论文部分内容阅读
摘 要：为综合度量金融资产损失的市场风险与流动性风险，采用GARCHVaR模型度量了日市场风险价值，用日内相对波动幅度调整为日LAVaR，并利用时间延展T规则将它转换为变现期间的综合风险价值，构建了金融资产综合风险价值的全方位动态评估模型。通过以中国股指期货为例的实证研究证明，该模型能够有效评估金融资产综合风险价值，适用于金融资产公允价值的期末估算。
关键词： GARCHVaR模型；LAVaR模型；流动性风险调整；综合风险价值
中图分类号：F833/837 文献标识码： A 文章编号：1003—7217（2012）05—0002—05
一、引言
2009年11月，国际会计准则委员会（IASB）发布了《金融工具： 摊余成本和减值（征求意见稿）》（以下简称“征求意见稿”），针对金融资产的摊余成本与减值确认提出了重大修改建议，明确提出了摊余成本计量的目标、原则。其中最值得关注的变化是采用了更富有前瞻性的预期损失模型（Expected Loss Model），取代了IFRS 39《金融工具： 确认与计量》中的已发生损失模型（Incurred Loss Model）。此举旨在消除损失确认的“滞后性”和会计信息的“顺周期”效应。另外，为了弥补美国金融危机前的监管漏洞，“巴塞尔协议Ⅲ”进一步强化了全面风险管理的理念，要求把流动性风险也纳入监管范畴。因此，寻求建立金融资产预期综合风险价值的动态有效评估模型将有助于会计准则与全面风险管理的有效实施。
综观相关研究，关于市场风险因子与流动性风险因子的集成方法可以归纳为简单加总调整方法、相关系数法、联合分布法与copula连接函数法。尽管数理逻辑严谨，理论经典，但因为计算繁琐及其静态化，联合分布法（如Dimakos和Aas（2004，2007））始终无法成为主流文献研究的首选方法；而使用线性相关系数法需要满足椭圆分布假设条件（Alexander和Pezier，2003）。大多数早期文献研究与业界多使用流动性风险加总调整方法，针对现有的市场风险价值计算模型中隐含假设的局限性，做出相应的扩展，如Hisata和Yamai（2000）把市场流动性水平与投资者交易头寸大小对金融资产变现价值的影响引入风险价值模型；Bangia等（1998）、LeSaout（2001）以不加权买卖价差及加权买卖价差波动的变化反映流动性风险，建立流动性调整的风险价值模型；shamroukh（2001）把最优变现速度作为了流动性风险调整因子；宋逢明等（2004）则是以变现时间作为流动性因子，调整市场风险价值。流动性风险加总调整方法计算比较简单、直观，技术已经成熟[1]；但是它只有在完全相关的条件下才非常准确，另外，流动性需要从市场宽度、市场深度、市场弹性、市场即时性这四个方面综合反映，这些文献都只调整了某个方面的流动性风险。
随着copula连接函数的提出，学者们开始利用copula连接函数集成各种风险因子，通过拟合非正态性、非线性相关性等特征，构建出多个风险因子的联合分布函数，再用以计算相关风险指标，但是因为copula连接函数法涉及到确定风险因子的边缘分布、合理选用copula类型与估计参数以及过多地使用模拟计算，不可避免地导致叠加的模型误差与大量计算，所以，现在还只是处于研究阶段。
与以往文献不同的是，本文利用日内相对波动幅度与变现时间综合反映流动性风险，而且日内相对波动幅度采用了与市场风险价值的置信水平一致的置信区间估计值上限，变现时间融合了交易量冲击与等待时间信息，两个流动性调整分别依据相应的规则，从而对金融资产综合风险价值计算提供比较合理严谨的全方位动态评估模型。二、综合风险价值评估模型的构建原理
（一）市场风险价值评估模型的构建
财经理论与实践（双月刊） 2012年第5期
2012年第5期（总第179期） 王周伟，邬展霞：金融资产综合风险价值动态评估研究
