覃小兵，唐曉華，林 宇

（1.成都理工大學(xué) 商學(xué)院，成都 610059；2.四川工商職業(yè)技術(shù)學(xué)院，四川 都江堰 611830）

中國股市整合風(fēng)險測度研究
——基于VaR框架和相關(guān)結(jié)構(gòu)的分析

覃小兵1，唐曉華2，林 宇1

（1.成都理工大學(xué) 商學(xué)院，成都 610059；2.四川工商職業(yè)技術(shù)學(xué)院，四川 都江堰 611830）

針對現(xiàn)有流動性風(fēng)險與市場風(fēng)險的整合風(fēng)險測度方法忽略兩者相關(guān)結(jié)構(gòu)的問題，在運用ARMA-GARCH-t模型對中國股市市場風(fēng)險因子和流動性風(fēng)險因子的邊緣分布進行刻畫的基礎(chǔ)上，引入7種Copula函數(shù)來考察兩者的相關(guān)結(jié)構(gòu)，并運用MonteCarlo方法測度出整合風(fēng)險。以滬深300指數(shù)為研究對象的實證檢驗結(jié)果表明：中國股市市場風(fēng)險與流動性風(fēng)險之間更符合動態(tài)的相關(guān)結(jié)構(gòu)；在考慮了兩風(fēng)險的相關(guān)結(jié)構(gòu)之后，基于時變t Copula函數(shù)的風(fēng)險測度模型最能準(zhǔn)確測度兩風(fēng)險的整合風(fēng)險。

整合風(fēng)險；流動性風(fēng)險；市場風(fēng)險；Copula函數(shù)；蒙特卡洛模擬

一、文獻綜述

美國次貸危機、歐洲債務(wù)危機等一系列金融風(fēng)險事件的爆發(fā)，使得流動性風(fēng)險成為繼市場風(fēng)險之后學(xué)者及風(fēng)險管理者關(guān)注的焦點。對流動性風(fēng)險進行管理已成為金融風(fēng)險管理者不得不面對的事情，而且，在市場缺乏流動性的情況下，流動性風(fēng)險能夠顯著增大市場風(fēng)險，加劇市場波動[1]。因此，如何加強對流動性風(fēng)險的管理，尤其是加強對流動性風(fēng)險與市場風(fēng)險整合風(fēng)險的管理，成為投資者及金融風(fēng)險管理者亟待解決的問題。

目前，雖然VaR技術(shù)已經(jīng)成為測度市場風(fēng)險的通用方法，并被廣泛運用于實踐，但是如何準(zhǔn)確測度市場風(fēng)險與流動性風(fēng)險的整合風(fēng)險還沒有一個被廣泛認可的方法。盡管如此，由Bangia et al提出的基于價差調(diào)整VaR的BDSS模型[2]，即在傳統(tǒng)市場風(fēng)險上加上由價差測得的流動性風(fēng)險，成為當(dāng)前學(xué)者在研究流動性風(fēng)險與市場風(fēng)險的整合風(fēng)險時較多采納的模型。該模型不僅測度了市場風(fēng)險的VaR值，更為重要的是，它在傳統(tǒng)市場風(fēng)險的基礎(chǔ)上考慮了流動性風(fēng)險的影響，從而更為全面、綜合地反映了投資者及風(fēng)險管理者所面臨的風(fēng)險。正是BDSS模型的這些優(yōu)點，其一經(jīng)提出就受到諸多學(xué)者的關(guān)注并在其基礎(chǔ)上進行擴展研究，如Angelidis et al[3]及劉曉星等[4]。然而，不可忽視的是，雖然BDSS模型整合了流動性風(fēng)險與市場風(fēng)險，但僅是將兩者簡單地相加，而這種方法只能在流動性風(fēng)險與市場風(fēng)險完全正相關(guān)的情況下才能成立[5]。遺憾的是，這種將兩類風(fēng)險假定為完全正相關(guān)的假設(shè)過于簡單，而現(xiàn)實中的情況卻更為復(fù)雜[1][5]，因而BDSS模型并不能完全準(zhǔn)確地反映出市場風(fēng)險與流動性風(fēng)險之間的相關(guān)結(jié)構(gòu)。值得慶幸的是，這種復(fù)雜的相關(guān)結(jié)構(gòu)能夠用一個合適的Copula函數(shù)來準(zhǔn)確描述[6][7]。于是，本文引入Copula函數(shù)來刻畫流動性風(fēng)險與市場風(fēng)險之間的相關(guān)結(jié)構(gòu)，進而準(zhǔn)確測度兩者的整合風(fēng)險。

