郝凡浩，王鐵男，栗 新

(哈爾濱工業(yè)大學(xué)管理學(xué)院，黑龍江 哈爾濱 150001)

嵌入戰(zhàn)略因子的VaR模型改進研究

郝凡浩，王鐵男，栗 新

(哈爾濱工業(yè)大學(xué)管理學(xué)院，黑龍江 哈爾濱 150001)

傳統(tǒng)VaR模型是一種衡量短期投資風(fēng)險的常用工具，但其衡量長期風(fēng)險的有效性仍然有所欠缺。并且，傳統(tǒng)VaR方法基于歷史數(shù)據(jù)對未來風(fēng)險進行估算的基礎(chǔ)性假定已引起諸多學(xué)者的質(zhì)疑。據(jù)此本文提出基于戰(zhàn)略考慮的VaR模型改進問題。首先提出戰(zhàn)略因子這一綜合評價企業(yè)戰(zhàn)略的概念，然后利用德爾菲法和模糊層次分析法求出其具體表達式，最后基于實證數(shù)據(jù)的擬合將其嵌入到原有VaR模型中，得到改進后的戰(zhàn)略在險值(Strategic Value-at-Risk, SVaR)模型。實證檢驗的結(jié)果表明，改進后得到的SVaR模型預(yù)測的長期風(fēng)險值要比原VaR模型更加準(zhǔn)確。

戰(zhàn)略因子；長期投資風(fēng)險；SVaR模型

1 引言

作為目前金融市場風(fēng)險度量的主流模型，VaR(Value-at-Risk)方法經(jīng)過了多年的應(yīng)用及改進，已被投資者廣泛使用，然而遺憾的是，VaR模型卻仍然存在以下兩方面的不足。

第一，傳統(tǒng)VaR模型雖然在度量短期投資風(fēng)險方面較為有效，但是在實際的投資活動中，許多投資者需要進行長期范圍內(nèi)的投資，例如具有長期投資和預(yù)算的公司，住房公積金、養(yǎng)老基金和人壽保險等具有長期債務(wù)的金融機構(gòu)，風(fēng)險投資機構(gòu)以及重視長期收益的個人投資者等，他們在做出長期投資決策時亟需一種準(zhǔn)確高效的長期風(fēng)險預(yù)測方法。但是諸多研究發(fā)現(xiàn)傳統(tǒng)VaR模型對長期投資風(fēng)險的測量效果卻難盡人意[1-6]。 有學(xué)者指出，將短期VaR簡單地使用平方根值的方式累積成長周期VaR的做法是完全不可行的[7]。Basak和Shapiro[8]甚至發(fā)現(xiàn)在實際投資活動中，應(yīng)用VaR進行投資風(fēng)險管理的人卻往往比不使用風(fēng)險管理的人面臨的損失還要大。

第二，VaR的基礎(chǔ)性假定是利用金融市場過去的波動趨勢來預(yù)測未來市場的風(fēng)險，但是未來是不確定的，這一基礎(chǔ)性假定的可靠性仍存在較大的爭議。Jorion[9]在他的著作中指出，即使過去的數(shù)值測量完全精確，也不能保證將來會完全按照過去的趨勢發(fā)展下去而不會發(fā)生突發(fā)的變化。Lo[10]則認(rèn)為VaR這種純粹統(tǒng)計方面的分析所得到的計算結(jié)果往往會與實際風(fēng)險有較大偏離。國內(nèi)學(xué)者則指出傳統(tǒng)VaR模型可以用來預(yù)測緩慢的市場波動，而對于波動幅度較大的市場卻往往并不適用[11]。

雖然一些學(xué)者關(guān)注到了這些不足，目前針對這些不足進行的相關(guān)研究與改進卻較為鮮見?，F(xiàn)有的對于長期風(fēng)險的測量都是基于VaR=VaR(1)* T的法則，即時間平方根法則，然而，時間平方根的法則要求對數(shù)收益率序列服從均值為零的獨立正態(tài)分布，這顯然與明顯存在尖峰厚尾特征的金融資產(chǎn)對數(shù)收益率是不相符的。如果借鑒短期風(fēng)險的預(yù)測方法，得到的VaR會是一個近似值，這對于長期預(yù)測而言，近似值會產(chǎn)生很大的誤差。針對這一情況，Panning[12]對時間平方根法則進行了修正，該方法較初始時間平方根法則有所改進，改進后的方法避免了每日條件波動率預(yù)測的繁瑣，但條件波動率的預(yù)測依然采用的是時間平方根法則，因此，一樣會使長期波動率的預(yù)測產(chǎn)生很大的偏差。并且該長期VaR模型不可避免地存在傳統(tǒng)VaR具有的模型與參數(shù)風(fēng)險。Dowd等[13]指出了VaR在長期投資風(fēng)險應(yīng)用中必須解決的幾個關(guān)鍵問題并從理論上分別找尋其解決辦法，但其仍是停留在理論層面，對實際投資問題的分析還有所欠缺。另外，為了使VaR 模型不完全依賴統(tǒng)計數(shù)據(jù)，Lo[10]提出了一種經(jīng)濟風(fēng)險價值模型(E-VaR, Econmic-VaR)，該模型考慮了風(fēng)險厭惡、時間偏好、供需均衡、概率等因素的綜合影響，從而包含了更多的信息。這些模型的計算都非常復(fù)雜，并且對這兩點不足的改善也只能停留在表面，其有效性也有待于進一步的實證研究。