大量的金融实证研究表明，金融工具的收益率序列波动率通常具有集聚性、分布的尖峰、厚尾性 、时变性、杠杆效应和异方差性[2]。金融工具收益率与其波动方差之间通常存在着正相关关系。而且，金融资产收益率分布具有尖峰、厚尾、右偏等特征，因此，对于不同风格股票投资收益与股指期货收益率序列的建模，宜同时采用GARCH基准模型、GARCH—M等对称模型以及TARCH、EGARCH、PARCH等非对称GARCH模型[3]；对于条件方差，适宜用正态分布、学生t分布、广义差分分布GED来拟合单变量时间序列的残差分布[4]，上述5个模型各选用3种分布，共构建15个模型拟合收益率序列，比较选择最优拟合模型，再根据定义推导风险价值计算公式①。GARCH（1，1）— N模型为：
rt=c1hst+εt
εt=ztσt zt～N0，1
σ2t=c2+c3ε2t—1+c4σ2t—1
（1）
利用GARCH（1，1）— N模型计算市场风险价值MVaR的公式为：
MVaRr=Φ—1ασt+c1×hst
（2）
GARCH（1，1）— t模型为：
rt=c1hst+εt
εt=ztσt， zt～tv
σ2t=c2+c3ε2t—1+c4σ2t—1
（3）
利用GARCH（1，1）— t模型计算市场风险价值MVaR的公式为：
MVaRr=t—1v（α）×σt+c1×hst
（4）
GARCH（1，1）—GED模型为：
rt=c1hst+εt
εt=ztσt， zt～GEDv
σ2t=c2+c3ε2t—1+c4σ2t—1
（5）
利用GARCH（1，1）— GED模型计算市场风险价值MVaR的公式为：
MVaRr=GED—1v（α）×σt+c1×hst （6）（二）流动性风险的度量指标设计
流动性风险是指资产不能按照市场价格立即变现而使变现价格产生的不确定性。它需要从市场价格变化与变现时间两个角度同时反映[5]。为稳健估计市场价格变化，与其他文献不同，本文使用日内价格相对波幅的置信区间估计值上限，这样可以保证与风险价值具有一致的置信水平。日内价格相对波幅的计算公式为：
SWt=PHt—PLtPSt
（7）
其中，SWt表示第t期的日内价格相对波幅，PHt为第t期的最高交易价，PLt为第t期的最低交易价，PSt为第t期的收盘价。在置信水平99%下，日内价格相对波幅的置信区间估计值上限，即流动性风险扣减比率的计算公式为：
MSW=SW+3σsw
（8）
其中，SW是日内价格相对波幅的指数加权移动平均值，σSW是日内价格相对波幅的标准差。利用变现时间LT综合反映委托量和委托等待时间，其定义式为：
LT=1to×FPF=VVOL×FPF=
PF/PSVOL×FPF=FVOL×PS
（9）
其中，VOL表示股指期货在第t期月的成交量。变现时间LT等于日均换手率to的倒数、持仓量F和流动市值PF倒数的乘积，等于持仓量F除以成交量VOL与收盘价的乘积。（三）风险集成的综合风险价值评估
综合风险价值就是在变现期间内、一定置信度水平下，由于市场交易与流动性因素带来的金融资产最大损失。考虑到技术的成熟性，本文选用流动性风险价值加总调整方法，集成两个风险因子，即根据加法集成法则，加上日内价格相对波幅的置信区间估计值上限，得到经流动性风险调整的日综合风险价值LA—VaR；根据时间转换T规则，把经流动性风险调整的日综合风险价值LA—VaR乘以变现时间，就可得到在变现期间内、一定置信水平下，市场风险与流动性风险集成的综合风险价值。综合风险价值TVaR的计算公式为：
（10）三、金融资产综合风险价值的计算实例
（一）基于GARCHVaR模型的市场风险评估实证研究
本文选择沪深300指数期货合约作为样本。该品种同时有四个合约上市交易，即当月、下月和随后两个季度月份交割的期货合约，我们选取交易较活跃、流动性较高及与标的指数相关性较强的沪深300指数期货合约的下月合约。样本数据收集时间为2010年4月16日～2010年9月8日。按照期货投资的会计准则要求，期货合约以当日结算价计算当日对数收益率。全部数据均逐日采集自中国金融期货交易所网站。