然而，選擇何種Copula函數(shù)來描述中國股市流動性風(fēng)險與市場風(fēng)險之間的相關(guān)結(jié)構(gòu)，不同的學(xué)者有不同的看法。張金清等認為運用靜態(tài)的正態(tài)Copula函數(shù)就能準(zhǔn)確刻畫市場風(fēng)險與流動性風(fēng)險之間的相關(guān)結(jié)構(gòu)；然而，張蕊等則認為運用Frank Copula函數(shù)才能夠準(zhǔn)確刻畫市場風(fēng)險與流動性風(fēng)險之間的相關(guān)結(jié)構(gòu)；江紅莉等則認為時變的Copula函數(shù)（Time-varying Copula）比靜態(tài)的Copula函數(shù)更能準(zhǔn)確刻畫流動性風(fēng)險與市場風(fēng)險之間的相關(guān)結(jié)構(gòu)[8]。因此，為準(zhǔn)確刻畫中國股市流動性風(fēng)險與市場風(fēng)險之間的相關(guān)結(jié)構(gòu)，本文將學(xué)者們較常運用的5種靜態(tài)Copula函數(shù)以及時變的正態(tài)Copula函數(shù)和時變t Copula函數(shù)用于考察流動性風(fēng)險與市場風(fēng)險的相關(guān)結(jié)構(gòu)，并試圖找出能準(zhǔn)確描述中國股市流動性風(fēng)險與市場風(fēng)險相關(guān)結(jié)構(gòu)的最優(yōu)Copula函數(shù)，以便運用蒙特卡洛（Monte Carlo）模擬方法來擬合整合風(fēng)險的分布，進而準(zhǔn)確測度整合風(fēng)險的VaR值。

需指出的是，流動性風(fēng)險因子的選擇對于準(zhǔn)確刻畫流動性風(fēng)險與市場風(fēng)險相關(guān)結(jié)構(gòu)有著重要影響[5]。目前，對于流動性風(fēng)險的刻畫因子也并沒有一個統(tǒng)一的指標(biāo)，如張金清等運用單位換手率引起的每股交易價格變化率作為流動性風(fēng)險因子；而張蕊等則選用的是相對價差指標(biāo)；張錚等研究得出，Amihud指標(biāo)是較優(yōu)的低頻流動性間接指標(biāo)[9]。然而，Andreas及王明濤等指出，Amihud指標(biāo)沒有考慮資產(chǎn)流通盤的大小，從而容易受到資產(chǎn)流通總額的影響，并建議運用日換手率來代替原指標(biāo)中的成交金額，并且指出修正過后的Amihud指標(biāo)是一個較好的流動性指標(biāo)[10][11]。因此，本文選擇修正后的Amihud指標(biāo)作為流動性風(fēng)險因子。

毋庸置疑，模型的穩(wěn)健性檢驗作為風(fēng)險測度的重要環(huán)節(jié)，關(guān)系到風(fēng)險管理的成敗。然而，以往學(xué)者在對整合風(fēng)險測度模型的穩(wěn)健性進行評價時都是以失敗率作為評價模型的標(biāo)準(zhǔn)[1][4]，而忽略了模型失敗情況的隨機性。作為風(fēng)險管理者，除了要保證風(fēng)險測度的準(zhǔn)確性之外，還要避免出現(xiàn)連續(xù)發(fā)生風(fēng)險溢出的情況，即風(fēng)險的溢出情況盡可能是獨立的[12]。因而，若僅以失敗率作為評價模型穩(wěn)健性的標(biāo)準(zhǔn)可能缺乏嚴謹。于是，本文運用既檢驗?zāi)Ｐ皖A(yù)測失敗率與假定失敗率是否一致，又檢驗失敗情況是否具有隨機性的Kupiec[13]和Christofersen[14]返回測試（Backtesting）方法對模型的穩(wěn)健性進行檢驗，以使檢驗結(jié)果更具有科學(xué)性和可信性。

基于以上分析，本文選擇修正后的Amihud指標(biāo)作為流動性風(fēng)險的風(fēng)險因子，并選用5種靜態(tài)Copula函數(shù)和2種時變Copula函數(shù)來刻畫其與市場風(fēng)險因子之間的相關(guān)結(jié)構(gòu)；進而運用蒙特卡洛模擬法，模擬出既符合兩風(fēng)險相關(guān)結(jié)構(gòu)特征又具有原市場風(fēng)險因子及流動性風(fēng)險因子特征的隨機數(shù)并得到整合風(fēng)險的分布情況，進而測度出整合風(fēng)險的VaR值；最后運用規(guī)范的Back-testing檢驗方法對模型的穩(wěn)健性進行檢驗。

最后，仍需指出的是，雖然已有諸多學(xué)者（如，Bangia et al、Angelidis et al、Loebnitz[15]、劉曉星等以及林輝[16]）研究了市場風(fēng)險與流動性風(fēng)險的整合風(fēng)險，并證實了在測度金融市場風(fēng)險時不僅不能忽略流動性風(fēng)險，而且當(dāng)市場缺乏流動性時，流動性風(fēng)險的增大，往往伴隨著市場風(fēng)險也顯著增大。但是，他們的研究并沒有闡明市場風(fēng)險與流動性風(fēng)險之間的相關(guān)結(jié)構(gòu)。雖然，張金清等、張蕊等以及江紅莉等運用Copula函數(shù)考察了市場風(fēng)險與流動性風(fēng)險的相關(guān)結(jié)構(gòu)，但是，他們的研究限于單一地運用靜態(tài)模型或是時變模型，具有一定的片面性，而本文則是將靜態(tài)模型和時變模型一并納入考慮，更全面地考察中國股市市場風(fēng)險與流動性風(fēng)險之間的相關(guān)結(jié)構(gòu)。同時與前人研究選取相對價差作為流動性風(fēng)險因子不同的是，本文引入較好的低頻流動性指標(biāo)——修正后的Amihud指標(biāo)作為流動性風(fēng)險的風(fēng)險因子；而且更為重要的是，本文對模型的穩(wěn)健性檢驗，并沒有把以往學(xué)者采用的失敗率作為模型穩(wěn)健性的評價標(biāo)準(zhǔn)，而是采用規(guī)范的Back-testing方法對模型的穩(wěn)健性進行檢驗。