在實際投資活動中我們可以發(fā)現(xiàn)，理性的投資者在進行投資決策時，一般要對影響投資風(fēng)險的諸多因素進行分析。研究表明，越來越多的投資者在關(guān)注企業(yè)的財務(wù)信息同時，也更關(guān)注影響企業(yè)未來發(fā)展的戰(zhàn)略信息，企業(yè)的戰(zhàn)略已經(jīng)成為投資者進行長期投資時所重點考慮的因素[14,15]。同時大量的國內(nèi)外研究已經(jīng)證實，企業(yè)戰(zhàn)略會影響企業(yè)的股票收益以及風(fēng)險水平。國內(nèi)也有學(xué)者指出，企業(yè)戰(zhàn)略會對股票價格有直接的沖擊作用。投資人會收集企業(yè)戰(zhàn)略信息，隨時關(guān)注企業(yè)動向，因此企業(yè)戰(zhàn)略信息本身會對投資人構(gòu)成心理沖擊，從而影響股票價格走勢，投資者的情緒變化不僅會影響當(dāng)前的市場收益，甚至?xí)ξ磥黹L期或跨期的市場收益都造成影響。Srinivasan等[17]認(rèn)為，產(chǎn)品創(chuàng)新戰(zhàn)略可以通過加快現(xiàn)金流速度(如流動更快的現(xiàn)金)增加股東價值。此外，進攻性的廣告戰(zhàn)略可以持續(xù)增加消費者對新產(chǎn)品的關(guān)注度，從而加快產(chǎn)品的流通速度，進而使股東價值得以增加。Duqi等[18]以來自13個歐洲國家的公司為樣本研究發(fā)現(xiàn)研發(fā)投資對股票未來收益有正向影響，并且發(fā)現(xiàn)在和諧的投資環(huán)境下研發(fā)戰(zhàn)略的這一正向作用會更加明顯。Ali等[19]指出，研發(fā)戰(zhàn)略在企業(yè)未來價值與股價增長中的作用被大大地低估。Gaur等[20]采用增長概率假設(shè)對中國1993-2008年發(fā)生的國內(nèi)和跨境并購進行了統(tǒng)計分析，結(jié)果表明并購戰(zhàn)略信息的發(fā)布對于并購企業(yè)的股票價格提升產(chǎn)生了正向的影響。Kothari[21]發(fā)現(xiàn)負面口碑對企業(yè)短期和長期的現(xiàn)金流以及股票價格都有直接的負面影響，并且市場競爭會加劇負面口碑對長期股票價格的負向影響。Hollowell[22]的研究發(fā)現(xiàn)，多元化戰(zhàn)略導(dǎo)向的企業(yè)其長期的股票收益要高于市場的平均股票收益水平。如此之多的相關(guān)研究都表明企業(yè)戰(zhàn)略對企業(yè)的股票收益與風(fēng)險存在直接或間接的影響。

基于此，本文試圖在原有VaR模型的基礎(chǔ)上，加入企業(yè)戰(zhàn)略的考慮，最終得到改進后的戰(zhàn)略在險值(Strategic Value-at-Risk, SVaR)。首先引入戰(zhàn)略因子的概念對企業(yè)戰(zhàn)略進行綜合評價。然后選取參數(shù)法的VaR計算方法，找尋股票收益率參數(shù)與戰(zhàn)略因子間的關(guān)系，并基于此將戰(zhàn)略因子嵌入到原有VaR模型中。

有學(xué)者指出企業(yè)戰(zhàn)略對股票市場的影響在會計與金融領(lǐng)域的文獻中需要被重新評價[23]，因此，本文基于戰(zhàn)略考慮對VaR模型改進將是一次有益嘗試。本文嵌入戰(zhàn)略因子后得到的SVaR模型仍然是以VaR模型為根本，并不改變其基本原理與科學(xué)合理性，但是對長期股票收益與風(fēng)險的預(yù)計，不僅基于歷史，而且面向未來。

從投資者視角來講，SVaR模型提供了一種更加準(zhǔn)確并且面向未來的長期風(fēng)險預(yù)測方法，為投資者更加理性科學(xué)地進行投資行為以及規(guī)避投資風(fēng)險具有較突出的現(xiàn)實意義。

2 戰(zhàn)略因子

研究企業(yè)戰(zhàn)略在長期投資風(fēng)險模型中發(fā)揮的作用，首先要對企業(yè)戰(zhàn)略做出科學(xué)合理地評價。已有的研究總結(jié)了很多關(guān)于戰(zhàn)略評價的方法，比如：定量戰(zhàn)略規(guī)劃模型 (QSPM)、EletreⅡ方法(EⅡ法)、戰(zhàn)略規(guī)劃評估模型 (SPE)、SAM模型、戰(zhàn)略準(zhǔn)備度模型、戰(zhàn)略成熟度模型等等[23-26], 這些評價方法與模型在戰(zhàn)略方案的評估方面做了各自的嘗試, 起到了一定的積極作用。但是它們在實際應(yīng)用中也暴露出了一些不足之處，比如前三種模型雖然操作簡單直觀，但是對于戰(zhàn)略問題的分析過于簡單，不能全面地對企業(yè)戰(zhàn)略進行評價。SAM模型較全面地考慮了環(huán)境因素，但是對企業(yè)內(nèi)部因素的考慮卻有所欠缺。戰(zhàn)略準(zhǔn)備度模型和戰(zhàn)略成熟度模型都主要偏重于從企業(yè)內(nèi)部視角進行戰(zhàn)略評價，沒能綜合考慮外部環(huán)境因素的影響。因此，我們有必要找尋一種能夠全面系統(tǒng)地對企業(yè)戰(zhàn)略進行評價的方法。