中国股指期货是以沪深300股票指数为标的资产的标准化期货合约。买卖双方报出的价格是一定时期后的股票指数价格水平。在合约到期后，股指期货通过现金结算差价的方式来进行交割。中国股指期货的对数收益率主要决定于沪深300股票指数的对数收益率，所以，GARCH—VaR模型中的均值方程，以中国股指期货的对数收益率为被解释变量，以沪深300股票指数的对数收益率为解释变量。
1.股指期货对数收益率的描述统计。股指期货对数收益率的直方图见图1。
图1 股指期货对数收益率的直方图
由图1及描述统计结果可知，股指期货对数收益率的均值都接近于0，偏度等于—0.5681，是中等左偏分布；峰度等于4.9984，属于中等尖峰分布，说明其收益率具有尖峰、厚尾特征；从JB检验结果也可以看出，J—B统计量等于21.798，其P值非常小，也说明收益率序列不符合正态分布。
2.收益率残差的描述统计与正态性检验。收益率残差序列的直方图见图2，正态性检验Q—Q图如图3所示。
从残差序列的直方图与描述统计可知，残差序列的偏度系数等于0.2945，呈现右偏分布；峰度系数等于3.4791，说明序列分布的尾部比正态分布的尾部厚，其分布呈现出“厚尾尖峰”形状。残差序列的QQ图也显示，残差的分位数散点并没有全部落在直线上，因此，残差序列的分布并不符合正态分布。序列经验分布检验结果再次显示，在0.01的显著水平上均拒绝原假设，表明不服从正态分布。由于该残差序列分布是尖峰厚尾、非对称分布，对于随机扰动项适合于选用不对称分布的GARCHVAR模型。
图2 收益率残差的直方图
图3 收益率残差的正态性检验QQ图
3.残差序列折线图与条件异方差检验。均值方程估计的残差序列折线图如图4所示。从残差序列图4可以看出，回归方程的残差表现出波动的聚集性，ARCH效应检验如表1所示。
表1 ARCH Test 检验
图4 均值估计方程的残差序列图
检验辅助方程中的所有滞后残差平方项是联合显著的。Obs×Rsquared 等于26.93825，其概率值P为0.002664，因此，在0.01显著水平上可以认为残差序列存在条件异方差。 4.不对称GARCH模型的参数估计与检验。不对称GARCH模型的参数估计与检验结果如表2所示。由表2可知，在0.01显著水平上，均值方程中沪深300指数对数收益率始终是显著的，ARCH项在除了TARCH模型之外的其他模型中都具有显著性，GARCH项在各模型中均为显著，但是，不对称效应项在各模型中均不显著，GARCH—M模型均值方程中用于表示风险的条件标准差均不显著。
同时，正态分布性检验结果显示，残差不服从正态分布，因此，不考虑正态分布的GARCH模型。按照AIC准则值和施瓦茨准则SC值的模型有效性选择规则，综合考虑模型拟合程度与对数似然率，以GARCH—t模型作为中国股指期货收益率的拟合模型比较合理。
表2 15种GARCH模型的参数估计
表注：C（1）表示均值方差中沪深300指数对数收益率的参数估计值，C（2）表示条件方差方程中的常数项估计值，C（3） 表示ARCH项的参数估计值，C（4） 表示GARCH项的参数估计值， C（5） 表示各GARCH模型的特征项值，对于GARCH—M模型，它是均值方程中标准差项的参数估计值；对于不对称GARCH模型，它是不对称效应项的参数估计值。“***”表示在0.01显著水平上是显著的，“*”表示在0.1显著水平上是显著的。 5.GARCHt模型的预测评价。利用GARCH模型预测下一期中国股指期货对数收益率，预测的标准误差为0.0398，预测的沪深300收益率为0.0015，c1等于0.9242。结果见表3。
模型预测的均方根误差RMSE值等于0.012778，平均绝对误差MAE等于0.009611，Theil不等系
表3 GARCHt模型预测中国股指期货对数收益率结果
数等于0.374169，偏倚比例等于0.001319，方差比例等于0.027876，协方差比例等于0.970805，显示该模型预测效果良好。（二）金融资产综合风险价值的计算
根据相关研究文献，衰减因子取值为0.94，利用指数加权移动平均方法预测收益率均值方程中的解释变量，即沪深300股票指数的对数收益率；日内价格相对波幅的平均值与标准差以及变现时间中的相关变量都采用指数加权移动平均方法进行预测；然后，利用第3部分的计算公式，就可以得到表4中的综合风险价值模型计算结果。