二、研究方法

（一）基于相關(guān)結(jié)構(gòu)與Monte Carlo法的整合風(fēng)險VaR測度方法

在金融風(fēng)險管理中，市場風(fēng)險因子通常用對數(shù)收益率來表示。

對于流動性風(fēng)險因子l，目前還沒有一個統(tǒng)一的度量指標(biāo)。張錚等研究得出Amihud指標(biāo)是一個很好的低頻流動性指標(biāo)。然而，Andreas、張金清等以及王明濤等指出，Amihud指標(biāo)沒有考慮資產(chǎn)流通盤的大小，從而容易受到資產(chǎn)流通總額的影響，并建議用日換手率來代替原指標(biāo)中的成交金額。于是，本文將運用修正后的Amihud指標(biāo)——lAs作為流動性風(fēng)險的風(fēng)險因子。

其中，turnovert為金融資產(chǎn)的日換手率，且其值為金融資產(chǎn)第t日的成交股數(shù)Volt與其第t日的流通股數(shù)ANt的比值，即turnovert=Volt/ANt。因此，流動性風(fēng)險因子lAs，t可以理解為，單位換手率所引起的收益變化，可以用來反映流動性風(fēng)險的大小，即lAs，t越小，則流動性越好，流動性風(fēng)險越小，反之亦然。于是，在t時刻成交流通中的m個單位的頭寸所引起的流動性風(fēng)險即為mt×lAs，t，其中mt=nt/ANt，nt為投資者欲成交的頭寸。

至此，我們得到市場風(fēng)險因子與流動性風(fēng)險因子。此外，在金融風(fēng)險管理中還通常假定金融資產(chǎn)收益率服從如下的波動形式：

當(dāng)然，要準(zhǔn)確測度流動性風(fēng)險與市場風(fēng)險的整合風(fēng)險，則需要運用Copula函數(shù)對市場風(fēng)險與流動性風(fēng)險的相關(guān)結(jié)構(gòu)進行考察。需指出的是，運用Copula函數(shù)來考察市場風(fēng)險與流動性風(fēng)險之間的相關(guān)結(jié)構(gòu)，兩風(fēng)險因子需滿足服從[0，1]均勻分布的條件，而通常它們并不滿足這一條件，因而需要將兩風(fēng)險因子進行標(biāo)準(zhǔn)化及概率積分變換（Probability Integral Transform，PIT），將其轉(zhuǎn)換為服從[0，1]上的均勻分布，標(biāo)準(zhǔn)化過程如下：

其中，i為市場風(fēng)險因子rt或流動性風(fēng)險因子lt。

從（4）式可知，要得到標(biāo)準(zhǔn)市場風(fēng)險因子zr，t及標(biāo)準(zhǔn)流動性風(fēng)險因子zl，t，首先必須運用合適的均值方程及波動模型分別對市場風(fēng)險因子rt和流動性風(fēng)險因子lt進行建模，估計出兩者的條件均值t和條件標(biāo)準(zhǔn)差t。鑒于金融時間序列通常具有自相關(guān)性、異方差性等特征，因而在此運用ARMA-GARCH模型來刻畫市場風(fēng)險因子與流動性風(fēng)險因子的自相關(guān)性及異方差性等特征?？紤]到金融時間序列通常具有比正態(tài)分布更厚的尾部，同時Giot指出運用GARCH-t模型對金融風(fēng)險進行刻畫，能取得很好的效果[17]，因此，本文運用ARMA-GARCH-t模型對市場風(fēng)險因子與流動性風(fēng)險因子進行建模。ARMAGARCH-t模型的基本形式如下：

至此，我們估計出了流動性風(fēng)險因子與市場風(fēng)險因子的條件均值t、條件標(biāo)準(zhǔn)差t，進而得到標(biāo)準(zhǔn)市場風(fēng)險因子zr，t和標(biāo)準(zhǔn)流動性風(fēng)險因子zl，t。通過對標(biāo)準(zhǔn)市場風(fēng)險因子zr，t和標(biāo)準(zhǔn)流動性風(fēng)險因子zl，t進行概率積分變換，得到服從[0，1]均勻分布的市場風(fēng)險因子Ut與流動性風(fēng)險因子Vt。于是，可以運用Copula函數(shù)來考察市場風(fēng)險因子Ut與流動性風(fēng)險因子Vt之間的相關(guān)結(jié)構(gòu)。

