论文部分内容阅读
【摘要】本文提出了运用混合密度网络计算流动性指标的密度分布，并将其纳入到VaR框架计算股市的流动性风险。首先，构建了一个股票市场流动性的度量指标。其次，由于混合密度网络可以任意逼近真实的密度函数，可较好地满足金融时间序列尖峰胖尾的统计特征。所以我们用混合密度网络来估计流动性指标的密度分布。最后，将混合密度网络输出的条件密度函数纳入到较成熟的VaR框架中，进而度量流动性风险。基于混合密度网络来进行流动性风险管理，为丰富风险管理技术提供了一个新的思路和手段。
【关键词】流动性风险；混合密度网络；VaR
1.引言
流动性是证券市场的一个重要性质，但因为市场流动性具有多重性，所以学术界至今还没有办法对市场流动性给出一个全面的定义，现有的每个定义都是为了强调市场的某个方面而给出的。
流动性是证券市场除了波动性以外另外一个重要的特性。尤其是对于可交易的证券而言，流动性即买卖大量某种证券而不致其价格剧烈波动的一种价格平衡能力。当某种金融资产的买卖量暂时失衡时，就会出现不能按其公允价格买进（卖出）该种资产的情况，这就造成了流动性风险。流动性风险是可交易证券除了价格风险以外面临的另一项重要的风险。流动性也同样会影响市场价格的不确定性，和投资于价格风险大的股票能获得较高的风险溢价一样，流动性差的股票也会有较高的流动性风险溢价以吸引投资者。Timotheos Angelidis和Alexandros Benos研究表明，在新兴的股票市场中，流动性风险占高价股总风险的3.4%，占低价股总风险的11%。由此可见，流动性风险是研究金融风险时必须考虑的一个重要部分。然而由于流动性形成机制受很多复杂因素的影响，所以对于流动性和流动性风险的研究比较分散，而且争议较多，缺乏一致的理论框架体系。大部分的研究集中于市场微观结构的研究领域，从流动性的含义和形成机理入手，对流动性的度量方法进行广泛的研究，但是对于流动性风险的度量仅有很少的研究。
流动性风险对于新兴的中国股票市场而言，是不可忽视的一部分。如何把对流动性风险的度量纳入到整个风险度量的框架中去，无论是对市场监管者还是投资者，都是需要考虑的问题。
从目前来看，主要集中于如何将流动性风险纳入到较为成熟的风险度量标准VaR的框架中，也就是利用VaR的方法度量流动性风险。
目前VaR的估计主要是基于均值一方差分析框架的波动性分析方法（如GARCH模型族等），极值理论、历史模拟以及分位数回归方法等。但金融时间序列数据是条件分布具有尖峰胖尾特征的异方差序列，这些特征的存在使得很难用简单的随机过程进行描述。所以1982年Engle提出的ARCH模型以及其后（G）ARCH的扩展模型在文献中得到了广泛的应用。GARCH模型族往往是对金融资产收益的历史数据做各种假设，譬如，假定金融资产收益的扰动项均值为零，方差服从自回归过程；假定条件期望是前期收益率的线性函数等，并且是基于历史数据的残差计算条件方差。但是，GARCH模型族基于的金融资产收益的条件方差和条件分布的形状却是变化的，GARCH对此无能为力。
为了解决上述问题，本文将运用混合密度网络（Mixture Density Networks，简称MDN）估计VaR值。因为MDN不仅能够处理条件均值和条件方差是时变的分布，而且最大优点即为能够根据分布直接估计出条件密度，从而计算VaR，所以适合金融时间序列常有的异方差特征的要求。
基于MDN的这一特性，在应用中主要将其应用于预测金融资产收益的方差和模拟收益的分布来进行风险管理，为丰富风险管理技术提供了一个新的思路和手段。
本文结构安排如下：第1节简要介绍混合密度网络；第2节介绍流动性风险指标的定义；第3节给出实证分析结果；最后，结论在第4节给出。
2.混合密度网络
3.流动性风险指标的定义
3.1 流动性指标设计
由于市场流动性具有多重性，所以到目前为止，流动性的衡量还没有统一的指标。国外大部分文献进行流动性分析的前提条件是市场存在做市商。由于中国资本市场，尤其是证券市场并不存在做市商制度，而且微观市场结构理论研究表明，股票市场的交易制度将直接影响市场流动性及其风险，也将影响到研究中市场流动性及其指标的选择。所以我们很难参照西方学者的研究来进行市场流动性及其风险的研究。
我国沪深证券市场建立至今只有二十多年的时间，国内理论和实务界对金融市场微观结构理论的研究尚处于起步阶段，在近几年才开展了对证券市场流动性的相关研究工作，但大部份研究仍然停留在构造流动性风险度量指标、衡量市场流动性状况和刻画流动性模式等层面，只有少部分研究涉及流动性风险的度量。
