种方法由于简单而且容易理解而被业界广泛使用。第二类较为复杂的方法就是一系列的多元GARCH和随机波动率模型，相关的文献见波勒斯勒夫、恩格尔和伍德里奇（Bollerslev、Engle和Wooldridge，1998），波勒斯勒夫（Bolle-rslev，1990），恩格尔和莫兹里奇（Engle和Mezrich，1996）等的研究，相关的综述类文章见波勒斯勒夫、周和科罗纳（Bollerslev、Chou和Kroner，1992），波勒斯勒夫、恩格尔和尼尔森（Bollerslev、Engle和Nelson，1994），丁和恩格尔（Ding和Engle，2001）等的研究。这些模型也有被应用的实例，不过由于模型估计的难度随着资产数目的增加飞快地增加，限制了它们在实际中被应用的范围。第三类方法则是以GARCH模型为基础而产生的多元相关系数模型，这些模型专门用于变量的相关系数估计，有单变量GARCH模型的灵活性，却不像上述多变量GARCH模型那样复杂、难以处理。亚历山大（Alexander，1998、2001）提出正交化GARCH模型，恩格尔和科罗纳（Engle和Kroner，1995）提出的Vech模型，波勒斯勒夫（1990），恩格尔（2001、2002）分别提出恒定条件相关系数模型和动态条件相关系数模型，这些模型虽然也能得到相关系数矩阵不错的估计值，但是模型的识别和估计需要很多精巧复杂的建模技术；而最近同时发展起来的基于高频数据的非参数方法有安德森和波勒斯勒夫（Andersen和Bollerslev，1998），贝恩多夫-尼尔森和谢泼德（Barndorff-Nielsen和Shephard，2002），阿里扎德、勃兰特和德博尔德（Alizadeh、Brandt和Deibold，2002）等人提出的已实现波动率（Realized Volatility）。已实现波动率是通过把一个样本区间内的收益率的平方加总得到的。在给定弱正则条件下，当抽样频率趋向无穷大时，已实现波动率依概率收敛于二次方差QV（Quadratic Variation）。随着金融市场上理论和技术工具的飞速发展，高频交易的数据变得越来越容易获得，使用日内高频构建的已实现协方差模型可以轻松地得到资产的相关系数的精确估计。对于使用高频数据的已实现波动率模型，国内的研究者也进行了前沿性的探索和研究。徐正国、张世英（2004）使用上证综指的高低频数据对调整已实现波动率和GARCH模型以及随机波动模型的优劣进行了评定，认为高频数据能够得到波动率的更好估计。于亦文（2006）也利用上证综指的高频数据得到了相同的结论。唐勇、张世英（2006）发现，加权已实现极差波动很好地处理了日内波动的日历效应，是一种很好的日内波动测量指标。魏宇、余怒涛（2007）使用上证综指的高频数据对各类波动率模型进行实证分析，并针对四种损失函数提出使用自举法（Bootstrap）的高级预测能力检验法（SPA）。结果也是显示使用高频数据的已实现波动率要比传统的低频数据模型好。邵锡栋、殷炼乾（2008）的研究也指出，利用高频数据所构建的实现波动类GARCH模型估计能够为单个资产的价格风险提供更为精确的估计和预测。这些工作为本文的进一步探索提供了坚实的实证基础。
基于以上的思考，本文利用已实现协方差矩阵模型，对由中國沪深两市指数高频数据得到的实现波动率建模，首次在预测波动特征的基础上预测风险价值VaR，并同基于日收益数据的多种动态形式的相关系数模型的VaR预测能力进行比较。我们发现该模型能够显著提高组合风险测度的预测精度，且严格符合VaR置信区间所要求的失败率，能够很好地在提高资金使用效率与管理资产组合风险敞口间取得平衡。本文的结构安排如下：第二部分构建了已实现协方差矩阵模型，并给出了其他三种相关系数的动态估计模型；第三部分利用上一部分介绍的几个竞争性模型预测了分散投资与对冲投资两个类型的指数型投资组合的在险价值，并利用恩格尔等（2004）的动态分位数检验对各个模型的预测能力进行实证比较；第四部分是本文得到的主要结论。
二、组合资产风险水平的动态估计模型 三、指数型投资组合的VaR计算
（一）数据描述
为了避免数据的不同时性、稀少（infrequent）交易、买賣价差（bid-ask spread）等等市场微结构问题，我们采用上证综指和深证成指的高频数据样本，采样时间从2013年6月2号到2015年11月21日，共598个交易日收据，每天4个小时的交易时间，根据霍尔和库普曼（Hol和Koopman，2002）的研究，在使用已实现波动率作为日内波动率的估计时，五分钟频率数据为避免市场微结构影响的最佳频率，本文也采用五分钟的采样频率。因此每天有48笔资料、共28704笔数据。每一笔都有独立的开始、最高、最低和结束价格。表1列出了上证综指和深证成指的高频数据样本的统计特性。
