论文部分内容阅读
一、问题的提出
我国中小板股票市场自2005年建立以来已经成为唯一完全流通的股票市场，其建立的目的是为了建立创业板市场做铺垫（2009年深圳创业板市场已经建立）。我国中小板市场处在发展初期，市场竞争的无序性、信息的垄断性、运行机制的不完善等原因，造成中小板股票市场呈现出极强的波动性和高风险特征。VaR即在险价值，是银行等金融机构测度金融风险管理的有用工具。本文使用方差-协方差方法的VaR方法测量金融市场风险，发现可以正确描述金融资产波动序列分布的尖峰厚尾特征。因此本文认为基于ARMA-GARCH类模型的VaR方法能够有效消除序列相关性、捕捉其聚集效应和条件异方差现象，可以较好的反映我国中小板股票市场的风险，是理想的风险度量工具。
二、文献综述
实证研究发现GARCH类模型可以很好的反映时间序列动态变化特征并捕捉其聚类和异方差现象，特别是金融时间序列。刘毅、陈佳、吴润衡（2007）在《基于TARCH模型的VaR方法对上海股市的分析》中利用上证综指发现上海股票市场具有显著的杠杆效应，即股市受到利空信息的影响大于利好信息；冯科、王德全（2009）研究发现我国银行间同业拆借利率序列存在显著的反杠杆效应，正态分布和GED分布可以较好的反映同业拆借利率序列的右尾特征，但左尾不行；而t分布则不能很好的描述同业拆借利率序列尾部特征。
基于ARMA-GARCH模型的VaR的计算。我国股市不能进行卖空交易，所以我们所计算的是多头头寸的VaR为：VaRt（a）=rt（1）+Vaσt（1），a为显著性水平，rt（1），σt（1）分别为上述模型中rt的条件均值和条件标准差的向前一步预测值。
三、實证分析
样本数据的选取及说明。本文以我国中小板市场指数（399005）作为研究对象，数据选取自2006年1月24日至2011年1月24日间中小板指数（399005）每日收盘价，共1210个样本观测值。数据来源：RESET数据库；数据处理运用软件EVIEWS6.0。
首先，通过Eviews的实证检验，发现中小板市场收益率序列是平稳的，存在自相关以及条件异方差特性；其次，通过对各模型的AIC、HQC和R^2的表现比较，本文选择ARMA（1，1），ARMA（2，2），并且比较ARMA-GARCH模型的SIC、HQC值、残差检验伴随概率，认为 ARMA（2，2）-GARCH模型的SIC、AIC、HQC值的表现均要差于ARMA（1，1）-GARCH模型，所以，最终判断滞后阶数（p，q）=（1，1）时，拟合效果最好。最后发现ARMA（1，1）-GARCH（1，1）模型能够较好地反映我国中小板市场股指收益率序列的自相关和异方差现象，进而准确地估计其波动特性。并以此作为估算VaR的模型及在不同的置信水平下选择最优模型，在90%的置信度下，基于不同模型的VaR预测效果，我们应该选择ARMA-GARCH-N模型和ARMA-GARCH-T模型；在95%、99%的置信度下，基于不同模型的VaR预测效果，各模型均高估了风险，过于保守，都不可采用。
四、本文结论
本文从中小板市场收益率的波动性与分布两方面出发，建立基于ARMA-GARCH模型的VaR模型，结果发现：
第一，我国中小板市场收益率时序平稳，显著尖峰厚尾，存在自相关、条件异方差特性，所有这些条件均符合建立ARMA-GARCH模型。
第二，ARMA-GARCH模型可以有效地刻画中小板市场股指的非线性动态波动特性。经过AIC和SIC准则和比较分析，我们选择ARMA（1，1）-GARCH（1，1）模型作为下文进一步分析的模型。由于GARCH模型拟合用的是MLE方法，所以基于不同的分布将模型分为ARMA（1，1）-GARCH（1，1）-N，ARMA（1，1）-GARCH（1，1）-T，ARMA（1，1）-GARCH（1，1）-GED。
第三，在不同的置信水平下选择最优模型。在90%的置信度下，基于不同模型的VaR预测效果，我们应该选择ARMA-GARCH-N模型和ARMA-GARCH-T模型；在95%、99%的置信度下，基于不同模型的VaR预测效果，各模型均高估了风险，过于保守，都不可采用。
参考文献
[1]冯科，王德全.同业拆借利率的ARMA-GARCH模型及VaR度量研究[J].中央财经大学学报，2009（11）：36-40
[2]刘毅，陈佳，吴润衡.基于TARCH模型的VaR方法对上海股市的分析[J].北方工业大学学报，2007，19（1）：66-69