為準(zhǔn)確反映市場風(fēng)險因子Ut與流動性風(fēng)險因子Vt的相關(guān)結(jié)構(gòu)，本文采用5種常用的靜態(tài)Copula函數(shù)來考察兩者的靜態(tài)相關(guān)結(jié)構(gòu)，同時采用Patton基于Hansen自回歸條件密度的思想而提出的時變正態(tài)Copula函數(shù)和時變t Copula函數(shù)來刻畫兩者的動態(tài)相關(guān)結(jié)構(gòu)[18][19]。兩時變Copula函數(shù)的分布函數(shù)及相關(guān)系數(shù)演進模型如下所示：

（1）時變正態(tài)Copula函數(shù)的分布函數(shù)及相關(guān)系數(shù)方程：

當(dāng)n=2時，

（2）時變t Copula函數(shù)的分布函數(shù)及相關(guān)系數(shù)方程：

當(dāng)n=2時，

至此，得到了市場風(fēng)險因子Ut與流動性風(fēng)險因子Vt的相關(guān)結(jié)構(gòu)，進而運用蒙特卡洛模擬方法模擬出既滿足市場風(fēng)險因子Ut與流動性風(fēng)險因子Vt相關(guān)結(jié)構(gòu)，又具有風(fēng)險因子rt及l(fā)t特征的隨機變量r，t和l，t。將得到的條件均值t和條件標(biāo)準(zhǔn)差t以及隨機變量r，t和l，t代入（3）式中，進而估計出符合流動性風(fēng)險與市場風(fēng)險相關(guān)結(jié)構(gòu)的風(fēng)險因子t和t，將t和t代入整合風(fēng)險因子Rz，t中：

至此，我們得到了基于相關(guān)結(jié)構(gòu)的整合風(fēng)險在第t時刻的一種分布情況。重復(fù)進行j次（此處j= 5000）蒙特卡洛模擬，則可得到在第t時刻整合風(fēng)險因子Rz，t的j種分布情況。

再將整合風(fēng)險因子Rz，t在第t時刻的j種分布情況按升序排列，通過求排序后的整合風(fēng)險因子z，t，j在置信水平q下的分位數(shù)，從而得到整合風(fēng)險Rz，t在第t時刻及置信水平q下的VaR值，即

（二）VaR測度方法的Back-testing檢驗方法

本文運用Kupiec的檢驗方法對整合風(fēng)險的穩(wěn)健性進行檢驗。根據(jù)Kupiec et al的研究成果，給定的置信水平為q，考察期為N，實際失敗天數(shù)為n，則失敗率或溢出率為（n/N）。模型的零假設(shè)為：溢出率（n/N）=（1-q），進而模型的穩(wěn)健性檢驗就轉(zhuǎn)換成檢驗溢出率（n/N）是否與預(yù)期溢出率（1-q）有顯著差異。其中，當(dāng)VaR值小于資產(chǎn)的真實損失時，說明預(yù)測的風(fēng)險不足以覆蓋市場發(fā)生的風(fēng)險，則定義為預(yù)測失敗，并用指示變量I來表示，否則為預(yù)測成功。

此外，根據(jù)Kupiec et al的研究成果，模型零假設(shè)的似然比LRuc滿足（14）式，并且依概率服從自由度為1的卡方分布。

通常為了便于比較，我們將LRuc的卡方值轉(zhuǎn)換成概率值Puc。

若Puc＞（1-q），則不能拒絕零假設(shè)，即認為風(fēng)險模型在置信水平q下是可靠的，且Puc值越接近于1，說明模型預(yù)測的效果越好。

倘若僅僅檢驗?zāi)Ｐ偷囊绯雎逝c預(yù)期溢出率是否相符，并不能說明模型是穩(wěn)健的，還必須對模型溢出情況的隨機性進行檢驗。于是，Christoffersen構(gòu)建了類似于LRuc的檢驗指標(biāo)LRind，來檢驗溢出情況的隨機性，其似然比如下：

在此基礎(chǔ)上，Christoffersen還構(gòu)建了一個綜合了指標(biāo)LRuc和指標(biāo)LRind的條件檢驗指標(biāo)LRcc，以綜合反映模型的穩(wěn)健性。LRcc指標(biāo)依概率服從自由度為2的卡方分布，且其似然比滿足：

由于檢驗指標(biāo)LRcc綜合了指標(biāo)LRuc和指標(biāo)LRind，從而有更強的檢驗?zāi)芰?。于是，本文判斷模型穩(wěn)健性的主要依據(jù)是該指標(biāo)對應(yīng)的概率值Pcc。

三、實證結(jié)果及分析

（一）研究樣本

本文選取在中國股票市場上具有代表性的滬深300指數(shù)作為研究對象，并選取2009年1月5日至2014年3月31日作為樣本期，進而得到在該樣本期內(nèi)的樣本點，共計1269個。需說明的是，在本文所選的樣本期內(nèi)，滬深300指數(shù)的日成交股數(shù)在2億股到20億股之間，因此本文假定滬深300指數(shù)的日成交股數(shù)為2億股。本文所需的研究數(shù)據(jù)來自上海證券交易所對外公布的《上證統(tǒng)計月報》和銳思金融數(shù)據(jù)庫。本文主要運用的分析軟件為matlab 2013b。

