【摘要】隨著資本全球化的發(fā)展,國(guó)際金融市場(chǎng)的聯(lián)系也越來(lái)越密切,隨之而來(lái)的便是金融風(fēng)險(xiǎn)也越來(lái)越受到人們的關(guān)注。在刻畫(huà)金融資產(chǎn)價(jià)格波動(dòng)率方面,高頻數(shù)據(jù)有著低頻數(shù)據(jù)無(wú)法比擬的信息優(yōu)勢(shì),能夠更準(zhǔn)確的刻畫(huà)出金融市場(chǎng)上波動(dòng)率的相關(guān)特征,從而對(duì)具有金融風(fēng)險(xiǎn)有更準(zhǔn)確的度量。在眾多模型中,VAR模型作為一種廣為應(yīng)用的度量模型,在金融風(fēng)險(xiǎn)度量中起到非常重要的作用,也是本篇論文使用和探討的度量方法。在介紹VaR模型的基礎(chǔ)上,本文將其應(yīng)用于股票實(shí)數(shù)的實(shí)證研究中。
【關(guān)鍵詞】金融風(fēng)險(xiǎn) 高頻數(shù)據(jù) VAR模型 實(shí)證分析
一、引言
隨著經(jīng)濟(jì)全球化、金融一體化聯(lián)系逐漸加強(qiáng),國(guó)際金融市場(chǎng)對(duì)我國(guó)的金融市場(chǎng)的影響也在逐步加強(qiáng),我國(guó)的金融市場(chǎng)發(fā)生了根本性變化。Andersen和Bollerslev對(duì)金融高頻數(shù)據(jù)的研究起到了先導(dǎo)性作用,根據(jù)數(shù)據(jù)特征他們提出了“已實(shí)現(xiàn)”波動(dòng)率[1][2]。來(lái)升強(qiáng)[3]等針對(duì)粗集分類(lèi)方法因離散化而損失數(shù)值型變量提供的高質(zhì)量信息,提出一種基于Bayes概率邊界域的粗集分類(lèi)方法,能夠直接處理數(shù)值型數(shù)據(jù),并將研究成果應(yīng)用到高頻數(shù)據(jù)方面,通過(guò)統(tǒng)計(jì)圖表的方式方便直觀的讓人了解,并沒(méi)有正面討論高頻數(shù)據(jù)。徐國(guó)祥等[4]通過(guò)衡量殘差密度函數(shù)的參數(shù)和非參數(shù)估計(jì)值之間的緊密程度介紹了ACD模型,給出了ACD擴(kuò)展模型,對(duì)采用更好的模型進(jìn)行高頻數(shù)據(jù)的研究工作提供了幫助。唐勇等[5]基于日內(nèi)波動(dòng)特征,給出考了“日歷效應(yīng)”的加權(quán)已實(shí)現(xiàn)極差波動(dòng),并說(shuō)明了已實(shí)現(xiàn)極差波動(dòng)知識(shí)加權(quán)已實(shí)現(xiàn)極差波動(dòng)的特例,對(duì)于金融資產(chǎn)定價(jià)、投資組合、風(fēng)險(xiǎn)管理有著重要意義。韓冬等[6]研究了流動(dòng)性的“周內(nèi)效應(yīng)”和“日內(nèi)效應(yīng)”后發(fā)現(xiàn),當(dāng)控制波動(dòng)性、交易量和股價(jià)等對(duì)流動(dòng)性有重要影響的變量時(shí),效應(yīng)依然存在,在此基礎(chǔ)上,深入分析造成這一現(xiàn)象的原因,并且提出了相應(yīng)的政策建議。對(duì)于股票指數(shù)中的主流品種,如何有效利用股票指數(shù)來(lái)度量金融市場(chǎng)的金融風(fēng)險(xiǎn)顯得尤為重要,是擺在眾多學(xué)者面前的一道巨大難題。本文從高頻數(shù)據(jù)的角度出發(fā),對(duì)股票指數(shù)進(jìn)行深入研究,對(duì)金融風(fēng)險(xiǎn)的研究和管控有著重要的意義。
