金融统计论文定稿版文档格式.docx

金融统计论文定稿版文档格式.docx

《金融统计论文定稿版文档格式.docx》由会员分享，可在线阅读，更多相关《金融统计论文定稿版文档格式.docx（12页珍藏版）》请在冰点文库上搜索。

杜海涛（2000）在《VaR方法在证券风险管理中的应用》一文中在市场指数风险度量、单个证券的风险度量、基金管理人员绩效评价及确定配股价格等方面运用了VaR方法。

他认为沪深两市的指数。

单个证券、投资基金的收益都服从正态分布，在这一前提下去计算资产的VaR值并进行模型检验，得出了较好的结果。

以他的研究为代表，早期的关于VaR的实证研究多集中在证券市场。

迄今为止，将VaR方法运用于银行间同业拆借市场的研究还不太丰富，但就我刚才所说，在我国面临重大金融市场改革的前提下，银行间的同业市场越来越重要，对它进行风险度量分析时非常必要的。

现有研究下，郑尧天和杜子平（2007）选择隔夜拆借利率为研究对象并分别用组合正态VaR方法和蒙特卡罗模拟法对其进行建模，经后验区间检验发现蒙特卡罗模拟法的估计结果更为理想；

冯科和王德全（2009）以2002年6月4日至2009年3月31日期间我国银行同业拆借利率为研究对象分别建立了隔夜拆借和7天拆借品种的预测模型，并度量了其利率风险。

得出通过选择适当滞后阶数的ARMA-GARCH类模型，可以有效地刻画同业拆借利率的动态特性：

t-分布和g-分布下的模型能更好地捕捉同业拆借利率序列的尖峰厚尾性，同业拆借利率存在显着的自相关性、风险溢价效应和波动的反杠杆效应，即利率上升时的波动更大，VaR方法可以有效地预测同业拆借利率风险。

多数研究都是围绕GARCH模型展开的拓展性研究，并且得出了不同的结论。

二、我国银行间同业拆借市场利率现状的分析与模型建立

1996年6月1日，中国人民银行取消了对同业拆借利率的上限管理，同业拆借利率由交易双方根据市场资金的供求状况自行确定，开始了我国同业拆借市场市场化改革。

1996年拆借市场的交易量仅为5871.58亿元，至2003年交易量已达24113亿元，增幅惊人。

银行间市场发展极为迅速。

随着市场交易量的激增，同业拆借利率的不确定性增加。

参与的商业银行面临巨大的利率风险。

虽然拆借资金只是短期使用，但现实中商业银行的拆借资金已经拆除了调剂头寸的需求，同业拆借资金处于利率风险之中。

因此，用风险价值VaR模型测度我国商业银行在同业拆借市场中的利率风险是很有价值的。

（一）数据及其来源

由于选取的是中国银行同业拆借市场中的隔夜拆借为研究对象，因此我选择了最新的数据，是2013年1月4日至2014年10月30日的同业拆借市场每日加权利率这457个观测值为样本数据，其中有些天数的数据是缺失的（数据来源为东方财富网数据中心）。

（二）描述性统计分析

在运用VaR模型测度利率风险之前，须首先对数据进行描述性统计分析和检验同业拆借利率序列的正态性、平稳性、自相关性和条件异方差性。

1、描述性统计

首先对数据做描述性统计分析，运用软件SPSS17.0，得出结果如下图所示：

可以看出，同业拆借利率中最小的利率为1.6922%，最大利率为13.8284%，波动幅度非常的大，这也印证前面所说同业拆借市场的风险也很大的结论。

同业拆借利率的均值为3.109752%。

另一方面，可以从表中看到同业拆借利率的偏度为3.669，为右偏分布；

峰度为24.529，数据为尖峰分布。

2、正态性检验

对样本数据做正态QQ图和无趋势正态概率图如下，通过正态概率图可以看出,在正态直线以外散布着大量的点，数据点组成的线呈曲线状，且两端有摆动,说明CHIBOR的实际分布两侧具有厚尾现象。

通过无趋势正态概率图可知,大多数散点并不是随机分布在通过零点的水平直线周围，而是呈现明显的抛物线形状，所以，正态QQ图和无趋势正态概率图分析，可初步得出数据服从正态分布假设不成立。

对CHIBOR做单样本K-S检验，结果如下图，从结果可以看出，样本数据均值为3.109752，标准差为1.1130473，K-S的Z统计量为3.304，对应的相伴概率为0.000，小于0.05的显着性水平，因此，正态性假设被拒绝，及同业拆借利率的实际分布与正态分布存在显着性差异。

通过上述检验,我国银行间同业拆借利率分布是非正态的，如果仍然假设其服从正态分布，虽然可以大大简化运算，但误差会比较大。

因而，我们要用其它分布形式代替正态分布以提高模型的拟合度。

3、平稳性检验

对CHIBOR做单位根检验，检验结果如下，可以看出ADF统计量值为-3.978563，P值为0.0017，因此拒绝原假设，这说明CHIBOR数据是平稳的。

NullHypothesis:

CHIBORhasaunitroot

Exogenous:

Constant

LagLength:

7（Automatic-basedonSIC,maxlag=17）

t-Statistic

Prob.*

AugmentedDickey-Fullerteststatistic

-3.978563

0.0017

Testcriticalvalues:

1%level

-3.444691

5%level

-2.867757

10%level

-2.570145

4、自相关检验

自相关检验的目的是检验各期的拆借利率是否具有相关性。

对于自相关检验的方法,目前主要有以Dickey-Fuller检验为代表的序列相关法和以Ljung-Box统计量为代表的序列相关检验法。

运用EViews求CHIBOR序列的自相关系数和偏相关系数及Ljung-Box统计量Q-t结果如下:

可以看出，CHIBOR序列具有较强的自相关性，因此求CHIBOR一阶差分序列的自相关系数、偏相关系数和Ljung-Box统计量Q-t如下图：

由图可知，CHIBOR一阶差分序列存在较弱的自相关现象，结合上一条结论，我们可以知道我国同业拆借市场利率存在序列相关，即各期的同业拆借利率是相互影响的。

5、条件异方差检验

金融时间序列变量的方差是计算VaR过程中最重要的参数，大多数学者计算VaR时，假设方差是常数，即无条件分布假设，然而，金融变量往往与无条件分布假设相异，方差具有时变性。

由于统计学中常常以方差和标准差描述金融变量的波动性，为了准确测定金融时间序列的波动性，经济学家们努力构建各种模型，其中以ARCH模型和GARCH模型的应用最为广泛。

大量前人的实证证明GRACH模型适合预测金融时间序列的波动性。

因此，这里我也采用GRACH模型来估计我国银行间同业拆借利率间的波动性。

对我国银行间同业拆借利率求一阶差分后做时序图（如上图），由图中可以看出波动具有明显的时变性，且不同时期波动性的大小也不相同，同时波动出现聚集现象，因而银行间同业拆借利率序列存在条件异方差。

下面我们分析各期方差之间的关系，时序图所显示的波动聚集性说明相邻的波动性之间存在一定的相关性。

根据近似估计，我们可以用以

代替方差

检验各期方差之间是否存在相关性。

下图是CHIBOR的平方序列的自相关检验结果：

可以看出，CHIBOR的平方序列依然与其滞后阶数存在比较强的自相关，存在自相关现象。

（三）模型建立

通过检验同业拆借利率序列的正态性、平稳性、自相关性和条件异方差。

我们可以初步断定银行间同业拆借利率序列存在自相关、异方差等特性。

GARCH族模型包括很多模型，其中比较为人所知有GARCH模型，EGARCH模型和TGARCH模型。

这些模型都是有ARCH模型发展而来的，都适用于估计存在自回归条件异方差的时间序列。

要进行模型的建立，首先就要确定滞后的阶数，分别将这三个模型用于数据，用赤池信息准则AIC来确定最有滞后阶数。

同业拆借利率波动模型试算结果

滞后阶数

GARCHAIC

TARCHAIC

EGARCHAIC

（1,1）

-2.6411

-2.5075

-2.6498

（2,1）

-2.6309

-2.4880

-2.6106

（1,2）

-2.6125

-2.4034

-2.5845

（2,2）

-2.5797

-2.4422

-2.5981

由于AIC准则要求仅当所增加的解释变量能够减少AIC值时才在原模型中增加该解释变量。

在上述结果中，AIC值都是随滞后阶数的增加增大（TRACH和EARCH在（2,2）出现了AIC值的减小，但幅度很小），考虑到自由度，选取GARCH族群滞后（1,1）的模型。

三、实证分析及模型检验

在上文确定了模型滞后阶数的情况下，我们要进行实证检验，因为我们采用了GARCH族模型中的三种模型，这意味着在这里我们也就有三个VaR的估计结果。

我们在风险价值定义的基础上，将利率波动的风险价值VaR用公式表示为：

其中，

是t时期预测下一天的风险价值；

是利率的期望值；

是最低利率；

是在给定置信水平c时对应的分位数；

是t时期预测的下一天的同业拆借利率的波动性。

分位数的取值依赖于利率的概率分布函数，在不同概率分布函数下，相同的置信水平c对应的分位数存在差异。

标准差口分为条件标准差和无条件标准差，无条件标准差假设利率的波动始终不变，条件标准差是对利率随时间波动的不一致性的反映，它是对利率风险的动态度量，能准确的把握风险的变化。

本文对VaR的计算主要是通过建立估计条件标准差的动态模型而实现的。

关于GARCH族模型中的残差分布，一般会有3个假设:

正态分布、学生t分布和广义误差分布（GED）。

选择哪种分布要根据时间序列的特征来定。

正态分布是一种重要的概率分布，正态分布所具有的对称性、易加性等良好的统计特性决定了它在金融分析中的重要作用。

本章在采用其它分布形式分析我国银行间同业拆借利率序列的风险价值VaR之前,首先在正态分布假设下对拆借利率序列的风险价值VaR进行了计算，作为比较的依据。

大量的金融实证研究表明，金融市场的市场因子（如价格、利率）序列的分布具有尖峰厚尾的特征，这与正态分布存在较大差异。

通过对我国银行间同业拆借利率序列的正态性检验可知，拆借利率序列并不服从正态分布且具有厚尾性。

t分布是比正态分布的概率密度函数具有更厚尾部的一种分布，适合于分析具有厚尾特性的分布，本章在计算正态分布下的VaR之后，以t分布为假设，计算银行间同业拆借利率序列的风险价值VaR。

