王 鵬，袁小麗

(1. 西南財經(jīng)大學中國金融研究中心，四川 成都 610074；2. 金融安全協(xié)同創(chuàng)新中心，四川 成都 610074；3.西南財經(jīng)大學金融學院，四川 成都 611130)

?

金融資產(chǎn)收益非對稱性的多標度分形測度及其在VaR計算中的應用

王 鵬1,2，袁小麗3

(1. 西南財經(jīng)大學中國金融研究中心，四川 成都 610074；2. 金融安全協(xié)同創(chuàng)新中心，四川 成都 610074；3.西南財經(jīng)大學金融學院，四川 成都 611130)

通過提煉多標度分形分析過程中所產(chǎn)生的對描述金融資產(chǎn)收益非對稱特征有益的統(tǒng)計信息，提出了一種新的資產(chǎn)收益非對稱測度——多標度分形非對稱測度(Multifractal asymmetry measurement)Δf，并以滬深300指數(shù)長達7年左右的5分鐘高頻數(shù)據(jù)為實證樣本，通過兩種不同的VaR后驗分析(Backtesting analysis)方法，實證對比了Δf測度和傳統(tǒng)的偏度系數(shù)(Coefficient of skewness)測度在市場風險計算準確性方面的差異。實證結(jié)果表明：基于Δf測度的市場風險計算模型的VaR計算精度優(yōu)于基于偏度系數(shù)測度的對應模型，Δf測度具有較偏度系數(shù)測度更為優(yōu)異的對金融資產(chǎn)收益非對稱特征的刻畫能力。

多標度分形理論；非對稱測度；風險價值；后驗分析

1 引言

20世紀90年代開始，對金融資產(chǎn)收益非對稱特征進行檢驗和描述的相關(guān)研究開始逐漸興起，并在最近幾年得到了越來越多的重視。這不僅是由于金融資產(chǎn)收益分布的非對稱性是投資組合選擇過程中應該考慮的一個重要因子，而且還對金融風險識別與測度和衍生品定價的準確性等都有較大影響[1-4]。

在上世紀90 年代，“標度理論之父”Mandelbrot 先后兩次指出多標度分形理論是一種刻畫金融資產(chǎn)價格復雜波動特征的有力工具[5,6]。在Mandelbrot 開創(chuàng)性思想的指引下，金融復雜性領域的學者對來自不同發(fā)展階段資本市場以及不同交易品種的金融時序開展了大量卓有成效的實證研究[7-11]。他們的研究表明，無論是成熟資本市場，還是新興資本市場，無論是貴金屬市場、原油市場，還是外匯市場和股票市場，盡管其交易標的、投資者構(gòu)成、監(jiān)管制度和交易制度等都有很大不同，但在價格變化(收益率)中都存在著明顯的多標度分形特征。Faruk和Ramazan[12]明確指出，金融市場中多標度分形現(xiàn)象的普遍存在，表明了現(xiàn)有的金融資產(chǎn)價格波動特征主流研究中的眾多統(tǒng)計推論也許并不具有廣泛代表性。因此，上述這些已有的工作積累都為我們下一步運用多標度分形理論來進行金融市場的波動率測度以及風險管理研究提供了堅實的理論和實證依據(jù)。

目前，文獻中用于測度金融資產(chǎn)收益非對稱性的主流方法是基于定義為隨機變量分布標準化三階中心矩(The Standardized Third Central Moment)的偏度系數(shù)(Coefficient of Skewness，簡記為CS)[13-15]。然而，CS測度往往不適用于對實際金融資產(chǎn)收益非對稱性的檢驗，原因在于在運用偏度系數(shù)進行非對稱性檢驗時，決定所得結(jié)論有效性的關(guān)鍵不僅在于資產(chǎn)價格變化之間的獨立性，而且還取決于其對資產(chǎn)收益服從正態(tài)分布這一重要前提假定的滿足[16]。換句話說，當資產(chǎn)價格變化(收益率)不服從正態(tài)分布或相互間不獨立時，基于傳統(tǒng)偏度系數(shù)的非對稱性判斷結(jié)論是非常值得懷疑的。然而，眾多嚴謹?shù)膶嵶C研究早已表明，盡管金融資產(chǎn)收益水平值的相關(guān)性并不明顯，但收益率的平方(或絕對值)之間卻往往呈現(xiàn)出較強的正相關(guān)，這說明不同時點上的資產(chǎn)價格變化(收益率)并不是獨立的[17-20]。除此之外，在常用的抽樣頻率上(如日收益率或周收益率)，正態(tài)分布假設更是會被強烈拒絕[21-25]。另外，偏度系數(shù)還有一個明顯的缺陷在于：它是一種平均數(shù)意義上的非對稱性測度，因此對樣本數(shù)據(jù)中的極端值(Outliers)非常敏感。然而，實際金融市場中的投資者對新信息的反映是非線性的，他們往往是以累積的方式對利空和利好消息進行消化。當利空(利好)消息持續(xù)到來時，他們往往會在某個“臨界值”或“閥值”(Threshold)附近對這一系列的沖擊加以集中反應，從而導致市場波動極端值出現(xiàn)的頻率要遠遠高于“有效市場假說”(Efficient Market Hypothesis，EMH)所認為的正態(tài)分布中的情況[24]。因此，我們認為，主流的金融資產(chǎn)收益非對稱性檢驗方法在這里出現(xiàn)了明顯的測度缺陷和研究不足。