二、模型簡(jiǎn)介
VaR是指在一定的市場(chǎng)條件、置信水平及持有期下,某一金融資產(chǎn)或者投資組合可能發(fā)生的最大損失,VaR為:
其中:α為置信水平,t為持有期,rt為可能的損失
則,資產(chǎn)的收益和損失為分布函數(shù)F:
其中:F-1為分布函數(shù)的反函數(shù),α一般取0.05或0.01
在市場(chǎng)條件Xt下,資產(chǎn)或者資產(chǎn)組合Yt的風(fēng)險(xiǎn)價(jià)值就是條件VaR。在時(shí)間段[t,t+h]中,對(duì)數(shù)收益率為:
由此可見(jiàn),要想得出條件VaR實(shí)際就是確定條件分為點(diǎn)的值。
三、實(shí)證過(guò)程
(一)數(shù)據(jù)來(lái)源
本文選取滬深300指數(shù)為研究樣本,樣本選取的區(qū)間2016年3月8號(hào)至2016年3月16號(hào),為1分鐘采樣的高頻數(shù)據(jù),共1677個(gè),數(shù)據(jù)來(lái)源于“WIND資訊”。
(二)收益率的平穩(wěn)性檢驗(yàn)
用Eviews做出收盤(pán)價(jià)價(jià)格走勢(shì)圖(圖4.1):
從價(jià)格走勢(shì)圖我們可以看到收盤(pán)價(jià)的價(jià)格起伏還是表較大的,單純比較價(jià)格變化情況無(wú)法與前1分鐘的價(jià)格相聯(lián)系,孤立的存在,也不能得出有效結(jié)論。需引進(jìn)一個(gè)更加合適的變量來(lái)反映各個(gè)價(jià)格之間的聯(lián)系和變動(dòng)情況,因此,引進(jìn)“收益率”這一指標(biāo)。
收益率公式:
進(jìn)行ADF檢驗(yàn),得出該序列在99%置信水平下該序列是平穩(wěn)序列。
(三)收益率期望值為0檢驗(yàn)
由于樣本數(shù)據(jù)是高頻數(shù)據(jù),時(shí)間間隔短,對(duì)于收益率r(t)的期望值應(yīng)近似為0。即:
Er(t)=μ=0
因此,可以設(shè)原假設(shè)H0:μ=0,則備擇假設(shè)H1:μ≠0。
在H0為真下,采用T檢驗(yàn)(μ=0),取檢驗(yàn)統(tǒng)計(jì)量為:
則拒絕域?yàn)?/p>
下面以每一天的數(shù)據(jù)為基礎(chǔ),通過(guò)計(jì)算檢驗(yàn)統(tǒng)計(jì)量的值來(lái)判斷每一天收益率期望值收益率是否為0。
當(dāng)α為0.05時(shí),結(jié)果如下:
從表4.2中我們看出,在0.05的置信水平下,表中p值都大于α,即:不應(yīng)拒絕原假設(shè),認(rèn)為μ=0成立。也就是說(shuō),每一天的收益率的期望值都為0,與我們前面所說(shuō)的結(jié)論相符。
(四)VaR值與α值的對(duì)應(yīng)
根據(jù)公式:
rt≤VaR的概率為1-α,則rt>VaR的概率就為α,這樣就建立起VaR值與α值之間的一個(gè)對(duì)應(yīng)關(guān)系,而在概率論與數(shù)理統(tǒng)計(jì)中,假設(shè)事件A出現(xiàn)的次數(shù)為n,總的事件次數(shù)為N,則將的比值作為事件A發(fā)生的概率。如果將rt>VaR看做事件A,自己設(shè)定一個(gè)VaR值,通過(guò)前面計(jì)算得出的收益率的值,能夠方便的計(jì)算出事件A發(fā)生的概率,也就是說(shuō)VaR值與α值的對(duì)應(yīng)關(guān)系也就找到了。
下面是對(duì)應(yīng)關(guān)系表(N=1677):
通過(guò)圖4.4,我們也清楚的看到VaR值和α值之間的對(duì)應(yīng)關(guān)系,VaR值越大對(duì)應(yīng)的α值越小。