一個規(guī)范的、全面的戰(zhàn)略管理過程大致可以分為3個階段：戰(zhàn)略分析階段、戰(zhàn)略選擇及評價階段、戰(zhàn)略的實施及控制階段[27]。對企業(yè)戰(zhàn)略的評價要對這3個階段進行綜合全面的考量。通過對影響不同階段戰(zhàn)略管理的因素進行分析，本研究提出了戰(zhàn)略因子的概念。所謂戰(zhàn)略因子(Strategic Factor)，是指綜合評價公司戰(zhàn)略制定、實施與完成的整個過程的成分因子。戰(zhàn)略因子應(yīng)該是一個綜合評價的指標(biāo)，本文首先將影響企業(yè)戰(zhàn)略從制定到最終成功全過程的所有戰(zhàn)略因素進行篩選，然后將其量化并加權(quán)計算，以此得到戰(zhàn)略因子。

針對戰(zhàn)略因素的現(xiàn)有研究雖已較為豐富，但是這些因素繁雜而眾多，目前少有人對其進行有效的整理，由此本文在對現(xiàn)有研究的搜尋、篩選與總結(jié)的基礎(chǔ)上，基于資源基礎(chǔ)觀、核心能力觀以及環(huán)境觀得出了近百個戰(zhàn)略因素，然后再對這些因素進行有針對性的篩選，將較為重要的因素組成戰(zhàn)略因素的初選指標(biāo)。

本文采用德爾菲法通過對各因素進行相對重要性評分，從而選出重要的戰(zhàn)略因素。德爾菲法需要選定受訪的專家組，本研究選擇的專家組由15名相關(guān)領(lǐng)域的專家組成，其中6名是來自哈爾濱工業(yè)大學(xué)、北京大學(xué)等高校的教授，5名是來自不同上市公司的經(jīng)理等管理人員，還有4名是來自政府相關(guān)部門的管理人員。這些專家都對戰(zhàn)略與投資領(lǐng)域有較深刻的理論或?qū)嵺`理解，并且在受訪過程中保證其互不知曉。在對專家組進行了三輪的意見征集后，篩選出了最重要的23種戰(zhàn)略因素作為計算戰(zhàn)略因子的主要指標(biāo)。

本研究采用模糊層次分析法(FAHP)計算出每個重要戰(zhàn)略因素相對于總指標(biāo)的綜合權(quán)重。計算結(jié)果如表1所示。

表1 各戰(zhàn)略因素指標(biāo)綜合權(quán)重表

在得到每個戰(zhàn)略因素指標(biāo)對企業(yè)的戰(zhàn)略制定、實施與成功的綜合影響權(quán)重后，還需要衡量企業(yè)在每個指標(biāo)上的表現(xiàn)優(yōu)劣，最后通過加權(quán)得出各企業(yè)的綜合戰(zhàn)略因素得分。

具體計算公式為

(1)

其中aj代表第j種戰(zhàn)略因素指標(biāo)的權(quán)重，xij代表i企業(yè)在第j種戰(zhàn)略因素指標(biāo)的表現(xiàn)得分。si代表第i企業(yè)的戰(zhàn)略因子，si∈[-1,1]，當(dāng)si越大代表i公司的戰(zhàn)略綜合得分越高。

3 基于g-h分布的VaR模型改進

VaR的本質(zhì)是統(tǒng)計測量股票交易組合的波動，構(gòu)造股票組合價值的概率分布是其核心內(nèi)容。綜合現(xiàn)有研究看來，學(xué)者們通過引入不同分布函數(shù)(比如t分布、混合正態(tài)分布、Logistic分布、廣義穩(wěn)定分布、冪指數(shù)分布、廣義誤差分布、廣義極值分布、Hyperbolic分布、GB2分布以及g-h分布等)來擬合股票收益率的波動，并且已經(jīng)取得了比較顯著的成果。本研究并非要引入新的分布函數(shù)，而是在現(xiàn)有研究的基礎(chǔ)上，將戰(zhàn)略因子嵌入進去，從而得到加入戰(zhàn)略考量的VaR模型。

考慮到模型改進的易操作性和論述的直觀性，本文選擇g-h分布為例進行模型的改進，基于其他分布函數(shù)的VaR模型也可同法改進。

為模型改進過程的闡述方便，這里我們有必要先對g-h分布進行簡要的介紹。

1977年,Tukey在其沒有發(fā)表的論文中最早提出g-h分布，此后諸多學(xué)者對該分布的統(tǒng)計特性進行了研究，并將其應(yīng)用到VaR的計算中去[28-31]。假設(shè)有一個隨機變量Z，且該變量服從標(biāo)準(zhǔn)正態(tài)分布，我們做一個以Z為自變量的函數(shù)Yg,h(Z):

(2)

其中g(shù)和h是實數(shù)。再對上式做仿射變換后轉(zhuǎn)變?yōu)槿缦鹿剑?/p>

(3)

我們將隨機變量Xg,h(Z) 所服從的分布稱為g-h分布。該公式中參數(shù)g控制不對稱性，當(dāng)隨著參數(shù)g的絕對值不斷增加，g-h分布的不對稱程度也相應(yīng)隨之增加。h控制尾部厚度，h>0表示正拉伸，即使該分布的尾部變厚，且其值的大小與尾部厚度成正比。A是位置參數(shù)，B是尺度參數(shù)。

朱海霞和潘志斌[31]根據(jù)g-h分布的統(tǒng)計特性，提出了g-hVaR方法。該方法能夠很好地處理回報的不對稱現(xiàn)象和厚尾現(xiàn)象，并且對風(fēng)險值的預(yù)測程度要明顯優(yōu)于以前常用的德爾塔-正態(tài)方法。該研究得出的g-hVaR的具體表達式為：

(4)