（二）市場風(fēng)險因子及流動性風(fēng)險因子的特征檢驗及分析

圖1是滬深300指數(shù)市場風(fēng)險因子r及流動性風(fēng)險因子l的波動情況。從圖1可以明顯地觀察到兩因子均具有較大的波動性；同時也表現(xiàn)出了明顯的“波動聚集性”，即在較大的波動后又伴隨著另一較大的波動，在較小的波動后也伴隨著另一較小的波動。表1為市場風(fēng)險因子r及流動性風(fēng)險因子l的描述性統(tǒng)計檢驗結(jié)果。從表1可知：市場風(fēng)險因子r正態(tài)分布檢驗的J-B統(tǒng)計量在1%的顯著性水平下顯著拒絕服從正態(tài)分布的假設(shè)；其峰度（Kurtosis）和偏度（Skewness）反映出市場風(fēng)險因子r具有“尖峰”及“有偏”的分布特征；單位根檢驗和拉格朗日乘數(shù)檢驗也均在1%的顯著性水平下顯著拒絕零假設(shè)，說明市場風(fēng)險因子r不存在單位根，但具有“異方差”特征；自相關(guān)性檢驗在1%的顯著性水平下不拒絕零假設(shè)，表明市場風(fēng)險因子r為非自相關(guān)序列。因而，滬深300指數(shù)的市場風(fēng)險因子r為“尖峰”、“有偏”、具有“異方差性”的平穩(wěn)序列。流動性風(fēng)險因子l的特征檢驗，除了拉格朗日乘數(shù)檢驗和“異方差性”檢驗的結(jié)果與市場風(fēng)險因子r的檢驗結(jié)果不同之外，其余檢驗結(jié)果與市場風(fēng)險因子r的檢驗結(jié)果相似。與市場風(fēng)險因子r相比，流動性風(fēng)險因子具有更明顯的“尖峰”及“有偏”分布特征。因此，根據(jù)兩風(fēng)險因子的上述分布特征，可分別采用GARCH模型和ARMA模型對市場風(fēng)險因子r及流動性風(fēng)險因子l進行建模分析。

表1 市場風(fēng)險因子與流動性風(fēng)險因子的描述性統(tǒng)計檢驗結(jié)果

（三）市場風(fēng)險因子與流動性風(fēng)險因子的邊緣分布參數(shù)估計結(jié)果

基于市場風(fēng)險因子r及流動性風(fēng)險因子l的特征檢驗結(jié)果，并結(jié)合AIC準(zhǔn)則，最終選擇GARCH（1，1）-t模型對市場風(fēng)險因子r的邊緣分布進行建模，以及選取ARMA（7，5）-t模型對流動性風(fēng)險因子進行建模，參數(shù)估計結(jié)果如表2、表3所示。

表2 市場風(fēng)險因子的邊緣分布參數(shù)估計結(jié)果

表3 流動性風(fēng)險因子的邊緣分布參數(shù)估計結(jié)果

從表2，表3可以看出，市場風(fēng)險因子r的持久性因子（α+β）為0.9908，非常接近于1，說明其波動效應(yīng)具有持久性；市場風(fēng)險因子r及流動性風(fēng)險因子l的自由度υ分別為4.8199和2.3096，并且在1%的置信水平下顯著，說明兩者均具有較厚的尾部。此外，為檢驗所選模型對市場風(fēng)險因子和流動性風(fēng)險因子“異方差性”特征及“自相關(guān)性”特征的刻畫效果，以及檢驗標(biāo)準(zhǔn)化后的市場風(fēng)險因子zr和流動性風(fēng)險zl是否滿足標(biāo)準(zhǔn)殘差序列服從獨立同分布（Independent Identically Distribution，i.i.d）的要求，因而對標(biāo)準(zhǔn)化后的市場風(fēng)險因子zr和流動性風(fēng)險zl再次進行描述性統(tǒng)計檢驗，特征檢驗結(jié)果如表4所示。

表4 標(biāo)準(zhǔn)市場風(fēng)險因子與標(biāo)準(zhǔn)流動性風(fēng)險因子的特征檢驗結(jié)果

從表4的檢驗結(jié)果可看出，雖然標(biāo)準(zhǔn)化后的市場風(fēng)險因子zr與標(biāo)準(zhǔn)流動性風(fēng)險因子zt仍具有“尖峰”、“有偏”的分布特征，但是兩者均已不再具有“異方差性”及“自相關(guān)性”特征，由此可見，本文所運用的GARCH（1，1）-t模型以及ARMA（7，5）-t模型分別對市場風(fēng)險因子r和流動性風(fēng)險因子l的“異方差性”及“自相關(guān)性”特征進行刻畫是合理的；同時從BDS統(tǒng)計量來看，兩者均在1%的置信水平下不拒絕零假設(shè)，說明標(biāo)準(zhǔn)化后的兩風(fēng)險因子均為獨立同分布序列。因而標(biāo)準(zhǔn)化后的兩風(fēng)險因子為“尖峰”、“有偏”、“無自相關(guān)性”和“異方差性”的獨立同分布平穩(wěn)序列，進而說明本文采用的均值方程及波動模型能夠有效地刻畫兩風(fēng)險因子的分布特征。