从表1中我们可以看到：（1）日收益率相对日波动率来说的确很小，可以忽略不计；（2）两市指数日收益率序列的峰态系数都远远超过标准正态分布，是典型的尖峰厚尾分布，而其偏态系数则不算太大；（3）日收益率的Jarque-Bera统计量都相当显著，显示着它们并不是正态分布。
接下来，我们使用上文的四种模型计算这两个数据样本的动态相关系数，图1给出了四种模型的动态相关系数。
（二）VaR的计算和回顾测试
构造一个二元股指投资组合，其包含的两份资产分别是上海综合指数和深圳成分指数。为了简化VaR的计算，突出我们想要强调的重点，假设此投资组合的日收益率服从均值为零的正态分布（由表1可知，此正态分布的假设可能不完全正确）。令表示投资于上海综合指数的份额，表示它的第期的动态标准差，表示投资于深圳成分指数的份额，表示第期的动态标准差，表示这两种资产收益率第期的动态相关系数，表示在给定置信度（1-）%下的分位数，则此投资组合第期的在险价值（多头头寸）为：
由此式可知，某一投资组合在给定置信度（1-）%下的第期的在险价值表示这一资产的收益率有比更低。比如给定95%的置信度下计算出来的在险价值为，则表明在第期的时候，这一投资组合获得的收益率只有5%的可能性比更低。同时，如果我们将真实的收益率低于计算出来的的可能性定义为失败率，相关系数模型将（5）式中的参数如、和计算得越准确、越接近真实值，模型计算出来的失败率就越接近理论值5%。因此我们可以通过检验计算的失败率来比较模型的优劣。由于实现协方差矩阵模型在蒙特卡罗试验中能够相当准确地计算出动态协方差矩阵，我们在这里也同样可以期待实现协方差矩阵模型有出色的表现。除了可以直接使用计算的失败率来比较模型的优劣之外，恩格尔和曼加尼利（Engle和Manganelli，2001）还提出了动态分位数检验方法。这种检验方法除了考虑VaR的失败率外，还考虑了发生VaR失败的观察值之间是否具有相关性。如果使用的模型导致发生VaR失败的观察值之间具有明显相关性的话，则说明该模型没有充分考虑到资产组合风险水平的动态结构。
若定义某投资组合第期的真实收益率为，给定置信度（1-）%，动态分位数检验的主要步骤是：首先构造一个新的碰撞序列，然后联合检验零假设以及与同信息集中的变量不相关性。在零假设下，对回归式（6）中系数的一个联合F检验就可以检验所使用的模型是否充分考虑了协方差矩阵的动态结构。
表2报告了四种模型由（5）式计算出来的在险价值的失败率和相应条件下（6）式中全部系数的联合F检验的P值；在（5）式中设该投资组合中上证综指和深证成指的份额相同，即；分别取1%、3%、5%和10%的显著水平，（6）式中的包含了碰撞序列的5期滞后、当期计算的VaR值及一个截距项。
表3检验了在另一种投资组合模式——等份额对冲式投资组合下四种模型的表现，这是为了检验我们采用的检验方式是否具有一致性；计算中除了假设、之外，其余的参数均和表2种使用的参数相同。
（三）结果分析
从表2和表3的结果中我们可以看出：在两种投资组合模式下通过设定不同的置信区间所得到的8次试验中，实现协方差矩阵模型有5次在四个模型中表现最优（得到了最接近理论值的失败率），其他三个模型各有一次表现最优。这跟我们的预期十分吻合，说明实现协方差矩阵模型在风险管理的实际应用中能够显著提高组合风险测度的预测精度，且严格符合VaR置信区间所要求的失败率，能够很好地在提高资金使用效率与管理资产组合风险敞口间取得平衡。
四、结论
组合风险中动态相关系数的估计构成了对于资产组合风险管理偏差的重要组成部分，本文利用最新的使用高频价格数据信息的实现协方差矩阵模型和以往业界流行使用的DCC-MVGARCH多元波动率模型、RiskMetric模型和多元正交GARCH模型在分散型指数投资组合、对冲型指数投资组合方面分别对在险价值的预测失败率进行了对比，并利用动态分位数检验方法对各模型的组合风险测度稳健性进行了对比研究，研究结果证明基于高频数据的实现协方差矩阵模型能够显著提高组合风险测度的预测精度，且严格符合VaR置信区间所要求的失败率，能够很好地在提高资金使用效率与管理资产组合风险敞口间取得平衡，且其对于已发生的海量价格数据信息利用充分，具有良好的发展前景，并为继续探讨组合间的价格跳跃风险及其预测、防范和预警机制打下了坚实的基础。
参考文献：
[1]Andersen，T.，Bollerslev，T. .1998. Answering the skeptics：Yes，standard volatility models do provide accurate forecasts，International Economic Review，39.