表4 综合风险价值模型预测结果
四、结 论
会计准则中预期损失模型的实施，金融监管中全面风险管理的实施，都需要集成市场风险与流动性风险，这使得我们需要考虑如何合理地融合多种风险度量技术，在已经成熟的市场风险度量技术的基础上纳入流动性风险，构建起综合风险价值动态评估模型。本文选用拟合效果较好的GARCHVaR模型度量日市场风险价值，采用与日市场风险价值一样的置信水平下的日内价格相对波幅的置信区间估计值上限值调整为日LAVaR，并根据时间延展T规则把单位时间的日LAVaR调整为变现期间内的综合风险价值估计值，这样，与其他文献不同，本文构建出了估计金融资产综合风险价值的全方位动态评估模型。然后，以中国股指期货为例，证实了该建模方法的便捷合理性。因为该模型构建方法具有普遍适用性，这个样本的风险特性也是非常具有代表性，其实证并不影响该金融资产综合风险价值的全方位动态评估模型的有效性验证与推广使用。只是需要注意，对于中国股指期货，GARCHTVaR模型度量市场风险效果比较好，当推广应用于其它金融资产时，则要具体拟合检验确定边缘分布。
参考文献：
[1]张金清，李徐.流动性风险与市场风险的集成度量方法研究[J].系统工程学报，2009，24（2）：164—172.
[2]刘庆富，仲伟俊，华仁海，刘晓星.EGARCHGED 模型在计量中国期货市场风险价值中的应用[J].管理工程学报，2007，20（1）：117—121.
[3]徐炜，黄炎龙.GARCH模型与VaR的度量研究[J].数量经济技术经济研究，2008，（1）：120—121.
[4]龚锐，陈仲常，杨栋锐.GARCH族模型计算中国股市在险价值（VaR） 风险的比较研究与评述[J].数量经济技术经济研究，2005，（7）：67—81.
[5]王周伟.基于因子旋转分析的股票流动性综合评估[J].统计与决策，2009，（3）：57—61.
[6]宋逢明，谭慧.VaR模型中流动性风险的度量[J].数量经济技术经济研究，2004，（6）：114—123.
（责任编辑：宁晓青）
关键词： GARCHVaR模型；LAVaR模型；流动性风险调整；综合风险价值
中图分类号：F833/837 文献标识码： A 文章编号：1003—7217（2012）05—0002—05
一、引言
2009年11月，国际会计准则委员会（IASB）发布了《金融工具： 摊余成本和减值（征求意见稿）》（以下简称“征求意见稿”），针对金融资产的摊余成本与减值确认提出了重大修改建议，明确提出了摊余成本计量的目标、原则。其中最值得关注的变化是采用了更富有前瞻性的预期损失模型（Expected Loss Model），取代了IFRS 39《金融工具： 确认与计量》中的已发生损失模型（Incurred Loss Model）。此举旨在消除损失确认的“滞后性”和会计信息的“顺周期”效应。另外，为了弥补美国金融危机前的监管漏洞，“巴塞尔协议Ⅲ”进一步强化了全面风险管理的理念，要求把流动性风险也纳入监管范畴。因此，寻求建立金融资产预期综合风险价值的动态有效评估模型将有助于会计准则与全面风险管理的有效实施。
综观相关研究，关于市场风险因子与流动性风险因子的集成方法可以归纳为简单加总调整方法、相关系数法、联合分布法与copula连接函数法。尽管数理逻辑严谨，理论经典，但因为计算繁琐及其静态化，联合分布法（如Dimakos和Aas（2004，2007））始终无法成为主流文献研究的首选方法；而使用线性相关系数法需要满足椭圆分布假设条件（Alexander和Pezier，2003）。大多数早期文献研究与业界多使用流动性风险加总调整方法，针对现有的市场风险价值计算模型中隐含假设的局限性，做出相应的扩展，如Hisata和Yamai（2000）把市场流动性水平与投资者交易头寸大小对金融资产变现价值的影响引入风险价值模型；Bangia等（1998）、LeSaout（2001）以不加权买卖价差及加权买卖价差波动的变化反映流动性风险，建立流动性调整的风险价值模型；shamroukh（2001）把最优变现速度作为了流动性风险调整因子；宋逢明等（2004）则是以变现时间作为流动性因子，调整市场风险价值。流动性风险加总调整方法计算比较简单、直观，技术已经成熟[1]；但是它只有在完全相关的条件下才非常准确，另外，流动性需要从市场宽度、市场深度、市场弹性、市场即时性这四个方面综合反映，这些文献都只调整了某个方面的流动性风险。