經(jīng)過較長時間的前期研究，我們發(fā)現(xiàn)，多標度分形分析技術(shù)實際上為傳統(tǒng)的收益率非對稱性研究中存在的諸多問題提供了極具針對性的解決方案。例如，多標度分形分析技術(shù)在本質(zhì)上仍屬于非參數(shù)(Nonparametric)方法，對變量分布等并無太多先入為主的假定。相反，多標度分形理論中的分析方法都是從數(shù)據(jù)本身特征出發(fā)，本著“讓數(shù)據(jù)為自己說話”的精神，著眼于實際數(shù)據(jù)變化背后的復雜波動機制，并通過若干含義明確的概念和工具去描述這些機制[26]。此外，多標度分形分析技術(shù)還具有良好的穩(wěn)健性(Robustness)，并不會因為樣本數(shù)據(jù)中的極端值(Outliers)而改變分析結(jié)果的統(tǒng)計性質(zhì)和定性結(jié)論，這一重要優(yōu)勢已被該領域中的諸多實證研究所證實[7,27-28]。

基于上述考慮，在前期相關(guān)研究的基礎上，本文嘗試從對金融資產(chǎn)價格波動的多標度分形分析出發(fā)，通過提煉分析過程中所產(chǎn)生的對描述金融資產(chǎn)收益非對稱特征有益的統(tǒng)計信息，提出了一種具有更為優(yōu)異的理論性質(zhì)且更適用于金融數(shù)據(jù)實際特征的新的資產(chǎn)收益非對稱性測度方法。同時，為了驗證這種新的非對稱測度方法的可靠性和實用性，本文以我國股票市場中的代表性指數(shù)——滬深300指數(shù)長達7年左右的高頻股價數(shù)據(jù)為研究樣本，通過運用兩種規(guī)范的風險價值(Value at Risk，VaR)后驗分析(Backtesting Analysis)方法，實證對比了分別基于多標度分形非對稱測度及傳統(tǒng)的偏度系數(shù)CS測度波動模型的VaR測度精度。實證結(jié)果表明，我國新興股票市場的價格波動確實具有顯著的多標度分形特征，且基于多標度分形非對稱測度的VaR計算模型較基于傳統(tǒng)偏度系數(shù)CS測度的對應模型具有更加優(yōu)異的風險測度精度。

2 樣本數(shù)據(jù)說明

本文研究所用的數(shù)據(jù)樣本為滬深300指數(shù)從2005年4月8日到2012年1月4日的每5分鐘高頻股價數(shù)據(jù)(共N=1641個交易日)，記為It,d，t=1,2,…,N，d=0,1,2,…,48，其中It,0表示第t天的開盤價，It,48表示第t天的收盤價。

滬深證券交易所每個交易日9:30分開盤，到11:30分中午休市，然后13:00開盤，到15:00全天收盤，每天共有4個小時(即240分鐘)的連續(xù)競價交易時間。因此，采用每5分鐘記錄一個數(shù)據(jù)的方法每天可以產(chǎn)生48個高頻股價記錄(不包括It,0)，樣本總體的高頻數(shù)據(jù)量為78768個。文中的日收益率(Daily Return)rt利用相鄰兩個交易日的收盤價計算：

rt=100(lnIt,48-lnIt-1,48),t=2,3,…,N

(1)

日收益率rt的描述性統(tǒng)計結(jié)果如表1所示。

從表1的描述性統(tǒng)計結(jié)果可以看到：

(1)滬深300指數(shù)的非條件收益率并不服從正態(tài)分布(J-B檢驗在1%水平上顯著)，且呈現(xiàn)出一定的“尖峰厚尾”(Leptokurtic and Fat Tailed)和“有偏”(Skewed)形態(tài)(收益率的偏度系數(shù)顯著小于0，超額峰度系數(shù)顯著大于0)；