四、總結(jié)
我國(guó)金融市場(chǎng)迅猛發(fā)展,資產(chǎn)面臨的風(fēng)險(xiǎn)日趨復(fù)雜。采集金融高頻數(shù)據(jù)對(duì)金融市場(chǎng)微觀結(jié)構(gòu)進(jìn)行分析,有利于了解資產(chǎn)波動(dòng)。本文所做工作主要有:第一,相關(guān)理論知識(shí)介紹。如VaR模型理論知識(shí)。第二,實(shí)證分析。以滬深300指數(shù)為基礎(chǔ),采用VaR模型對(duì)數(shù)據(jù)進(jìn)行穩(wěn)定性分析,最后給出VaR值和α值之間的對(duì)應(yīng)關(guān)系。
在正常市場(chǎng)條件下,基于高頻數(shù)據(jù)的VaR,金融風(fēng)險(xiǎn)的度量具有充分的綜合性以及有效性,成為大部分投資者及金融機(jī)構(gòu)首選的風(fēng)險(xiǎn)度量方法。但是風(fēng)險(xiǎn)價(jià)VaR值是非一致性風(fēng)險(xiǎn)度量模型,本身存在一個(gè)不可忽略的缺點(diǎn),當(dāng)市場(chǎng)上出現(xiàn)極端事件時(shí),模型想有效性就大打折扣,失去其有效性和實(shí)用性。對(duì)于風(fēng)險(xiǎn)度量VaR模型進(jìn)行改進(jìn),提高風(fēng)險(xiǎn)預(yù)測(cè)效果,可以做更深層次的研究。
參考文獻(xiàn)
[1]Andersen T.G,Tim Bollerslev,F(xiàn).X.Dieblod,et.al.Exchanhe rate Standardized by Realized volatility are(nearly) Gaussian[J].Multinational Finance Journal,2000,4:159-179.
[2]Andersen T.G,Tim Bollerslev,F(xiàn).X.Dieblod,et.al.The Distribution of realized Exchanhe rate volatility[J].Journal of the American Statistical Association,2001,96:42-55.
[3]來(lái)升強(qiáng),謝邦昌,朱建平.基于Bayes概率邊界域的粗集分類(lèi)方法及其在高頻數(shù)據(jù)中的應(yīng)用[J].統(tǒng)計(jì)研究,2010,03:76-82.
[4]徐國(guó)祥,金登貴.基于金融高頻數(shù)據(jù)的ACD模型非參數(shù)設(shè)定檢驗(yàn)[J].統(tǒng)計(jì)研究,2007,04:15-18.
[5]唐勇,張世英.高頻數(shù)據(jù)的加權(quán)已實(shí)現(xiàn)極差波動(dòng)及其實(shí)證分析[J].系統(tǒng)工程,2006,08:52-57.
[6]韓冬,王春峰,岳慧煜.流動(dòng)性的“周內(nèi)效應(yīng)”和“日內(nèi)效應(yīng)”——基于指令驅(qū)動(dòng)市場(chǎng)的實(shí)證研究[J].北京航空航天大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2006,02:5-8.
[7]杜玉.基于高頻數(shù)據(jù)的VaR金融風(fēng)險(xiǎn)度量的研究[D].武漢理工大學(xué),2013.
作者簡(jiǎn)介:岳貞貞(1994-),女,山東威海人,山東科技大學(xué)碩士研究生,統(tǒng)計(jì)學(xué)專(zhuān)業(yè)。endprint