当前位置：文档库 › 基于VaR模型的我国股票市场风险度量研究

基于VaR模型的我国股票市场风险度量研究

信用风险的度量方法

一、信用风险度量方法与模型１．传统的信用风险评价方法（１）要素分析法。要素分析法是通过定性分析有关指标来评价客户信用风险时所采用的专家分析法。常用的要素分析法是５Ｃ要素分析法，它主要集中在借款人的道德品质（Ｃｈａｒａｃｔｅｒ）、还款能力（Ｃａｐａｃｉｔｙ）、资本实力（Ｃａｐｉｔａｌ）、担保（Ｃｏｌｌａｔｅｒａｌ）和经营环境条件（Ｃｏｎｄｉｔｉｏｎ）五个方面进行全面的定性分析，以判别借款人的还款意愿和还款能力。根据不同的角度，有的将分析要素归纳为“５Ｗ”因素，即借款人（Ｗｈｏ）、借款用途（Ｗｈｙ）、还款期限（Ｗｈｅｎ）、担保物（Ｗｈａｔ）及如何还款（Ｈｏｗ）。还有的归纳为“５Ｐ”因素，即个人因素（Ｐｅｒｓｏｎａｌ）、借款目的（Ｐｕｒｐｏｓｅ）、偿还（Ｐａｙｍｅｎｔ）、保障（Ｐｒｏｔｅｃｔｉｏｎ）和前景（Ｐｅｒｓｐｅｃｔｉｖｅ）。无论是“５Ｃ”、“５Ｗ”还是“５Ｐ”，其共同之处都是先选取一定特征目标要素，然后对每一要素评分，使信用数量化，从而确定其信用等级，以其作为其销售、贷款等行为的标准和随后跟踪监测期间的政策调整依据。（２）特征分析法。特征分析法是目前在国外企业信用管理工作中应用较为普遍的一种信用分析工具。它是从客户的种种特征中选择出对信用分析意义最大、直接与客户信用状况相联系的若干因素，将其编为几组，分别对这些因素评分并综合分析，最后得到一个较为全面的分析结果。

一般所分析的特征包括客户自身特征、客户优先性特征、信用及财务特征等。特征分析法的主要用途是对客户的资信状况做出综合性的评价，它涵盖了反映客户经营实力和发展潜力的所有重要指标，这种信用风险分析方法主要由信用调查机构和企业内部信用管理部门使用。（３）财务比率分析法。信用风险往往是由财务危机导致的，因此，可以通过及早发现和找出一些特征财务指标，判断评价对象的财务状况和确定其信用等级，从而为信贷和投资提供决策依据。财务比率综合分析法就是将各项财务分析指标作为一个整体，系统、全面、综合地对企业财务状况和经营情况进行剖析、解释和评价。这类方法的主要代表有杜邦财务分析体系和沃尔比重评分法。杜邦财务分析体系是由美国杜邦公司创立的，它以净值报酬率为龙头，以资产净利润率为核心，重点揭示企业获利能力及其前因后果，通过对某项综合性较强的财务比率的逐层分解，将相关财务指标联系起来，形成一个综合体系，以便清楚地反映各项财务指标的相互关系。沃尔比重评分法是由财务综合评价领域的著名先驱者之一亚历山大·沃尔创立的，他把若干个财务比率用线性关系结合起来，以此评价企业的信用水平。他选择了七种财务比率，即流动比率、产权比率、固定资产比率、存货周转率、应收账款周转率、固定资产周转率和自有资金周转率，分别给定各自的分数比重，通过与标准比率（行业平均比率）进行比较，确定各项指标的得分及总体指标的累计分数，从而得出企业财务状况的综合评价，继而确定其信用等级。２．多变量信用风险判别模型多变量信用风险判别模型是以财务会计信息为基础，以特征财务比率为解释变量，运用数量统计方法建模。多变量信用风险判别模型主要