(2)表1中ADF單位根檢驗結(jié)果表明，滬深300指數(shù)的非條件收益序列存在單位根的零假設被拒絕。因此，可以認為非條件收益率序列是平穩(wěn)(Stationary)的，可以直接作下一步的分析和計量建模；

(3)從日收益率滯后20階的Ljung-BoxQ統(tǒng)計量(Q1(20))可以看出，在較高的顯著性水平上(1%)，可以拒絕滬深300指數(shù)的非條件收益率在較長時間范圍內(nèi)(20期)都不具有自相關(guān)性的原假設，即指數(shù)波動具有較為明顯的長記憶性(Long Memory)；

表1 滬深300指數(shù)日收益率rt的描述性統(tǒng)計結(jié)果

注：表中，“*”表示在1%水平上顯著；峰度系數(shù)為超額峰度；J-B為檢驗序列是否服從正態(tài)分布的Jarque-Bera統(tǒng)計量；Q(20)為檢驗序列是否具有自相關(guān)性的滯后20期Ljung-BoxQ統(tǒng)計量；ADF為檢驗序列是否具有單位根的Augmented Dickey-Fuller單位根檢驗統(tǒng)計量。

(4)表1中，平方收益率滯后20階的Ljung-BoxQ統(tǒng)計量(Q2(20))具有較高的顯著性，意味著滬深300指數(shù)的較大收益率和較小收益率都在某段特定時期內(nèi)交替集中出現(xiàn)，即我國股票市場的非條件收益率表現(xiàn)出較為明顯的波動聚集(Volatility Clustering)特征。

3 基于多標度分形理論的非對稱性測度方法

3.1 多標度分形參數(shù)定義

本節(jié)首先探討多標度分形理論的相關(guān)參數(shù)定義[29]，以明確其在金融資產(chǎn)收益分布建模中應用的理論基礎。

定義一：考慮n維歐式空間Rn，其一子集U的直徑為：

|U|=sup{‖x-y‖|x,y∈U}

(2)

定義二：設F為Rn中任一子集，s為一非負實數(shù)，對?δ>0，定義以下形式的公式：

(3)

(4)

?F?Rn，Hs(F)存在，但可以為0或∞，則稱Hs(F)為F的s維豪斯道夫測度。

(5)

令δ→0并設Hs(F)為有限值，則由式(5)得：

(6)

即Hs(F)關(guān)于不同的s，存在一個使Hs(F)從∞跳躍到0的唯一臨界值s0，則該臨界值s0稱為F的豪斯道夫維數(shù)(HausdorffDimension)，記為DH(F)，其精確定義由下式表示：

DH(F)=inf{s|Hs(F)=0}=sup{s|Hs(F)=∞}

(7)

定義四：設F是n維歐式空間Rn上的一個n維子集，將F劃分為測度尺度為δ的無重復分形子集合{Xa}，且每一分形子集的概率測度μα與δ間存在冪律關(guān)系(Powerlaw)：

μα～δα

(8)

由于這里的a控制著概率測度的奇異性，所以被稱為奇異指數(shù)(Singular Exponent)或H?lder指數(shù)。同時，如果每一分形子集有不同的奇異指數(shù)，則稱此集合F為多標度分形。

定義五：由定義一～三可以得到，當δ→0時，下式表示具有相同概率測度μαi的分形子集合{Xai}的q維豪斯道夫測度：

(9)

若存在臨界指數(shù)f(a)使得：

f(α)=inf{q|Hq(Xαi)=0}=sup{q|Hq(Xαi)=∞}

(10)

則稱f(a)為多標度分形的奇異譜，或簡記為“多標度分形譜”(Multifractal Spectrum)。

3.2 多標度分形譜f(a)的計算

一般的，最常用的奇異指數(shù)a和多標度分形譜f(α)的計算方式是“數(shù)盒子”法(Box-Counting)，其具體步驟如下[7-9]：

(1)假定整個交易日的時間長度為1，則無重復均勻覆蓋這48個高頻股價數(shù)據(jù)的“盒子長度”δ(δ<1)可以分別取為：1/48，1/24，1/16，1/12，1/8，1/6，1/4，1/3，1/2和1；

(2)當取盒子長度為δ時，假定覆蓋每天48個高頻股價數(shù)據(jù)需要m個盒子。這里為了公式表述的清晰，另記一天當中的高頻股價數(shù)據(jù)為I(t)(t=1,2,…,48)，且每個盒子內(nèi)有n個數(shù)據(jù)記錄，那么定義在第i個盒子上的指數(shù)概率測度為：