5.结论
由于MDN不需要假定数据的分布，直接依据金融资产收益的历史数据估计出条件密度函数值，用一个混合密度函数去任意逼近真实的密度函数，可较好地满足尖峰胖尾的统计特征。进一步地利用MDN的输出和数值模拟算法可以得到任意置信水平的VaR估计量，将其应用于风险管理是一种有益的尝试。
流动性是衡量市场微观结构好坏和市场优劣表现的重要指标之一。市场需要流动性，但是并不是每个市场每个时刻都具有充分的流动性，因此投资者在市场上不可避免地会遭受流动性风险的威胁。所以投资者，尤其是大额交易者必须进行有效的流动性风险管理。
本文通过构建流动性指标，并运用MDN估计上证A股指数、上证B股指数、深证A股指数、深证B股指数的流动性指标的分布，进而将其纳入VaR框架中，研究流动性风险具有重要的现实意义。
参考文献
[1]Bishop，C.M.Mixture density networks.Technical Report NCRG/94/004[R].Neural Com-puting Research Group，Aston University，Birmingham，February，1994.
[2]宋逢明，谭慧.VaR模型中流动性风险的度量[J].数量经济技术经济究，2004，6：114-123.
[3]C.Schittenkopf，G.Dorffner & E.J.Dockner.Volatility Prediction with Mixture Density Network，in L.Niklasson，M.Boden & T.Ziemke，ICANN’98-Proceedings of the 8th Int-ernational Conference on Artificial Netural Networks[C].Springer，Berlin，1998：929-934.
[4]Kupiec P H.Techniques for Verifying the Accuracy of Risk Measurement Models[J].The Journal of Derivatives，1995（2）：73-84.
作者简介：
朱悦宏（1975—），女，黑龙江哈尔滨人，硕士，工程师，现供职于天津航天长征火箭制造有限公司。
张晨曦（1986—），女，天津人，硕士，助理工程师，现供职于天津航天长征火箭制造有限公司。
【关键词】流动性风险；混合密度网络；VaR
1.引言
流动性是证券市场的一个重要性质，但因为市场流动性具有多重性，所以学术界至今还没有办法对市场流动性给出一个全面的定义，现有的每个定义都是为了强调市场的某个方面而给出的。
流动性是证券市场除了波动性以外另外一个重要的特性。尤其是对于可交易的证券而言，流动性即买卖大量某种证券而不致其价格剧烈波动的一种价格平衡能力。当某种金融资产的买卖量暂时失衡时，就会出现不能按其公允价格买进（卖出）该种资产的情况，这就造成了流动性风险。流动性风险是可交易证券除了价格风险以外面临的另一项重要的风险。流动性也同样会影响市场价格的不确定性，和投资于价格风险大的股票能获得较高的风险溢价一样，流动性差的股票也会有较高的流动性风险溢价以吸引投资者。Timotheos Angelidis和Alexandros Benos研究表明，在新兴的股票市场中，流动性风险占高价股总风险的3.4%，占低价股总风险的11%。由此可见，流动性风险是研究金融风险时必须考虑的一个重要部分。然而由于流动性形成机制受很多复杂因素的影响，所以对于流动性和流动性风险的研究比较分散，而且争议较多，缺乏一致的理论框架体系。大部分的研究集中于市场微观结构的研究领域，从流动性的含义和形成机理入手，对流动性的度量方法进行广泛的研究，但是对于流动性风险的度量仅有很少的研究。
流动性风险对于新兴的中国股票市场而言，是不可忽视的一部分。如何把对流动性风险的度量纳入到整个风险度量的框架中去，无论是对市场监管者还是投资者，都是需要考虑的问题。
从目前来看，主要集中于如何将流动性风险纳入到较为成熟的风险度量标准VaR的框架中，也就是利用VaR的方法度量流动性风险。