（四）Copula函數(shù)的參數(shù)估計結(jié)果及分析

為準(zhǔn)確刻畫我國股市市場風(fēng)險與流動性風(fēng)險之間的相關(guān)結(jié)構(gòu)，本文選擇5種常用的靜態(tài)Copula函數(shù)來考察兩風(fēng)險之間的靜態(tài)相關(guān)結(jié)構(gòu)，以及采用時變正態(tài)Copula函數(shù)和時變t Copula函數(shù)來刻畫兩風(fēng)險之間的動態(tài)相關(guān)結(jié)構(gòu)。其中，5種靜態(tài)Copula函數(shù)的相關(guān)參數(shù)估計結(jié)果如表5所示；兩種動態(tài)Copula函數(shù)的參數(shù)估計結(jié)果如表6所示；同時，兩風(fēng)險之間的動態(tài)相關(guān)性如圖2所示。

表5 靜態(tài)Copula函數(shù)的相關(guān)參數(shù)估計結(jié)果

表6 時變Copula函數(shù)的相關(guān)參數(shù)估計結(jié)果

圖2 時變Copula函數(shù)的相關(guān)系數(shù)

從表5可看出，在靜態(tài)的Copula模型中，靜態(tài)t Copula函數(shù)的似然值最小，其次是Gumbel Copula函數(shù)，最大的則是Clayton Copula函數(shù)，因此，從似然值指標(biāo)來看，靜態(tài)t Copula函數(shù)比其他靜態(tài)Copula函數(shù)更能刻畫我國市場風(fēng)險與流動性風(fēng)險之間的相關(guān)結(jié)構(gòu)。另外，由于正態(tài)Copula函數(shù)與t Copula函數(shù)的相關(guān)參數(shù)亦是變量間的線性相關(guān)系數(shù)，而表5中正態(tài)Copula函數(shù)與t Copula函數(shù)的線性相關(guān)系數(shù)均不為1，則說明中國股市的市場風(fēng)險與流動性風(fēng)險之間并非完全正相關(guān)，從而說明若仍舊按照Bangia et al的做法，將流動性風(fēng)險與市場風(fēng)險進行簡單相加來測度兩者的整合風(fēng)險，而不考慮這兩者之間的相關(guān)結(jié)構(gòu)是不夠嚴謹?shù)?。因此，要?zhǔn)確測度市場風(fēng)險與流動性風(fēng)險的整合風(fēng)險，就必須考慮兩者之間的相關(guān)結(jié)構(gòu)。

從表5和表6中各模型的似然值來看，時變t Copula函數(shù)的似然值比最優(yōu)的靜態(tài)t Copula函數(shù)的似然值更小，說明運用時變Copula函數(shù)描述的動態(tài)相關(guān)結(jié)構(gòu)更符合我國股市市場風(fēng)險與流動性風(fēng)險的相關(guān)結(jié)構(gòu)；同時時變t Copula函數(shù)的似然值也比時變正態(tài)Copula函數(shù)的似然值更小。因而說明我國股市的流動性風(fēng)險與市場風(fēng)險間的動態(tài)相關(guān)結(jié)構(gòu)運用時變t Copula函數(shù)來描述更為準(zhǔn)確。

從圖2可以看出，無論是用時變正態(tài)Copula函數(shù)還是用時變t Copula函數(shù)來描述我國股市市場風(fēng)險與流動性風(fēng)險的動態(tài)相關(guān)結(jié)構(gòu)，均得出兩者的相關(guān)性不為1且基本在區(qū)間[-0.05，0.15]上，因而再次說明不能將市場風(fēng)險和流動性風(fēng)險進行簡單相加來測度兩者的整合風(fēng)險。此外，我國股市的市場風(fēng)險與流動性風(fēng)險的相關(guān)性在大部分情況下均大于0，從而說明我國股市市場風(fēng)險與流動性風(fēng)險的正向相關(guān)性更強，也就是說當(dāng)市場的流動性風(fēng)險增大時，市場風(fēng)險也會相應(yīng)增大。于是，再次說明研究市場風(fēng)險與流動性風(fēng)險的整合風(fēng)險是很有必要的，而且在研究市場風(fēng)險與流動性風(fēng)險的整合風(fēng)險時，不考慮兩者之間的相關(guān)結(jié)構(gòu)是不嚴謹?shù)摹?/p>

（五）整合風(fēng)險VaR測度方法的Back-testing檢驗結(jié)果及分析

基于市場風(fēng)險與流動性風(fēng)險的相關(guān)結(jié)構(gòu)，本文采用蒙特卡洛模擬方法來測度出整合風(fēng)險的VaR值，并運用Kupiec和Christofersen返回測試方法對模型的穩(wěn)健性進行檢驗，各模型的檢驗結(jié)果如表7所示。需說明的是，表7所示的檢驗結(jié)果是對經(jīng)過5000次蒙特卡洛模擬測得的整合風(fēng)險進行Backtesting檢驗而得到的結(jié)果。