我国中小板股票市场自2005年建立以来已经成为唯一完全流通的股票市场，其建立的目的是为了建立创业板市场做铺垫（2009年深圳创业板市场已经建立）。我国中小板市场处在发展初期，市场竞争的无序性、信息的垄断性、运行机制的不完善等原因，造成中小板股票市场呈现出极强的波动性和高风险特征。VaR即在险价值，是银行等金融机构测度金融风险管理的有用工具。本文使用方差-协方差方法的VaR方法测量金融市场风险，发现可以正确描述金融资产波动序列分布的尖峰厚尾特征。因此本文认为基于ARMA-GARCH类模型的VaR方法能够有效消除序列相关性、捕捉其聚集效应和条件异方差现象，可以较好的反映我国中小板股票市场的风险，是理想的风险度量工具。
二、文献综述
实证研究发现GARCH类模型可以很好的反映时间序列动态变化特征并捕捉其聚类和异方差现象，特别是金融时间序列。刘毅、陈佳、吴润衡（2007）在《基于TARCH模型的VaR方法对上海股市的分析》中利用上证综指发现上海股票市场具有显著的杠杆效应，即股市受到利空信息的影响大于利好信息；冯科、王德全（2009）研究发现我国银行间同业拆借利率序列存在显著的反杠杆效应，正态分布和GED分布可以较好的反映同业拆借利率序列的右尾特征，但左尾不行；而t分布则不能很好的描述同业拆借利率序列尾部特征。
基于ARMA-GARCH模型的VaR的计算。我国股市不能进行卖空交易，所以我们所计算的是多头头寸的VaR为：VaRt（a）=rt（1）+Vaσt（1），a为显著性水平，rt（1），σt（1）分别为上述模型中rt的条件均值和条件标准差的向前一步预测值。
三、實证分析
样本数据的选取及说明。本文以我国中小板市场指数（399005）作为研究对象，数据选取自2006年1月24日至2011年1月24日间中小板指数（399005）每日收盘价，共1210个样本观测值。数据来源：RESET数据库；数据处理运用软件EVIEWS6.0。
首先，通过Eviews的实证检验，发现中小板市场收益率序列是平稳的，存在自相关以及条件异方差特性；其次，通过对各模型的AIC、HQC和R^2的表现比较，本文选择ARMA（1，1），ARMA（2，2），并且比较ARMA-GARCH模型的SIC、HQC值、残差检验伴随概率，认为 ARMA（2，2）-GARCH模型的SIC、AIC、HQC值的表现均要差于ARMA（1，1）-GARCH模型，所以，最终判断滞后阶数（p，q）=（1，1）时，拟合效果最好。最后发现ARMA（1，1）-GARCH（1，1）模型能够较好地反映我国中小板市场股指收益率序列的自相关和异方差现象，进而准确地估计其波动特性。并以此作为估算VaR的模型及在不同的置信水平下选择最优模型，在90%的置信度下，基于不同模型的VaR预测效果，我们应该选择ARMA-GARCH-N模型和ARMA-GARCH-T模型；在95%、99%的置信度下，基于不同模型的VaR预测效果，各模型均高估了风险，过于保守，都不可采用。
四、本文结论
本文从中小板市场收益率的波动性与分布两方面出发，建立基于ARMA-GARCH模型的VaR模型，结果发现：
第一，我国中小板市场收益率时序平稳，显著尖峰厚尾，存在自相关、条件异方差特性，所有这些条件均符合建立ARMA-GARCH模型。
第二，ARMA-GARCH模型可以有效地刻画中小板市场股指的非线性动态波动特性。经过AIC和SIC准则和比较分析，我们选择ARMA（1，1）-GARCH（1，1）模型作为下文进一步分析的模型。由于GARCH模型拟合用的是MLE方法，所以基于不同的分布将模型分为ARMA（1，1）-GARCH（1，1）-N，ARMA（1，1）-GARCH（1，1）-T，ARMA（1，1）-GARCH（1，1）-GED。
第三，在不同的置信水平下选择最优模型。在90%的置信度下，基于不同模型的VaR预测效果，我们应该选择ARMA-GARCH-N模型和ARMA-GARCH-T模型；在95%、99%的置信度下，基于不同模型的VaR预测效果，各模型均高估了风险，过于保守，都不可采用。
参考文献
[1]冯科，王德全.同业拆借利率的ARMA-GARCH模型及VaR度量研究[J].中央财经大学学报，2009（11）：36-40
[2]刘毅，陈佳，吴润衡.基于TARCH模型的VaR方法对上海股市的分析[J].北方工业大学学报，2007，19（1）：66-69