目前VaR的估计主要是基于均值一方差分析框架的波动性分析方法（如GARCH模型族等），极值理论、历史模拟以及分位数回归方法等。但金融时间序列数据是条件分布具有尖峰胖尾特征的异方差序列，这些特征的存在使得很难用简单的随机过程进行描述。所以1982年Engle提出的ARCH模型以及其后（G）ARCH的扩展模型在文献中得到了广泛的应用。GARCH模型族往往是对金融资产收益的历史数据做各种假设，譬如，假定金融资产收益的扰动项均值为零，方差服从自回归过程；假定条件期望是前期收益率的线性函数等，并且是基于历史数据的残差计算条件方差。但是，GARCH模型族基于的金融资产收益的条件方差和条件分布的形状却是变化的，GARCH对此无能为力。
为了解决上述问题，本文将运用混合密度网络（Mixture Density Networks，简称MDN）估计VaR值。因为MDN不仅能够处理条件均值和条件方差是时变的分布，而且最大优点即为能够根据分布直接估计出条件密度，从而计算VaR，所以适合金融时间序列常有的异方差特征的要求。
基于MDN的这一特性，在应用中主要将其应用于预测金融资产收益的方差和模拟收益的分布来进行风险管理，为丰富风险管理技术提供了一个新的思路和手段。
本文结构安排如下：第1节简要介绍混合密度网络；第2节介绍流动性风险指标的定义；第3节给出实证分析结果；最后，结论在第4节给出。
2.混合密度网络
3.流动性风险指标的定义
3.1 流动性指标设计
由于市场流动性具有多重性，所以到目前为止，流动性的衡量还没有统一的指标。国外大部分文献进行流动性分析的前提条件是市场存在做市商。由于中国资本市场，尤其是证券市场并不存在做市商制度，而且微观市场结构理论研究表明，股票市场的交易制度将直接影响市场流动性及其风险，也将影响到研究中市场流动性及其指标的选择。所以我们很难参照西方学者的研究来进行市场流动性及其风险的研究。
我国沪深证券市场建立至今只有二十多年的时间，国内理论和实务界对金融市场微观结构理论的研究尚处于起步阶段，在近几年才开展了对证券市场流动性的相关研究工作，但大部份研究仍然停留在构造流动性风险度量指标、衡量市场流动性状况和刻画流动性模式等层面，只有少部分研究涉及流动性风险的度量。
5.结论
由于MDN不需要假定数据的分布，直接依据金融资产收益的历史数据估计出条件密度函数值，用一个混合密度函数去任意逼近真实的密度函数，可较好地满足尖峰胖尾的统计特征。进一步地利用MDN的输出和数值模拟算法可以得到任意置信水平的VaR估计量，将其应用于风险管理是一种有益的尝试。
流动性是衡量市场微观结构好坏和市场优劣表现的重要指标之一。市场需要流动性，但是并不是每个市场每个时刻都具有充分的流动性，因此投资者在市场上不可避免地会遭受流动性风险的威胁。所以投资者，尤其是大额交易者必须进行有效的流动性风险管理。
本文通过构建流动性指标，并运用MDN估计上证A股指数、上证B股指数、深证A股指数、深证B股指数的流动性指标的分布，进而将其纳入VaR框架中，研究流动性风险具有重要的现实意义。
参考文献
[1]Bishop，C.M.Mixture density networks.Technical Report NCRG/94/004[R].Neural Com-puting Research Group，Aston University，Birmingham，February，1994.
[2]宋逢明，谭慧.VaR模型中流动性风险的度量[J].数量经济技术经济究，2004，6：114-123.
[3]C.Schittenkopf，G.Dorffner & E.J.Dockner.Volatility Prediction with Mixture Density Network，in L.Niklasson，M.Boden & T.Ziemke，ICANN’98-Proceedings of the 8th Int-ernational Conference on Artificial Netural Networks[C].Springer，Berlin，1998：929-934.
[4]Kupiec P H.Techniques for Verifying the Accuracy of Risk Measurement Models[J].The Journal of Derivatives，1995（2）：73-84.
作者简介：
朱悦宏（1975—），女，黑龙江哈尔滨人，硕士，工程师，现供职于天津航天长征火箭制造有限公司。
张晨曦（1986—），女，天津人，硕士，助理工程师，现供职于天津航天长征火箭制造有限公司。