(11)

其中，I(ij)表示第i個盒子中的第j個指數(shù)。根據(jù)王鵬[7]，Jiang Zhiqiang等[8]，Calvet等[9]研究中的相關(guān)定義，有以下的冪律關(guān)系(Power-Law)存在：

Pi(δ)～δα

(12)

Nα(δ)～δ-f(α)

(13)

其中，Nα(δ)表示具有相同奇異指數(shù)(SingularExponent)a的長度為δ的盒子個數(shù)；

圖1 滬深300指數(shù)兩天中的價格走勢、收益率經(jīng)驗分布與多標度分形譜

(3)多標度分形譜f(α)的計算可以通過配分函數(shù)(Partition Function)Sq(δ)來計算：

(14)

根據(jù)王鵬等[7]，JiangZhiqiang等[8]，Calvet等[9]研究中的相關(guān)結(jié)論，Sq(δ)同樣滿足以下形式的冪律關(guān)系：

Sq(δ)～δτ(q)

(15)

在實際計算時，q的取值范圍大小以α和f(α)達到飽和值為準[7-9]；

(4)τ(q)的值可以通過求取在雙對數(shù)坐標軸lnSq(δ)-lnδ上的直線斜率得出，并通過勒讓德變換(LegendreTransition)可以得出：

(16)

f(α)=αq-τ(q)

(17)

3.3 基于多標度分形譜f(a)的非對稱性測度方法構(gòu)建

經(jīng)過多次試驗，我們發(fā)現(xiàn)滬深300指數(shù)在2005年8月18日和2011年12月16日這兩天中的走勢呈現(xiàn)較為明顯的相反狀態(tài)，進而導致日內(nèi)高頻收益率經(jīng)驗分布的偏斜情況也截然相反。為了驗證上文提出的基于多標度分形分析的偏度測度方法能否靈敏地捕捉并刻畫這一差異，我們運用上節(jié)所介紹的具體方法，計算了這兩天的奇異指數(shù)a和多標度分形譜f(a)，并將其與兩天中的價格走勢和收益率經(jīng)驗分布狀況一并匯報于圖1中。

由圖1可以清晰地看出：

(1)滬深300指數(shù)在2005年8月18日和2011年12月16日兩天的價格走勢迥異，但其價格變化都具有明顯的非對稱特征。其中，2011年12月16日的價格走勢為開盤后區(qū)間震蕩，臨近收盤時大幅上漲。而2005年8月18日的價格走勢恰好相反，為開盤后區(qū)間震蕩，臨近收盤時大幅下跌；

(2)收益率的經(jīng)驗分布情況良好地反映了滬深300指數(shù)兩天中的上述走勢。其中，在具有單邊快速上行走勢的2011年12月16日，其收益率的經(jīng)驗分布具有明顯的右偏特征。而在2005年8月18日，單邊快速下行的走勢所導致的收益率分布具有明顯的左偏特征；

(3)滬深300指數(shù)在兩天中的價格走勢盡管差異明顯，但其多標度分形譜卻都表現(xiàn)出了顯著弓形，這是滬深300指數(shù)的價格波動確實具有明顯多標度分形特征的有力佐證[7-9]；

(4)若將某日奇異指數(shù)序列的最大值和最小值分別記為amax和amin，則其所分別對應的多標度分形譜值可以記為f(amax)和f(amin)(圖1中已有標注)。接下來，非常能引起我們興趣且更具意義的發(fā)現(xiàn)是，滬深300指數(shù)價格的不同波動狀況對應著這兩個多標度分形譜值(f(amax)和f(amin))的不同變化模式。具體來說，在2011年12月16日，指數(shù)收益率(價格波動)具有明顯的右偏特征，而該日多標度分形譜的極差Δf=f(amax)-f(amin)>0；在2005年8月18日，指數(shù)收益率具有明顯的左偏特征，該日有Δf<0。更為重要的是，我們通過對其它不同日期價格序列的考察同樣發(fā)現(xiàn)了這一規(guī)律。為了對這一規(guī)律有更為直觀的觀察，圖2報告了樣本期間內(nèi)的收益率序列rt、各天高頻收益數(shù)據(jù)的偏度系數(shù)CS和Δf值。