表7 各整合風(fēng)險測度模型的Back-testing檢驗結(jié)果

從表7中各模型的返回測試檢驗結(jié)果可知：在兩種基于時變Copula函數(shù)的測度模型中，無論在何種置信水平下，基于時變t Copula函數(shù)的測度模型其檢驗結(jié)果均比基于時變正態(tài)Copula函數(shù)的測度模型所得的檢驗結(jié)果更為優(yōu)越，這說明運用具有厚尾性的學(xué)生t分布比運用正態(tài)分布更能捕獲市場風(fēng)險因子及流動性風(fēng)險因子的尾部信息，進而使得風(fēng)險測度更為準(zhǔn)確。這與流動性風(fēng)險因子及市場風(fēng)險因子為“有偏”的特征檢驗結(jié)果相符，同時與江紅莉等得出時變t Copula模型優(yōu)于時變正態(tài)Copula模型的研究結(jié)果一致。

此外，在5種基于靜態(tài)Copula函數(shù)的風(fēng)險測度模型中，只有在95%的置信水平下，基于t Copula函數(shù)的測度模型的檢驗結(jié)果優(yōu)于基于Clayton Copula函數(shù)的測度模型所得的檢驗結(jié)果，在其他置信水平下，基于Clayton Copula函數(shù)的測度模型其檢驗結(jié)果均優(yōu)于其他模型的檢驗結(jié)果。這說明中國股市流動性風(fēng)險與市場風(fēng)險在下尾的相關(guān)性較強，即說明當(dāng)市場嚴重缺乏流動性導(dǎo)致流動性風(fēng)險增大時，市場風(fēng)險也將增大。這與張蕊等得到的中國股市流動性風(fēng)險與市場風(fēng)險在下尾的相關(guān)性較強的結(jié)果一致。

當(dāng)然，從本文所選的模型來看，基于時變t Copula函數(shù)的風(fēng)險測度模型其Back-testing檢驗結(jié)果在所有模型中的表現(xiàn)最好，說明運用時變t Copula函數(shù)對中國股市市場風(fēng)險與流動性風(fēng)險的相關(guān)結(jié)構(gòu)進行刻畫，更能準(zhǔn)確測度兩風(fēng)險的整合風(fēng)險。

基于以上實證結(jié)果及分析可知，在對中國股市市場風(fēng)險和流動性風(fēng)險之間的相關(guān)結(jié)構(gòu)進行考察時，時變t Copula函數(shù)不僅比各靜態(tài)Copula函數(shù)更好，而且同樣比時變正態(tài)Copula函數(shù)更能準(zhǔn)確刻畫兩風(fēng)險的相關(guān)結(jié)構(gòu)。另外，就整合風(fēng)險測度模型的檢驗結(jié)果而言，基于時變t Copula函數(shù)的風(fēng)險測度模型不僅比基于靜態(tài)Copula函數(shù)的風(fēng)險測度模型更能準(zhǔn)確測度整合風(fēng)險，而且也比基于時變正態(tài)Copula函數(shù)的風(fēng)險測度模型在測度整合風(fēng)險上更為優(yōu)越，是測度我國市場風(fēng)險與流動性風(fēng)險整合風(fēng)險的最優(yōu)模型。

四、結(jié)論

本文針對當(dāng)前研究流動性風(fēng)險與市場風(fēng)險的整合風(fēng)險時并未考慮兩者相關(guān)結(jié)構(gòu)的問題，引入2種時變Copula函數(shù)及5種靜態(tài)Copula函數(shù)來刻畫兩者的相關(guān)結(jié)構(gòu)。在運用ARMA-t模型及GARCH-t模型分別對流動性風(fēng)險因子和市場風(fēng)險因子的邊緣分布進行估計后，再運用Copula函數(shù)對兩風(fēng)險因子的相關(guān)結(jié)構(gòu)進行考察，進而運用蒙特卡洛模擬法測度出整合風(fēng)險的VaR值，最后運用規(guī)范的返回測試檢驗方法對模型的穩(wěn)健性進行檢驗，得到相關(guān)結(jié)論如下：

1.通過對中國股票市場風(fēng)險與流動性風(fēng)險的相關(guān)結(jié)構(gòu)進行考察，得出中國股市的市場風(fēng)險與流動性風(fēng)險并非完全正相關(guān)，因而如果不考慮兩者之間的相關(guān)結(jié)構(gòu)，直接將兩風(fēng)險進行簡單相加來測度整合風(fēng)險，則可能出現(xiàn)不準(zhǔn)確的風(fēng)險測度結(jié)果。

2.通過對中國股市市場風(fēng)險與流動性風(fēng)險的相關(guān)結(jié)構(gòu)進行考察，發(fā)現(xiàn)中國股市市場風(fēng)險與流動性風(fēng)險的相關(guān)結(jié)構(gòu)更符合于動態(tài)的相關(guān)結(jié)構(gòu)，而且這種動態(tài)的相關(guān)結(jié)構(gòu)，能夠用時變t Copula函數(shù)進行準(zhǔn)確地刻畫。