随着copula连接函数的提出，学者们开始利用copula连接函数集成各种风险因子，通过拟合非正态性、非线性相关性等特征，构建出多个风险因子的联合分布函数，再用以计算相关风险指标，但是因为copula连接函数法涉及到确定风险因子的边缘分布、合理选用copula类型与估计参数以及过多地使用模拟计算，不可避免地导致叠加的模型误差与大量计算，所以，现在还只是处于研究阶段。
与以往文献不同的是，本文利用日内相对波动幅度与变现时间综合反映流动性风险，而且日内相对波动幅度采用了与市场风险价值的置信水平一致的置信区间估计值上限，变现时间融合了交易量冲击与等待时间信息，两个流动性调整分别依据相应的规则，从而对金融资产综合风险价值计算提供比较合理严谨的全方位动态评估模型。二、综合风险价值评估模型的构建原理
（一）市场风险价值评估模型的构建
财经理论与实践（双月刊） 2012年第5期
2012年第5期（总第179期） 王周伟，邬展霞：金融资产综合风险价值动态评估研究
大量的金融实证研究表明，金融工具的收益率序列波动率通常具有集聚性、分布的尖峰、厚尾性 、时变性、杠杆效应和异方差性[2]。金融工具收益率与其波动方差之间通常存在着正相关关系。而且，金融资产收益率分布具有尖峰、厚尾、右偏等特征，因此，对于不同风格股票投资收益与股指期货收益率序列的建模，宜同时采用GARCH基准模型、GARCH—M等对称模型以及TARCH、EGARCH、PARCH等非对称GARCH模型[3]；对于条件方差，适宜用正态分布、学生t分布、广义差分分布GED来拟合单变量时间序列的残差分布[4]，上述5个模型各选用3种分布，共构建15个模型拟合收益率序列，比较选择最优拟合模型，再根据定义推导风险价值计算公式①。GARCH（1，1）— N模型为：
rt=c1hst+εt
εt=ztσt zt～N0，1
σ2t=c2+c3ε2t—1+c4σ2t—1
（1）
利用GARCH（1，1）— N模型计算市场风险价值MVaR的公式为：
MVaRr=Φ—1ασt+c1×hst
（2）
GARCH（1，1）— t模型为：
rt=c1hst+εt
εt=ztσt， zt～tv
σ2t=c2+c3ε2t—1+c4σ2t—1
（3）
利用GARCH（1，1）— t模型计算市场风险价值MVaR的公式为：
MVaRr=t—1v（α）×σt+c1×hst
（4）
GARCH（1，1）—GED模型为：
rt=c1hst+εt
εt=ztσt， zt～GEDv
σ2t=c2+c3ε2t—1+c4σ2t—1
（5）
利用GARCH（1，1）— GED模型计算市场风险价值MVaR的公式为：
MVaRr=GED—1v（α）×σt+c1×hst （6）（二）流动性风险的度量指标设计
流动性风险是指资产不能按照市场价格立即变现而使变现价格产生的不确定性。它需要从市场价格变化与变现时间两个角度同时反映[5]。为稳健估计市场价格变化，与其他文献不同，本文使用日内价格相对波幅的置信区间估计值上限，这样可以保证与风险价值具有一致的置信水平。日内价格相对波幅的计算公式为：
SWt=PHt—PLtPSt
（7）
其中，SWt表示第t期的日内价格相对波幅，PHt为第t期的最高交易价，PLt为第t期的最低交易价，PSt为第t期的收盘价。在置信水平99%下，日内价格相对波幅的置信区间估计值上限，即流动性风险扣减比率的计算公式为：
MSW=SW+3σsw
（8）