其中CL 為置信水平。

通過上述分析可知，由g-h分布擬合出的股票收益率特征主要由A、B、g和h這四個參數(shù)所決定，因此，我們探究戰(zhàn)略因子s對前后兩期風(fēng)險模型的影響，只需找尋s與前后兩期股票收益率波動參數(shù)的關(guān)系即可。由此我們可得出如下公式：

Xg,h,t+1(Z)=f(s)*Xg,h,t(Z)

(5)

其中Xg,h,t(Z)表示第t期的g-h分布密度函數(shù)。

由g-hVaR的計算方法我們可得到嵌入戰(zhàn)略因子的SVaR如下：

(6)

其中，A、B、g和h均為常數(shù)，s為戰(zhàn)略因子，CL為可任意選取的置信水平。當(dāng)CL取0.95, 0.99, 0.995和0.999,VaRCL分別表示置信度為95%, 99%, 99.5%和99.9%的VaR值。

4 實證分析

本文選取52家在上海股票交易所上市的制藥業(yè)上市公司作為研究對象，利用2007-2009年與2010-2012年這兩個時間段為研究的前后兩個時期。首先求出各企業(yè)第一期的戰(zhàn)略因子si(代表第i家企業(yè)的戰(zhàn)略因子，戰(zhàn)略因子的特征周期為3年)，然后擬合出每個企業(yè)在兩個時期內(nèi)的股票收益率分布函數(shù)，每家企業(yè)擁有自己特有的戰(zhàn)略因子值以及g-h分布函數(shù)，并且他們是一一對應(yīng)的。因此，我們可以通過統(tǒng)計分析找尋50家企業(yè)一一對應(yīng)的戰(zhàn)略因子與g-h分布參數(shù)之間隱含的關(guān)系，并利用這種關(guān)系構(gòu)建我們改進后的SVaR。

4.1 各上市公司戰(zhàn)略因子計算

對每一家上市公司，收集表1中所列23種重要戰(zhàn)略因素數(shù)據(jù)，其中財務(wù)數(shù)據(jù)都可在銳思金融數(shù)據(jù)庫中查詢得到，對于非財務(wù)數(shù)據(jù)，如員工人數(shù)、員工學(xué)歷水平、市場占有率、研究與開發(fā)投入等，則在各企業(yè)年報中查詢。搜集該52家制藥行業(yè)上市公司在第一期也就是2007年1月1日到2009年12月31日的各指標(biāo)值。對收集到的52家企業(yè)的20種戰(zhàn)略因素指標(biāo)值進行整理后，又對它們進行了標(biāo)準(zhǔn)化處理。標(biāo)準(zhǔn)化之后帶入(1)式后得到當(dāng)期各上市公司最終的戰(zhàn)略因子得分，如下表2所示。

表2 各上市公司戰(zhàn)略因子得分

4.2 股票數(shù)據(jù)基本統(tǒng)計分析

本文選取52家在上海股票交易所上市的制藥業(yè)上市公司在2007年1月2日到2012年12月31日之間的每日收盤價數(shù)據(jù)來研究股票收益率的分布擬合。為了模型建立后可以用實際算例對模型進行檢驗，我們從樣本中隨機抽出2家用于模型的后驗驗證，隨機抽出的2家企業(yè)為恒瑞制藥與千金藥業(yè)，剩余的50家用于模型的擬合。

為了克服數(shù)據(jù)本身的異方差，使數(shù)據(jù)更加平滑且更易處理，本文將股票收益率定義為現(xiàn)有研究中廣泛使用的對數(shù)收益率：

(7)

其中rit是第i家公司第t期的股票收益率，pit是第i家公司第t期的股票日收盤價，pi (t-1)是其第t-1期的股票日收盤價。數(shù)據(jù)來自銳思金融數(shù)據(jù)庫，共72756條日收益率數(shù)據(jù)。

回報時間序列的基本統(tǒng)計量如表 3 所示。

表3 回報數(shù)據(jù)基本統(tǒng)計分析

由表3可知，樣本偏度為 -0.3741，說明對數(shù)回報分布呈現(xiàn)出左偏態(tài)的不對稱性，樣本峰度為5.2485(>3)，說明對數(shù)回報分布具有尖峰厚尾性。由圖 1可以更直觀地看出這一分布特性。

4.3 參數(shù)估計

參數(shù)g, h的估計方法有多種，其中較為常用的有矩估計、極大似然估計(MLE)和分位數(shù)估計三種。前兩種估計方法的計算較為繁瑣并且不易處理，本文選擇分位數(shù)估計方法來進行g(shù)-h分布的參數(shù)估計。

圖1 制藥業(yè)滬市綜指回報分布直方圖

根據(jù)分位數(shù)估計方法，對52家企業(yè)分別估計出參數(shù)A、B、g和h。在本研究中，要擬合出較多家企業(yè)各自的模型參數(shù)，手動計算繁雜又難以保證準(zhǔn)確，因此這里采用matlab軟件編程解決。由此估計出52家上市公司各自兩期的g、h、A和B參數(shù)共104組，由于版面所限，我們在此僅列出其中十組參數(shù)估計結(jié)果，如表4所示。

4.4 各參數(shù)變化率與戰(zhàn)略因子間關(guān)系的擬合

我們試圖找尋兩期間各參數(shù)的變化率與戰(zhàn)略因子s的相關(guān)關(guān)系，并基于此關(guān)系將s嵌入到原有的分布函數(shù)中。各參數(shù)的變化率采用指數(shù)變化率來進行反映。

rg=e(gt+1-gt)

(8)