在这里用参数法计算VaR时，分别假设了模型的残差服从正态分布、t分布和滚滚一误差分布。

下面就是计算结果。

运用EView软件分析GARCH族模型在不同的分布情况下同业拆借利率的波动率（标准差），再将估计值带入VaR的计算公式，在95%的置信水平下计算同业拆借利率的日均VaR，得到下表。

模型估计结果

模型

参数

正态分布

t分布

广义误差分布

GARCH（1，1）模型

（常数）

0.000378

0.000195

0.000197

（9.4768）

（2.0794）

（2.0097）

0.768224

0.479672

0.438659

（17.9872）

（6.1157）

（6.136954）

（系数）

0.608172

0.730903

0.809832

（25.7843）

（24.8821）

（19.8425）

分位数（95%）

2.4679

2.7458

2.3964

日均VaR（95%）

0.0067943

0.0069801

0.0055031

TARCH（1，1）模型

0.000301

0.000209

0.000193

（4.6793）

（1.8693）

（1.6493）

0.841312

0.559931

0.463320

（12.9783）

（5.0032）

（5.3248）

-0.637952

-0.569327

-0.173856

（-6.5548）

（-1.7698）

（-1.5099）

0.647079

0.854671

（35.9941）

（24.3644）

（18.3291）

2.4591

2.8643

2.5068

0.0061921

0.7092304

0.0064698

EGARCH（1，1）模型

-0.983054

-0.973054

-0.649545

（-12.0180）

（-12.9843）

（-6.4740）

0.672970

0.684521

0.499100

（14.8752）

（15.0081）

（5.9481）

0.297472

0.279451

0.178364

（8.0949）

（8.8495）

（3.4215）

1.003430

1.035698

0.954678

（70.9844）

（73.9151）

（60.5125）

2.6691

2.8161

2.4633

0.0063571

0.0074891

0.0062871

四、结论

通过建立基于GARCH（1，1）族模型的VaR模型，实证分析我国银行间同业拆借市场的利率风险，在分析前，我们已经可以通过基本的描述性统计看出我国银行间同业拆借利率波动是非常剧烈，这一方的原因是市场化改革的不断深入，市场化加深；

另一方面却也反映了市场的不稳定。

而我们通过确切的模型则可以得出更为数据化的结论：

1、通过比较GARCH（1，1）模型、TARCH（1，1）模型和EGARCH（1，1）模型的估计结果，可以看出，实际上三类模型得出的结论是没有太大的差别的。

但t分布下三类模型计算的VaR值都大于正态分布和广义误差分布，且同时结合之前的正态性检验可知，t分布不适合描述我国银行间同业拆借利率的分布状况，而广义误差分布能很好的刻画我国银行间同业拆借利率的分布。

2、在分析第二个GARCH模型TARCH（1，1）时，我们可以从表中看到，由于获得的

并不显着，说明我国银行间同业拆借利率不存在明显的杠杆效应；

而在EGARCH（1，1）中，系数

，说明我国银行间同业拆借利率存在杠杆效应且利坏消息影响大于利好消息。

而两个模型的结论不同则说明是否存在杠杆效应并不明确。

3、三个GARCH模型在计算VaR值时，几乎都得出了相近的VaR值，大约都在0.006

左右，这说明在数据选取区间我国银行间同业拆借利率风险较低，大概在0.6%左右。

参考文献

1.肖春来,宋然.VaR理论及其应用研究[J].数理统计与管理,2003,

（2）:

23-45

2.沈悦.VAR宏观计量经济模型的演变与最新发展——基于2011年诺贝尔经济学奖得主Smis研究成果的拓展脉络[N].数量经济技术经济研究,2012.10（3）.

3.张娜,黄新飞.我国同业拆借市场利率的波动性[J].统计与决策,2006,（8）:

45-47

4.谭晖.基于VaR模型的中国商业银行利率风险测度的实证研究——以同业拆借市场为例[D].重庆:

重庆师范大学,2012.

5.辛俚.我国商业银行间同业拆借市场利率风险VaR度量实证研究[D].成都:

西南财经大学,2012.

6.王德全.ARMA-GARCH模型及VaR方法在我国银行间同业拆借市场中的应用研究[J].系统工程,2009,（5）:

13-16

7.李成,马国校.VaR模型在我国银行同业拆借市场中的应用研究[J].金融研究,2007,（5）:

46-48

8.李良松.上海银行间同业拆放利率VaR的有效性研究[J].金融研究,2009,（9）:

56-58

9.郑尧天,杜子平.基于VaR模型的银行同业拆借利率风险估计[J].工业技术经济,2007,（12）:

105-107

10.房小定,吕鹏.基于GARCH模型的上海同业拆借利率风险度量[N].西安电子科技大学学报（社会科学版）,2013（4）.