其中，SW是日内价格相对波幅的指数加权移动平均值，σSW是日内价格相对波幅的标准差。利用变现时间LT综合反映委托量和委托等待时间，其定义式为：
LT=1to×FPF=VVOL×FPF=
PF/PSVOL×FPF=FVOL×PS
（9）
其中，VOL表示股指期货在第t期月的成交量。变现时间LT等于日均换手率to的倒数、持仓量F和流动市值PF倒数的乘积，等于持仓量F除以成交量VOL与收盘价的乘积。（三）风险集成的综合风险价值评估
综合风险价值就是在变现期间内、一定置信度水平下，由于市场交易与流动性因素带来的金融资产最大损失。考虑到技术的成熟性，本文选用流动性风险价值加总调整方法，集成两个风险因子，即根据加法集成法则，加上日内价格相对波幅的置信区间估计值上限，得到经流动性风险调整的日综合风险价值LA—VaR；根据时间转换T规则，把经流动性风险调整的日综合风险价值LA—VaR乘以变现时间，就可得到在变现期间内、一定置信水平下，市场风险与流动性风险集成的综合风险价值。综合风险价值TVaR的计算公式为：
（10）三、金融资产综合风险价值的计算实例
（一）基于GARCHVaR模型的市场风险评估实证研究
本文选择沪深300指数期货合约作为样本。该品种同时有四个合约上市交易，即当月、下月和随后两个季度月份交割的期货合约，我们选取交易较活跃、流动性较高及与标的指数相关性较强的沪深300指数期货合约的下月合约。样本数据收集时间为2010年4月16日～2010年9月8日。按照期货投资的会计准则要求，期货合约以当日结算价计算当日对数收益率。全部数据均逐日采集自中国金融期货交易所网站。
中国股指期货是以沪深300股票指数为标的资产的标准化期货合约。买卖双方报出的价格是一定时期后的股票指数价格水平。在合约到期后，股指期货通过现金结算差价的方式来进行交割。中国股指期货的对数收益率主要决定于沪深300股票指数的对数收益率，所以，GARCH—VaR模型中的均值方程，以中国股指期货的对数收益率为被解释变量，以沪深300股票指数的对数收益率为解释变量。
1.股指期货对数收益率的描述统计。股指期货对数收益率的直方图见图1。
图1 股指期货对数收益率的直方图
由图1及描述统计结果可知，股指期货对数收益率的均值都接近于0，偏度等于—0.5681，是中等左偏分布；峰度等于4.9984，属于中等尖峰分布，说明其收益率具有尖峰、厚尾特征；从JB检验结果也可以看出，J—B统计量等于21.798，其P值非常小，也说明收益率序列不符合正态分布。
2.收益率残差的描述统计与正态性检验。收益率残差序列的直方图见图2，正态性检验Q—Q图如图3所示。
从残差序列的直方图与描述统计可知，残差序列的偏度系数等于0.2945，呈现右偏分布；峰度系数等于3.4791，说明序列分布的尾部比正态分布的尾部厚，其分布呈现出“厚尾尖峰”形状。残差序列的QQ图也显示，残差的分位数散点并没有全部落在直线上，因此，残差序列的分布并不符合正态分布。序列经验分布检验结果再次显示，在0.01的显著水平上均拒绝原假设，表明不服从正态分布。由于该残差序列分布是尖峰厚尾、非对称分布，对于随机扰动项适合于选用不对称分布的GARCHVAR模型。
图2 收益率残差的直方图
图3 收益率残差的正态性检验QQ图
3.残差序列折线图与条件异方差检验。均值方程估计的残差序列折线图如图4所示。从残差序列图4可以看出，回归方程的残差表现出波动的聚集性，ARCH效应检验如表1所示。
表1 ARCH Test 检验
图4 均值估计方程的残差序列图
检验辅助方程中的所有滞后残差平方项是联合显著的。Obs×Rsquared 等于26.93825，其概率值P为0.002664，因此，在0.01显著水平上可以认为残差序列存在条件异方差。 4.不对称GARCH模型的参数估计与检验。不对称GARCH模型的参数估计与检验结果如表2所示。由表2可知，在0.01显著水平上，均值方程中沪深300指数对数收益率始终是显著的，ARCH项在除了TARCH模型之外的其他模型中都具有显著性，GARCH项在各模型中均为显著，但是，不对称效应项在各模型中均不显著，GARCH—M模型均值方程中用于表示风险的条件标准差均不显著。