其中，rg代表參數(shù)g的指數(shù)變化率，gt為第t期的參數(shù)值，gt+1為第t+1期參數(shù)值。參數(shù)h,A,B同法可得。

得出各參數(shù)估計值后，我們用matlab軟件中的數(shù)據(jù)擬合模塊挖掘各參數(shù)對數(shù)變化率與戰(zhàn)略因子s間的關(guān)系。通過軟件擬合可以看出，50家企業(yè)兩期間的參數(shù)對數(shù)變化率與戰(zhàn)略因子s間存在較明顯的相關(guān)性， 對于rg與s擬合出如圖2a所示的擬合狀況，對于rh與s擬合出如圖2b所示的擬合狀況。

表4 參數(shù)估計值

圖2a rg與s擬合圖

圖2b rh與s擬合圖

通過觀察可以看出，數(shù)據(jù)擬合結(jié)果符合理論分析以及實際投資經(jīng)驗，戰(zhàn)略因子s較小時代表企業(yè)戰(zhàn)略表現(xiàn)較差，導(dǎo)致股票收益率波動的損失增加，表現(xiàn)在分布圖上即是尾部厚度增大以及分布整體向左移動。反之，當(dāng)戰(zhàn)略因子s較大時尾部厚度會減小，分布整體向右移動。因此，由g-h分布的性質(zhì)可知，戰(zhàn)略因子s與控制尾部厚度的h呈現(xiàn)負相關(guān)的關(guān)系，與控制不對稱程度的g呈現(xiàn)正相關(guān)的關(guān)系。

由此我們可以得到如下公式：

rg=as+b=e(gt+1-gt)

(9)

rh=cs+d=e(ht+1-ht)

(10)

轉(zhuǎn)換后可得：

gt+1=ln(as+b)+gt

(11)

ht+1=ln(cs+d)+ht

(12)

進而我們可以得到修改后的g-h模型：

(13)

其中g(shù)和h是常數(shù)，分別控制分布的不對稱程度和尾部厚度，s是企業(yè)戰(zhàn)略因子得分，A是位置參數(shù)，B是尺度參數(shù)。

根據(jù)基于g-h模型的VaR計算方法，可得到修改后的SVaR計算公式如公式14：

(14)

5 模型檢驗

5.1 似然比檢驗

建立了SVaR模型后，我們需要對此模型的有效性進行檢驗。不論是何種形式的VaR模型，最準(zhǔn)確的檢驗有效性的方法就是檢驗其預(yù)期損失與實際損失是否一致。

回測(Backtesting)技術(shù)是對檢驗VaR有效性的各類方法的總稱，目前VaR模型的回測技術(shù)主要存在以下幾種方法：一種是基于例外值的回測技術(shù)，其中最經(jīng)典的檢驗方法是由Kupiec[7]提出的似然比檢驗法。另一種是基于密度預(yù)測的回測技術(shù)，如Berkowitz[32]構(gòu)造的一套完整的基于似然比的密度預(yù)測檢驗框架 ；還有一種是基于損失函數(shù)的回測技術(shù)，比較經(jīng)典的是Lopez[33]采用的QPS函數(shù)回測技術(shù)等等。

目前使用最多的回測檢驗方法就是Kupiec提出的似然比檢驗法，我們也將采用此方法對SVaR方法進行回測檢驗。具體方法如下：在置信度為α的前提下相應(yīng)資產(chǎn)或資產(chǎn)組合超過估計出來的VaR值的概率為 p*=1-α。 假設(shè)接受檢驗的天數(shù)為T，其中失敗天數(shù)為N，則失敗的頻率為p=N/T；零假設(shè)：p=p*， 似然比檢驗法給出的LR統(tǒng)計量為：

(15)

當(dāng)原假設(shè)成立時，它近似服從自由度為1的卡方分布。如果計算出來的LR統(tǒng)計量小于對應(yīng)置信度下的LR統(tǒng)計量臨界值，則該估計方法通過檢驗，反之，該估計方法被拒絕。

據(jù)此，我們將改進后的g-hSVaR與傳統(tǒng)的Delta-正態(tài)VaR和朱海霞，潘志斌[31]提出的g-hVaR進行對比，分別求出其在95%、99%以及99.9%三個置信水平上的LR值，結(jié)果如表5所示。

從表5的檢驗結(jié)果可以看出，在三個置信水平上，g-hSVaR模型和g-hVaR模型的LR統(tǒng)計量都小于相應(yīng)的臨界值，因此可以接受零假設(shè)，這表明根據(jù)兩種模型計算出來的VaR值對匯率風(fēng)險的覆蓋

表5 似然比檢驗結(jié)果

注: *表示該估計方法被拒絕。

都比較好，反之Delta-正態(tài)VaR只有在95%置信水平上才勉強通過檢驗。通過對比還可看出，g-h SVaR 模型的LR值在各個置信水平上都比g-h VaR模型的LR值小，這說明g-h SVaR 模型計算出來的VaR值對匯率風(fēng)險的覆蓋要比g-h VaR好。綜上所述，我們改進后得到的g-h SVaR 模型可以更準(zhǔn)確地預(yù)測金融資產(chǎn)的未來風(fēng)險。

5.2 實證數(shù)據(jù)檢驗

除了運用似然比檢驗法對模型進行理論上的檢驗，為了更加直觀地顯示模型的改進效果，我們將改進后得到的g-h SVaR 模型應(yīng)用到實際的算例中去進行測試，我們將利用第四部分隨機選取的兩家企業(yè)恒瑞制藥與千金藥業(yè)數(shù)據(jù)進行該模型的實證檢驗。

兩家企業(yè)的戰(zhàn)略因子得分與股票收益率數(shù)據(jù)已在前述過程中求出，將恒瑞制藥第一期數(shù)據(jù)分別帶入到原g-h模型和修改后的g-h模型，得到的模型參數(shù)如表6和表7所示。