金融风险度量的传统方法

第五章金融风险度量的传统方法第一节金融风险度量的传统方法一、用价差率来衡量风险价差率是用来测算单个证券投资风险最简单的方法，其计算公式如下：价差率＝2╳(最高价－最低价)/(最高价＋最低价)╳100% 上式中的最高价、最低价是指该证券在相应各期限(如年)的最高价和最低价，价差率法的实质是直接将证券的可能波动幅度作为衡量风险的指标。用价差率来衡量证券的波动幅度和风险，计算简单方便，意义清晰直观；价差率越大，意味着股票的风险越大，反之，则股票的风险越小。而且，可以根据具体情况和需要，采取不同的期限，如年、月、周等来计算价差率。不过，由于用价差率来测量风险时所包含的内容过于狭窄，其精确度和适用范围非常有限。二、灵敏度分析与β系数法灵敏度(Sentivity)是收益的方差与产生这一方差的某一随机变量(如利率、汇率等)的方差之比，它是两个方差的比值。设以V 表示收益，χ表示影响收益的市场随机变量，S 表示收益V 对χ的灵敏度，则： V S χ ?=? 或者以两方差的百分比的比值表示为： //V V S χχ ?=? 如某一债券价格对利率的敏感度为5，则它意味着1%的利率方差将产生5%的债券收益方差。若债券价值为10000，则其价值变动的方差为500。如果某投资组合的收益或价值受到几个市场随机变量的影响，那么该投资组合的风险就需要由这几个灵敏度组成的灵敏度变量来描绘。例如，某证券投资组合的市场价值依赖于各有关货币的利率、汇率、证券价格指数。这时，需将投资组合价值对这些变量的灵敏度都计算出来，但不能将它们直接相加。因为那样意味着各随机变量将在同一时间以给定的幅度变动，从而会夸大风险。

金融风险度量方法选择及适用性分析

金融风险度量方法选择及适用性分析在很长时期内风险价值模型（Value at Risk，以下简称VaR）都作为首选来度量风险，然而其理论和应用都存在缺陷。VaR并没有考虑潜在的尾部风险，而且不满足一致性风险度量的公理条件，即VaR不是一个理想的风险度量。本文从理论上分析了VaR模型存在的缺陷，并介绍其他风险度量模型，研究其特性，最后在此基础上提出金融风险度量选择的依据。关键词：风险价值一致性风险度量期望短缺谱风险度量扭曲风险度量回顾金融风险管理理论的发展史，20世纪70年代是现代金融风险管理发展的重要年代。布雷顿森林体系破产之后，利率、汇率等市场风险问题在金融机构的风险管理中日益凸显。而1973年4月，芝加哥期权交易所（CBOE）的正式运营以及著名的布莱克-舒尔茨期权定价模型的发表标志着现代金融风险管理时代的到来。20世纪90年代，以金融工程为代表的现代金融风险管理技术发展迅速，市场风险和信用风险的量化管理也得到了很大的发展。然而长期资本管理公司（LTCM）的破产为金融工程的应用提出了警示。金融工程的发展使得大量的数理统计模型在金融风险管理中获得应用，这其中包括著名的VaR模型。我国金融市场是一个发展中的新兴市场，金融风险管理的手段还比较落后，主要以定性分析为主，重在事后分析和评估，缺少事前风险防范和控制。随着我国的金融改革的发展和金融市场的进一步开放，金融监管的原则与风险管理的技术必须符合国际惯例要求。 VaR模型的产生及其局限性风险管理的基础和核心是对风险的定量分析和评估，即风险度量。传统的风险度量方法如Beta、Delta、久期和凸性等仅适用于特定的金融工具或领域，难以全面反映风险覆盖情况。在这一背景下，1993年G30小组首先提出风险价值（Value at Risk）的概念，VaR模型旨在估计给定投资工具或组合在未来资产价格波动下可能的潜在损失。这一指标最大的优点是能够测量由不同市场因子导致的风险，以及不同市场的总风险，能够较为准确地测量不同风险因子及其相互作用而产生的损失，能够适应金融市场发展的动态性、复杂性和全球化的趋势。然而，VaR度量的是正常市场情况下的市场风险，在现实中，金融市场出现剧烈波动的极端市场情形大量存在，即VaR并没有考虑潜在的极端市场情形。对VaR实践的评估以及对风险度量的进一步研究指出VaR并非一个一致性风险度量，其不满足次可加性的公理条件，从而无法进行风险分散。正是由于VaR还存在着理论与应用上的缺陷，推动了风险度量的进一步发展。在VaR的基础上许多研究者提出了风险度量的其他方法。Acerbi and Tasche （2002）提出期望尾部损失ES（Expected Shortfall，以下简称ES），Wang（1996）提出扭曲风险度量的概念，Acerbi（2002，2004）将经济学的风险偏好理论引入风险度量中，提出了谱风险度量，从而使风险管理的实践者有了更多的选择。基于分位数回归的风险度量（一）风险价值VaR VaR的含义是“风险中的价值”，JP Morgan将VaR看作既定头寸冲消或重估前可能发生的市场价值的最大损失的估计值。而VaR比较权威的定义由Jorion （1997）提出，将其定义为给定置信水平下，风险资产在持有期内可能遭受的最