同时，正态分布性检验结果显示，残差不服从正态分布，因此，不考虑正态分布的GARCH模型。按照AIC准则值和施瓦茨准则SC值的模型有效性选择规则，综合考虑模型拟合程度与对数似然率，以GARCH—t模型作为中国股指期货收益率的拟合模型比较合理。
表2 15种GARCH模型的参数估计
表注：C（1）表示均值方差中沪深300指数对数收益率的参数估计值，C（2）表示条件方差方程中的常数项估计值，C（3） 表示ARCH项的参数估计值，C（4） 表示GARCH项的参数估计值， C（5） 表示各GARCH模型的特征项值，对于GARCH—M模型，它是均值方程中标准差项的参数估计值；对于不对称GARCH模型，它是不对称效应项的参数估计值。“***”表示在0.01显著水平上是显著的，“*”表示在0.1显著水平上是显著的。 5.GARCHt模型的预测评价。利用GARCH模型预测下一期中国股指期货对数收益率，预测的标准误差为0.0398，预测的沪深300收益率为0.0015，c1等于0.9242。结果见表3。
模型预测的均方根误差RMSE值等于0.012778，平均绝对误差MAE等于0.009611，Theil不等系
表3 GARCHt模型预测中国股指期货对数收益率结果
数等于0.374169，偏倚比例等于0.001319，方差比例等于0.027876，协方差比例等于0.970805，显示该模型预测效果良好。（二）金融资产综合风险价值的计算
根据相关研究文献，衰减因子取值为0.94，利用指数加权移动平均方法预测收益率均值方程中的解释变量，即沪深300股票指数的对数收益率；日内价格相对波幅的平均值与标准差以及变现时间中的相关变量都采用指数加权移动平均方法进行预测；然后，利用第3部分的计算公式，就可以得到表4中的综合风险价值模型计算结果。
表4 综合风险价值模型预测结果
四、结 论
会计准则中预期损失模型的实施，金融监管中全面风险管理的实施，都需要集成市场风险与流动性风险，这使得我们需要考虑如何合理地融合多种风险度量技术，在已经成熟的市场风险度量技术的基础上纳入流动性风险，构建起综合风险价值动态评估模型。本文选用拟合效果较好的GARCHVaR模型度量日市场风险价值，采用与日市场风险价值一样的置信水平下的日内价格相对波幅的置信区间估计值上限值调整为日LAVaR，并根据时间延展T规则把单位时间的日LAVaR调整为变现期间内的综合风险价值估计值，这样，与其他文献不同，本文构建出了估计金融资产综合风险价值的全方位动态评估模型。然后，以中国股指期货为例，证实了该建模方法的便捷合理性。因为该模型构建方法具有普遍适用性，这个样本的风险特性也是非常具有代表性，其实证并不影响该金融资产综合风险价值的全方位动态评估模型的有效性验证与推广使用。只是需要注意，对于中国股指期货，GARCHTVaR模型度量市场风险效果比较好，当推广应用于其它金融资产时，则要具体拟合检验确定边缘分布。
参考文献：
[1]张金清，李徐.流动性风险与市场风险的集成度量方法研究[J].系统工程学报，2009，24（2）：164—172.
[2]刘庆富，仲伟俊，华仁海，刘晓星.EGARCHGED 模型在计量中国期货市场风险价值中的应用[J].管理工程学报，2007，20（1）：117—121.
[3]徐炜，黄炎龙.GARCH模型与VaR的度量研究[J].数量经济技术经济研究，2008，（1）：120—121.
[4]龚锐，陈仲常，杨栋锐.GARCH族模型计算中国股市在险价值（VaR） 风险的比较研究与评述[J].数量经济技术经济研究，2005，（7）：67—81.
[5]王周伟.基于因子旋转分析的股票流动性综合评估[J].统计与决策，2009，（3）：57—61.
[6]宋逢明，谭慧.VaR模型中流动性风险的度量[J].数量经济技术经济研究，2004，（6）：114—123.
（责任编辑：宁晓青）