將兩種模型預(yù)測出的第二期參數(shù)結(jié)果與實際結(jié)果進行對比可發(fā)現(xiàn)，修改后的g-h SVaR模型與第二期實際參數(shù)估計值之間差距較小，而原g-h模型的預(yù)測結(jié)果與第二期實際參數(shù)估計值之間的偏差較大。由此我們可以得知，改進后的SVaR模型預(yù)測的風(fēng)險值要比原VaR模型準(zhǔn)確。

表6 兩種模型參數(shù)預(yù)測結(jié)果

表7 第二期實際參數(shù)估計

6 討論

在g-hVaR模型的基礎(chǔ)上，我們嵌入戰(zhàn)略因子后得到了基于企業(yè)戰(zhàn)略考慮的SVaR模型。通過理論與實證數(shù)據(jù)的兩方面檢驗，我們可以看出，改進后的SVaR模型比現(xiàn)有研究提出的VaR模型具有更好的預(yù)測準(zhǔn)確度，我們與這些模型最明顯的不同就在于在模型中加入了企業(yè)戰(zhàn)略因子這一能夠代表未來企業(yè)發(fā)展的重要指標(biāo)。

VaR方法在被提出后，經(jīng)過研究者不斷地改進，其對于未來風(fēng)險的預(yù)測已經(jīng)越來越接近于實際風(fēng)險，我們的SVaR模型也正是在現(xiàn)有研究的基礎(chǔ)上展開的。但遺憾的是，VaR仍然是用金融市場過去的波動模式來預(yù)計未來的不確定性，僅僅用過去來預(yù)測未來一直被諸多學(xué)者質(zhì)疑。比如Jorion[9]認(rèn)為即使過去的數(shù)值測量完全精確，也不能保證其能很好地預(yù)測將來可能會發(fā)生的不確定性情況，王春峰等[11]認(rèn)為，VaR模型的這一基礎(chǔ)性假定實質(zhì)上是認(rèn)為未來一定會按照過去的發(fā)展趨勢繼續(xù)延續(xù)下去，如果沒有這一假定，那么VaR模型的可靠性就要受到質(zhì)疑。

那么，在重視歷史趨勢的前提下，在模型中加入對企業(yè)未來發(fā)展以及股票未來風(fēng)險的考量就顯得尤為重要。企業(yè)戰(zhàn)略恰恰是學(xué)術(shù)界普遍認(rèn)同的可以預(yù)測企業(yè)未來發(fā)展的重要指標(biāo)[34-36]，并且企業(yè)戰(zhàn)略對股票收益與風(fēng)險的影響正越來越受到理論界與實踐者的重視[14,20,37]，Kothari[21]甚至指出企業(yè)戰(zhàn)略對股票市場的影響在會計與金融領(lǐng)域的文獻中需要被重新評價。因此，如何將基于歷史的VaR體系與面向未來的企業(yè)戰(zhàn)略結(jié)合起來是我們重點關(guān)注的問題，也是本文研究的核心意義所在。

現(xiàn)有研究中針對企業(yè)戰(zhàn)略與股票收益與風(fēng)險的成果已較為豐富，但大都是針對某一種戰(zhàn)略類型展開，比如研發(fā)戰(zhàn)略[18-19]、并購戰(zhàn)略[20,38]、多元化戰(zhàn)略[39]、聯(lián)盟戰(zhàn)略[40]等等，并且大都是針對企業(yè)戰(zhàn)略的發(fā)布信號研究股票市場的反應(yīng)，很少有研究關(guān)注企業(yè)戰(zhàn)略的綜合表現(xiàn)和股票未來收益與風(fēng)險之間有何聯(lián)系，因此我們提出了戰(zhàn)略因子這一關(guān)系到公司戰(zhàn)略制定與實施并最終取得成功全過程的綜合評價指標(biāo)，戰(zhàn)略因子的提出為企業(yè)戰(zhàn)略與股票未來收益與風(fēng)險之間搭建了一座橋梁，對戰(zhàn)略評價領(lǐng)域的研究具有一定的推進意義。

經(jīng)過多年的拓展，VaR模型衍生出了多種計算方法，為了將戰(zhàn)略因子與VaR模型較好地結(jié)合起來，我們選擇了朱海霞和潘志斌[31]提出的g-hVaR模型為研究基礎(chǔ)，選擇該模型為改進模型基礎(chǔ)的原因主要有以下幾點：(1)經(jīng)朱海霞和潘志斌[31]驗證，g-hVaR模型在股票未來風(fēng)險的模擬中表現(xiàn)較好，這給我們提供了可行性及準(zhǔn)確性上的保證；(2)基于g-h分布的VaR方法計算簡單準(zhǔn)確，兼有參數(shù)方法、非參數(shù)方法和半?yún)?shù)方法的優(yōu)點；(3)g-h分布的各參數(shù)分別影響分布的峰值、尾部厚度等指標(biāo)，這給模型的改進提供了方便。因此，g-hVaR模型是在諸多VaR計算方法中較為有代表性以及準(zhǔn)確性的方法，我們在此基礎(chǔ)上，找尋戰(zhàn)略因子與g-h分布參數(shù)估計值變化率之間的關(guān)系并將其結(jié)合在一起，得到改進后的SVaR模型，這種戰(zhàn)略因子嵌入的方法雖然是針對g-hVaR模型所設(shè)計，但也為應(yīng)用其他VaR計算方法的研究者提供了一種可行的思路借鑒。