外汇风险的度量

外汇风险的度量一、外汇风险的直接度量外汇风险的直接度量法,是指衡量由于汇率的波动给有关外汇市场经济主体的外汇资产价值带来影响的度量方法。通过这类金融风险度量方法,外汇市场经济主体的管理者可以直接掌握汇率发生变动的情况下外汇投资组合的损失。直接度量外汇风险的金融风险度量法主要有外汇敞口分析、VaR度量方法和极端情况下的各类方法。在这些方法中,外汇敞口分析可以衡量经济主体因其外币资产和负债组合的不相匹配或外汇买卖的不相匹配而可能产生的外汇亏损或盈利所形成的外汇风险。这种方法具有计算简便、清晰易懂的优点,但它忽略了各币种汇率变动的相关性,难以揭示由于各币种汇率变动的相关性所带来的外汇风险。目前,为大多学者所使用的外汇风险直接度量方法主要是VaR度量法以及在极端情况下所使用的各种直接度量方法。 (一) VaR度量法 VaR的度量法可以将不同市场因子、不同市场的风险集成一个数,较准确地测量由不同风险来源及其相互作用而产生的潜在损失的风险。该方法又可以分为参数分析法、非参数分析法以及情景分析等,这些方法各有特点但均存在不足。参数分析方法是VaR计算中最为常用的方法,一般是建立在汇率波动是正态分布假设之上的,能正确地估计外汇资产价值变

动的分布函数,并且在得出该分布函数后准确地计算出该分布函数的参数值。但用它没有考虑到在现实汇率的时间序列波动中表现出来的厚尾现象和非正态汇率波动现象。非参数的测量方法包括历史数据模拟法和蒙特卡罗模拟法。历史数据模拟法所需数据从历史的收益率序列中取样,在应用过程中不需对外汇市场的复杂结构做出任何假设和考虑汇率波动分布非正态的问题。但当波动率在短期内变化较大时历史模拟法估计不准(Engle, 1982),并且选取的历史数据对VaR值的预测有很大影响。另一种非参数方法为蒙特卡罗模拟法,可以用来观测那些人们认为将要发生,但历史观测值中没有出现的事件。该方法考虑到波动性的时变性、厚尾和极端事件,在解决数据的非正态分布等复杂的问题上表现出了极大的灵活性。但由于测量结果取决于模拟的次数,导致该方法耗时、依赖于电脑并且模拟的代价较高。国内学者朱宏泉等(2002)和王春峰等(2000)均发展了用蒙特卡罗模拟计算VaR的新方法,对非参数方法进行了扩展性研究。情景分析是测量外币资产与负债组合在汇率发生极大的变化时的敏感度,优点是通过计算资产组合面临的潜在的最大损失找出较为脆弱且容易发生问题的部分,便于经济主体对汇率风险的度量与控制。缺点在于其效果很大程度上依赖于有效情景的构造和选择, 一旦预期的各种组合变动与实际情况存在较大的差距,对汇率风险分析的结果就会失去实践意义,甚至会引发错误