3.在對考慮了相關(guān)結(jié)構(gòu)之后的整合風(fēng)險進行測度時，基于時變t Copula函數(shù)的風(fēng)險測度模型不僅優(yōu)于基于靜態(tài)Copula函數(shù)的風(fēng)險測度模型，而且同樣比基于時變正態(tài)Copula函數(shù)的風(fēng)險測度模型更能準(zhǔn)確測度市場風(fēng)險與流動性風(fēng)險的整合風(fēng)險。

由以上結(jié)論可知，投資者及風(fēng)險管理者要實現(xiàn)有效地管理我國股市市場風(fēng)險與流動性風(fēng)險的整合風(fēng)險，則不僅不能忽略兩風(fēng)險之間的相關(guān)結(jié)構(gòu)，而且還必須對兩者的相關(guān)結(jié)構(gòu)進行準(zhǔn)確刻畫，從而才能更為準(zhǔn)確地測度整合風(fēng)險，進而實現(xiàn)對整合風(fēng)險的有效管理。當(dāng)然，對于要維護金融市場穩(wěn)定和健康運行的我國市場監(jiān)管者而言，亦是如此。

［1］張蕊，王春峰，房振明，梁葳.市場風(fēng)險與流動性風(fēng)險整合風(fēng)險度量研究［J］.北京理工大學(xué)學(xué)報（社會科學(xué)版），2010（15）：18-22.

［2］Bangia A，Diebold F，Schuerman T，Stroughair J.Modeling liquidity risk，with implications for traditional market risk measurement and management.Working Paper，University of Pennsylvania，December 21，1998.

［3］Angelidis T，Benos A.Liquidity Adjusted value-at-risk Based on the Components of the bid-ask Spread［J］.Applied Financial Economics，2006，16（11）：835-851.

［4］劉曉星，邱桂華.基于買賣價差的我國股票市場流動性調(diào)整的風(fēng)險價值研究［J］.當(dāng)代經(jīng)濟管理，2008（8）：83-87.

［5］張金清，李徐.流動性風(fēng)險與市場風(fēng)險的集成度量方法研究［J］.系統(tǒng)工程學(xué)報，2009（2）：154-172.

［6］張堯庭.連接函數(shù)（Copula）技術(shù)與金融風(fēng)險分析［J］.統(tǒng)計研究，2002（4）：48-51.

［7］Cherubini U，Luciano E，Vecchiato W.Copula method in Finance［M］.Chichester：John Wiley，2004.

［8］江紅莉，何建敏，胡小平.基于時變Copula的La-VaR測度研究［J］.重慶大學(xué)學(xué)報（社會科學(xué)版），2013（3）：27-32.

［9］張錚，李怡宗，張玉龍，劉翔.中國股市流動性間接指標(biāo)的檢驗——基于買賣價差的實證分析［J］.經(jīng)濟學(xué)（季刊），2013（1）：233-262.

［10］Andreas A，Timotheos A.Idiosyncratic Risk，Returns and Liquidity in the London Stock Exchange：A Spillover Approach，2008.http：//ssrn.com/abstract=1083997.

［11］王明濤，莊雅明.股票市場流動性風(fēng)險計量模型研究［J］.中國管理科學(xué)，2011（2）：1-9.

［12］林宇.基于雙曲線記憶HYGARCH模型的動態(tài)風(fēng)險VaR測度能力研究［J］.中國管理科學(xué)，2011（6）：15-24.

［13］Kupiec P.Techniques for Verifying the Accuracy of Risk Measurement Models［J］.Journal of Derivatives，1995，（3）：73-84.

［14］Christoffersen P F.Evaluation Interval Forecasts［J］.International Economic Review，1998，39（4）：841-862.

［15］Loebnitz K.Market Liquidity Risk：Elusive No More Defining and Quantifying Market Liquidity Risk［D］.Twente University，2006.

［16］林輝.流動性調(diào)整的風(fēng)險價值模型及其實證研究［J］.科技與經(jīng)濟，2010（2）：93-96.

［17］Giot P.Market Risk Models for Intraday Data［J］.European Journal of Finance，2005，11（4）：309-324.

［18］Patton A J.Modeling Time-varying Exchange Rate Dependence Using the Conditional Copula［R］.Department of Economics，San Diego，University of California，2001.

［19］Patton A J.Modeling Asymmetric Exchange Rate Dependence［J］. International Economic Review，2006，47（2）：527-556.

（責(zé)任編輯：盧艷茹；校對：龍會芳）

F830.9

A

1006－3544（2015）02－0054－08

2015-01-07

國家自然科學(xué)基金資助項目（71171025）；四川省軟科學(xué)研究計劃資助項目（2014ZR0093）；成都理工大學(xué)“金融與投資”優(yōu)秀創(chuàng)新團隊計劃資助項目（KYTD201303）

覃小兵（1990-），男，四川內(nèi)江人，成都理工大學(xué)商學(xué)院碩士研究生，研究方向為金融工程、流動性風(fēng)險；唐曉華（1976-），女，四川廣漢人，四川工商職業(yè)技術(shù)學(xué)院講師，研究方向為國際貿(mào)易與風(fēng)險管理；林宇（1973-），男，四川儀隴人，博士，成都理工大學(xué)商學(xué)院副教授，研究方向為金融風(fēng)險管理、金融市場與公司理財。