從投資者視角來看，SVaR模型強調(diào)企業(yè)戰(zhàn)略在投資決策中的重要性，使投資者在投資行為中不僅僅依靠“消息”和基本面來進行投資，更多地關(guān)注企業(yè)戰(zhàn)略層面對于投資的作用。并且，投資者應(yīng)用SVaR模型對可選投資對象進行風(fēng)險衡量，可以更為科學(xué)地選擇投資對象，增加投資合理性與科學(xué)性，減少投資損失。

7 結(jié)語

針對傳統(tǒng)VaR方法在長期投資風(fēng)險預(yù)測以及過度依賴歷史數(shù)據(jù)方面的不足，本文提出了嵌入戰(zhàn)略因子的VaR模型改進問題。首先，在現(xiàn)有戰(zhàn)略評價方法的基礎(chǔ)上，本文提出了戰(zhàn)略因子這一全面科學(xué)的企業(yè)戰(zhàn)略評價指標(biāo)。以上海股票交易所上市的52家制藥業(yè)上市公司為例，進行了前后兩期間股票收益率分布變動與戰(zhàn)略因子的關(guān)系擬合，并基于此將戰(zhàn)略因子s嵌入到原有VaR模型中，得到改進后的SVaR模型。通過似然比檢驗和實證數(shù)據(jù)檢驗，我們可以得出如下結(jié)論：嵌入戰(zhàn)略因子的SVaR模型預(yù)測的風(fēng)險值要比原VaR模型更加準(zhǔn)確。

本研究還存在一定的局限性。首先，我們選取制藥業(yè)上市公司數(shù)據(jù)為例建立了SVaR模型，雖然模型在理論與實踐中都獲得了較好的檢驗結(jié)果，但是該模型對于其他行業(yè)數(shù)據(jù)的適用程度與有效性還有待進一步的檢驗。此外，由于改進后的SVaR模型的主體內(nèi)容仍然是以傳統(tǒng)VaR模型為基礎(chǔ)，因此在實際應(yīng)用時仍然避免不了傳統(tǒng)VaR模型存在的某些問題，比如模型的復(fù)雜性給廣泛應(yīng)用帶來較大的阻礙，這也給我們提出了未來的一種研究方向，就是對VaR模型的計算進行更為簡便的精簡或改進。

[1]HuangHuiyu,LeeTH.ForecastingValue-at-Riskusinghigh-frequencyinformation[J].Econometrics,2013,1(1):127-140.

[2]WuPT,ShiehSJ.Value-at-Riskanalysisforlong-terminterestratefutures:Fat-tailandlongmemoryinreturninnovations[J].JournalofEmpiricalFinance,2007,14(2):248-259.

[3]AdrianT,ShinHS.Procyclicalleverageandvalue-at-risk[R].WorkingPaper,NationalBureauofEconomicResearch,2013.

[4]PástorL’,StambaughRF.Arestocksreallylessvolatileinthelongrun?[J].TheJournalofFinance,2012,67(2):431-478.

[5]HoHC,LiuFI.Estimationofshort-andlong-termVaRforlong-memorystochasticvolatilitymodels[M]//LeeCF,LeeAF,LeeJ.Handbookofquantitativefinanceandriskmanagement.NewYork:Springer,2010.

[6]AlouiC,MabroukS.Value-at-riskestimationsofenergycommoditiesvialong-memory,asymmetryandfat-tailedGARCHmodels[J].EnergyPolicy,2010,38(5):2326-2339.

[7]KupiecPH.Techniquesforverifyingtheaccuracyofriskmeasurementmodels[J].TheJournalofDerivatives,1995,3(2):73-84.

[8]BasakS,ShapiroA.Value-at-risk-basedriskmanagement:optimalpoliciesandassetprices[J].ReviewofFinancialstudies,2001,14(2):371-405.

[9]JorionP.Valueatrisk:Thenewbenchmarkforcontrollingmarketrisk[M].NewYork:McGraw-Hill,1997.

[10]LoAW.Nonparametricriskmanagementandimpliedriskaversion[J].JournalofEconometrics,2000,94(1-2):9-51.

[11] 王春峰, 萬海暉, 張維. 金融市場風(fēng)險測量模型—VaR[J].系統(tǒng)工程學(xué)報,2000,15(1):67-75.

[12]PanningWH.Thestrategicusesofvalueatrisk:Long-termcapitalmanagementforproperty/casualtyinsurers[J].NorthAmericanActuarialJournal,1999,3(2):84-105.

[13]DowdK,BlakeD,CairnsA.Long-termvalueatrisk[J].JournalofRiskFinance,2004,5(2):52-57.

[14]KumarN,MohapatraS,BhubaneswarI,etal.ImportanceoftechnicalandfundamentalanalysisandotherstrategicfactorsintheIndianstockmarket[J].ManagementReview:AnInternationalJournal,2013,8(1):38-75.

[15]HouKewei,KarolyiGA,KhoBC.Whatfactorsdriveglobalstockreturns?[J].ReviewofFinancialStudies,2011,24(8):2527-2574.

[16] 韓立巖, 伍燕然. 投資者情緒與IPOs之謎——抑價或者溢價[J].管理世界,2007,(3):51-61.

[17]SrinivasanS,PauwelsK,SilvaRJ,etal.Productinnovations,advertising,andstockreturns[J].JournalofMarketing,2009,73(1):24-43.

[18]DuqiA,MirtiR,TorluccioG.AnanalysisoftheR&DeffectonstockreturnsforEuropeanlistedfirms[J].EuropeanJournalofScientificResearch,2011,58(4):482-496.

[19]AliA,CiftciM,CreadyWM.MarketunderestimationoftheimplicationsofR&Dincreasesforfutureearnings:TheUSevidence[J].JournalofBusinessFinance&Accounting,2012,39(3-4):289-314.