[2]Andersen，T.，Bollerslev，T.，Diebold，F.. 2003. Modeling and forecasting realized volatility，Econometrica，71. [3]Chou，R.. 2005. Forecasting financial volatilities with extreme values：the Conditional Auto Regressive Range（CARR）Model，Journal of Money Credit and Banking，37（3）.
[4]Engle，R.，Manganelli，S.. 2004. CAViaR：Conditional autoregressive Value at Risk by regression quantiles，Journal of Business and Economics Statistics，22.
[5]Giot，P，Laurent，S. 2003. Value-at-Risk for long and short positions，Journal of Applied Econometrics，18.
[6]Giot，P，Laurent，S. 2004. Modeling daily value-at-risk using realized volatility and ARCH type models，Journal of Empirical Finance，11.
[7]Kupiec，P. 1995. Techniques for verifying the accuracy of risk measurement models，Journal of Derivatives，2.
[8]Alexander，C.O. 2001. Orthogonal GARCH， Mastering Risk（C.O. Alexander， Ed.）Volume 2. Financial Times - Prentice Hall.
[9]Bollerslev，T. 1990. Modelling the Coherence in Short-run Nominal Exchange Rates：A Multivariate Generalized ARCH Model，Review of Economics and Statistics，72.
[10]TG Andersen，T Bollerslev，FX Diebold，P Labys. 2001. The Distribution of Realized Exchange Rate Volatility，Journal of Financial Economics.
[11]RF Engle. 2000. Dynamic Conditional Correlation：A Simple Class of Multivariate GARCH Models[J] .Journal of Business and Economic Statistics.
[12]E Hol，SJ Koopman. 2002. Stock Index Volatility Forecasting with High Frequency Data，working paper.
[13]徐正國，张世英.调整“已实现”波动率与GARCH及SV模型对波动的预测能力的比较研究[J]. 系统工程，2004，（8）.
[14]唐勇，张世英.高频数据的加权已实现极差波动及其实证分析[J].系统工程，2006，（8）.
[15]魏宇，余怒涛.中国股票市场的波动率预测模型及其SPA检验[J].金融研究，2007，（7）.
[16]魏宇.有偏胖尾分布下的金融市场风险测度方法[J].系统管理学报，2007，（3）.
[17]周杰，刘三阳，邵锡栋.基于样本分位数的波动率估计：条件自回归拟极差模型[J].南开经济研究，2007，（5）.
[18]樊智，张世英.多元GARCH建模及其在中国股市分析中的应用[J].管理科学学报，2003，6（2）.
[19]邵锡栋，殷炼乾.基于实现极差和实现波动率的中国金融市场风险测度研究[J].金融研究，2008，（6）.
Abstract：The estimation and forecast of portfolio market risks is always a very important aspect of risk management. This paper employs the realized co-variance matrix model，DCC-MVGARCH model，RiskMetrics model and multi-variants Orthogonal GARCH model to compare their forecast failure ratios of the value at risk of the Shanghai and Shenzhen stock index portfolio and also compare these models with a dynamic quantile test for the forecasting robustness. The results show that the realized co-variance matrix model based on high-frequency prices data can significantly improve the forecast accuracy of the portfolio market risk，and its failure rates are also strictly consistent with the corresponding confidence levels. Hence this model has achieved a good balance between high utilization of money and also its risk exposures of portfolio management.
Key Words：realized co-variance matrix model，value at risk，portfolio risk