较常见的市场风险度度量方法有五种

较常见的市场风险度度量方法有五种：敏感度分析（sensitivity analysis）压力测试情景测试资本资产定价模型（CAPM）风险价值（VaR）敏感度分析是一种有效地风险度量方法。它可以迅速而有效地揭示投资组合价值是如何受到市场因素变化影响的。敏感度分析是指：如果市场风险因素之一（f）发生了细微变化，那么预期的投资组合的价值（V）的变化有多大。所谓市场风险因素是指存在于市场中的一些变数，所以金融工具的价值都可以从这些变数中推导出来。主要的市场风险因素包括利率、信贷信差（credit spreads）、股票（equity）价格、汇率、隐含波动率（implied volatility）、流通产品价格（如黄金和石油）等。除了这些因素的即期价格之外，还包括它们的远期价格。考虑敏感度有三种等价的可相互替代的方法：相关性变化（relative change）、一阶导数以及最佳线性估计（the best linear approximation）。风险价值（VaR）指在市场正常的波动情形下，对金融工具可能损失的一种统计测度。更为确切的是指，在一定概率水平（置信度）下，某一金融资产或证券组合价值在未来特定时期内的最大可能损失。用公式表示为： Prob（△Ρ 其中Prob表示：资产价值损失小于可能损失上限的概率。 △Ρ表示：某一金融资产在一定持有期△t的价值损失额。 VAR表示：给定置信水平α下的在险价值，即可能的损失上限。 α为：给定的置信水平。 VAR从统计的意义上讲，本身是个数字，是指面临“正常”的市场波动时“处于风险状态的价值”。即在给定的置信水平和一定的持有期限内，预期的最大损失量（可以是绝对值，也可以是相对值）。例如，某一投资公司持有的证券组合在未来24小时内，置信度为95％，在证券市场正常波动的情况下，VaR 值为800万元。其含义是指，该公司的证券组合在一天内（24小时），由于市场价格变化而带来的最大损失超过800万元的概率为5％，平均20个交易日才可能出现一次这种情况。或者说有95％的把握判断该投资公司在下一个交易日内的损失在800万元以内。5％的机率反映了金融资产管理者的风险厌恶程度，可根据不同的投资者对风险的偏好程度和承受能力来确定。 VaR模型计算方法：⒈历史模拟法（historical simulation method） ⒉方差—协方差法 ⒊蒙特卡罗模拟法（Monte Carlo simulation）压力测试 VaR和ES这样的风险度量都是在正常的市场条件下评价可能的损失，但是可能导致严重损失甚至破产的极端情形也应当被加入到风险评估和管理中来，是一个识别和管理那些可能导致巨大损失的情形的过程。包括：场景分析，压力试验模型分析，波动率和相关性的灵敏度分析，政策反馈。场景分析是指在各种极端但又可能发生的状态下对投资组合进行估值。尤其是包含了关键变量的较大变动，因此，它要求采用完全估值的方法。早期的应用仅仅考虑了关键变量的连贯变动，但却忽略了相关性。更一般性的压力测试给出了对金融变量联合运动的描述，而且可

几种风险度量方法的比较

几种风险度量方法的比较 VaR（Value at Risk）指市场正常波动下，在一定概率水平（置信度）下，某一金融资产或证券组合价值在未来特定时期内的最大可能损失.VaR方法应用的前提是市场正常波动，但其无法准确度量损失超过VaR这种极端情况时的大小，故我们考虑了度量风险的另一种方法CVaR以及基于GARCH模型对VaR计算方法进行改进.选取上证指数数据分别采用三种方法进行实例分析并进行比较。标签：风险度量；VaR；历史模拟法；资产组合；CVaR；均值-CVaR模型；GARCH模型 1 VaR模型 VaR一般被称为风险值。Jorion[1]认为VaR是给定置信水平和目标时段下预期的最大损失[2][3]。 2 GARCH模型下VaR计算方法[4] 由相对VaR的计算方法（1）可知绝对VaR的计算方法为VaR=ω0-ω=-ω0R*。其中R*为最低收益率，若假设收益率服从正态分布，则VaR=ω0Zασ，其中Zα为标准正态分布的α分位数，σ为收益率的波动率。我们尝试用GARCH模型估计σ和Zα，进而算出VaR。 GARCH模型是ARCH模型的拓展，要把历史波动信息作为条件，并采用自回归形式来刻画波动的变化，还需考虑异方差函数的p阶自相关形成，GARCH 模型结构如下： 4 实例分析选择上证指数2015年4月7日-2016年12月21日数据，将分别采用历史模拟法，GARACH模型方法及均值-CVaR方法对数据进行分析，计算VaR值并进行比较。 4.1 利用历史模拟法计算VaR[6] VaR=E[ω0（1+R）]-ω0（1+R*）=Eω0+Eω0R-ω0-ω0R*=ω0[ER-R*] 结合题目，共有419组数据，可解得以下结果： ω0=3361.024，E（R）=-0.00078，R*=R419*0.05=-0.03648 即：VaR=120.00