[20]GaurAS,MalhotraS,ZhuPengcheng.Acquisitionannouncementsandstockmarketvaluationsofacquiringfirms'rivals:Atestofthegrowthprobabilityhypothesisinchina[J].StrategicManagementJournal,2013,34(2):215-232.

[21]KothariSP.Capitalmarketsresearchinaccounting[J].JournalofAccountingandEconomics, 2001, 31(1): 105-231.

[22]HollowellBJ.Examiningtherelationshipbetweendiversityandfirmperformance[J].JournalofDiversityManagement,2011,2(2):51-60.

[23]DavidME,DavidFR,DavidFR.Thequantitativestrategicplanningmatrix(QSPM)appliedtoaretailcomputerstore[J].TheCoastalBusinessJournal,2009,8(1):42-52.

[24] 李延喜, 張悅玫, 李寧. 基于戰(zhàn)略地圖的戰(zhàn)略性績效評價體系研究[J].科研管理,2005,26(1):145-152.

[25] 夏清華, 李雯. 企業(yè)成長性評價的研究特征述評——基于元研究的量化分析[J].中國軟科學(xué),2010,(S1):290-296.

[26] 王玉, 王丹. 企業(yè)戰(zhàn)略成熟度評價指數(shù)的構(gòu)建[J].統(tǒng)計與決策,2007,(22):064.

[27] 王鐵男. 企業(yè)戰(zhàn)略管理[M].北京:科學(xué)出版社,2010.

[28]RaghunathanHYTE.Tukey'sghdistributionformultipleimputation[J].TheAmericanStatistician,2006,60(3):251-256.

[29] 陳倩, 李金林, 張倫. 基于g-h分布的上證指數(shù)收益率分布擬合研究[J].中國管理科學(xué),2008,16(S1):226-230.

[30] 司馬則茜, 蔡晨, 李建平. 基于g-h分布度量銀行操作風(fēng)險[J].系統(tǒng)工程理論與實踐,2011,31(12):2321-2327.

[31] 朱海霞, 潘志斌. 基于g-h分布的投資組合VaR方法研究[J].中國管理科學(xué),2005,13(4):7-12.

[32]BerkowitzJ.Testingdensityforecasts,withapplicationstoriskmanagement[J].JournalofBusiness&EconomicStatistics,2001,19(4):465-474.

[33]LopezJA.Regulatoryevaluatingofvalueatriskmodels[J]．Journalofrisk，1999,1(2):37-64．

[34]KayJ,PeterM,DavidF.Thehistoryofstrategyandsomethoughtsaboutthefuture[M]//FaulknerD,CompbellA.TheOxfordhandbookofstrategy:Astrategyoverviewandcompetitivestrategy.UnitedKingdom:OxfordUniversityPress,2006.

[35]LindgrenM,HansB.Scenarioplanning:Thelinkbetweenfutureandstrategy[R].PalgraveMacmillan, 2002.

[36]BurgelmanRA,AndrewS.Strategyisdestiny:Howstrategy-makingshapesacompany'sfuture[M].NewYork:TheFreePress,2001.

[37]XuBixia.R&Dstrategyandstockpricevolatilityinthebiotechnologyindustry[J].ReviewofAccountingandFinance,2006,5(1):59-71.

[38]UhlenbruckK,MichaelAH,MatthewS.MarketvalueeffectsofacquisitionsinvolvingInternetfirms:Aresource-basedanalysis[J].StrategicManagementJournal,2006,27(10):899-913.

[39]SukpanichN,AlanR.Intra-regionalsales,productdiversity,andtheperformanceofmerchandisingmultinationals[J].JournalofInternationalManagement,2007,13(2):131-146.

[40]KaleP,JeffreyHD,HarbirS.Alliancecapability,stockmarketresponse,andlong-termalliancesuccess:Theroleofthealliancefunction[J].StrategicManagementJournal,2002,23(8):747-767.

ImprovedVaRModelbyEmbeddingStrategicFactor

HAO Fan-hao, WANG Tie-nan, LI Xin

(School of Management, Harbin Institute of Technology, Harbin 150001, China)

Traditional VaR model is a commonly used tool for measuring risk of short-term investment, but it is not effective in measuring risk in the long run. In addition, some scholars have doubted the basic assumption of traditional VaR method which estimates future risk by historical data. Accordingly, this paper intends to improve VaR model by taking strategy into account. First, a concept of strategic factor, which can comprehen-sively evaluate corporate strategy, was proposed. By using Delphi method, questionnaires are distriputed to the 15 selected experts in the related area, and screened out 23 pivotal strategic elements. Afterwards, the formula of strategic factor was obtained by Fuzzy Analytic Hierarchy Process (FAHP). Based on the g-hVaR model, strategic factor is embeded into the g-h VaR model and the SVaR (Strategic Value-at-Risk) model is built. Daily closing price data of 52 Shanghai-listed companies in the pharmaceutical industry from January 2, 2007 to December 31, 2012 were collected for empirical analysis. The data of 50 companies were used for modeling, and the rest 2 were used for model verification. The results of likelihood-ratio testing and empirical testing reveal that the SVaR model is more accurate than the original VaR model in predicting the future risk of stock investment. Our research may enrich and optimize VaR theory and shed light on the research of financial risk.

strategic factor; risk of long-term investment; SVaR model

2013-11-06；

2014-07-30

國家自然科學(xué)基金重點資助項目(71031003)

郝凡浩(1989-)，男(漢族)，山東人，哈爾濱工業(yè)大學(xué)管理學(xué)院博士研究生，研究方向：戰(zhàn)略投資理論與方法.

1003-207(2015)07-0035-10

10.16381/j.cnki.issn1003-207x.2015.07.005

F830.91

A