圖2 滬深300指數(shù)的收益率序列rt、偏度系數(shù)CS和Δf值

通過圖2可以看出，Δf測度對收益非對稱特征的反映較偏度系數(shù)CS更為真實和敏感。那么，為什么Δf會對收益率非對稱特征具有如此敏感且真實的反映呢？

由式(12)可知Pi(δ)～δα，而Pi(δ)定義為每個盒子內(nèi)股價指數(shù)之和與每天所有股價指數(shù)之和的比值，因此，a就定量地反映出了某個盒子在當天所有價格中的概率測度值。比方說，由于δ<1，則amax和amin就分別指示了最小概率測度和最大概率測度盒子的測度值，即amax指示的是當天價格走勢相對最低的位置，而amin則指示的是當天價格走勢相對最高的位置。

理解了amax和amin的含義之后，再結(jié)合式(13) (Nα(δ)～δ-f(α))，我們就不難對f(amax)和f(amin)的經(jīng)濟學內(nèi)涵有更為深刻的認識了。實際上，由于Nα(δ)表示的是具有相同概率測度Pi(δ)(即具有相同a指數(shù))的盒子的個數(shù)，因此它就代表了一天當中具有相同價格水平或相同強弱趨勢的盒子個數(shù)(時間段的個數(shù))。很明顯，如果一天當中具有某一相同價格水平或強弱指標的盒子個數(shù)(時間段)越多，那么當天的價格走勢應該就越平穩(wěn)、越均勻，則其價格波動(收益率)非對稱特征越不明顯。進一步，若將注意力放在當天價格的最高和最低兩個極端位置上(amax和amin)，那么f(amin)和f(amax)就分別指示了具有最大概率測度和最小概率測度的盒子個數(shù)的多少，即f(amin)指示的是當天價格走勢最強的那些盒子的總數(shù)，而f(amax)指示的是當天價格走勢最弱的那些盒子的總數(shù)，并且由于Nαmax(δ)/Nαmin(δ)=δ-Δf和δ<1，所以當Δf>0時，Nαmax(δ)/Nαmin(δ)>1，表示的是具有最大概率測度指數(shù)盒子的數(shù)量小于具有最小概率測度指數(shù)盒子的數(shù)量，即價格走勢相對最高的盒子數(shù)量少于價格走勢相對最低的盒子數(shù)量，亦即價格波動主要發(fā)生在較低的相對價格位置上，這一點在價格增量(收益率)分布上的表現(xiàn)就是均值右邊數(shù)值所聚集的增量無論是從幅度還是數(shù)量上都超過均值左邊的數(shù)值，從而收益分布呈現(xiàn)明顯的右偏形狀(如圖1所示)。反之，當Δf<0時，Nαmin(δ)/Nαmax(δ)>1，表示的是具有最大概率測度指數(shù)盒子的數(shù)量大于具有最小概率測度指數(shù)盒子的數(shù)量，即價格走勢相對最高的盒子數(shù)量多于價格走勢相對最低的盒子數(shù)量，亦即價格波動主要發(fā)生在較高的相對價格位置上，這一點表現(xiàn)在價格增量(收益率)分布上就是均值左邊數(shù)值所聚集的增量無論是從幅度還是數(shù)量上都超過均值右邊的數(shù)值，從而收益分布呈現(xiàn)明顯的左偏形狀(如圖1所示)。由此可見，Δf指標具有非常明確的經(jīng)濟含義，運用Δf來測度金融資產(chǎn)收益分布的非對稱性，不僅經(jīng)過了實證觀察的檢驗，而且也具有合理且堅實的理論依據(jù)。

4 VaR計算及其后驗分析方法

為了驗證上文所提出的基于多標度分形語言的非對稱測度——Δf的有效性和實用性，我們有必要檢驗其是否確實改進了傳統(tǒng)非對稱測度(偏度系數(shù)CS)在應用領域中的表現(xiàn)。Sydney and Serena[30]指出，無論是最優(yōu)資產(chǎn)組合的選擇還是衍生產(chǎn)品的避險策略設計，其實質(zhì)都是要對金融資產(chǎn)的市場風險特征進行準確的描述和預測。因此，我們對于Δf非對稱測度有效性的研究將通過考察其是否具有較CS測度更優(yōu)的市場風險測度精度來實現(xiàn)。

具體來說，我們將選擇在金融風險測度領域中應用廣泛的經(jīng)典VaR計算模型，并通過偏度系數(shù)CS測度和Δf測度分別對其進行擴展，然后運用Kupiec[31]提出的非條件覆蓋檢驗(Unconditional Coverage Testing)以及Engle and Manganelli[32]提出的條件覆蓋檢驗(Conditional Coverage Testing)，實證對比基于兩種不同非對稱測度VaR計算模型的風險估計精度差異。

4.1 VaR計算模型

金融計量研究中，一般假定金融資產(chǎn)日收益率序列rt滿足如下的離散形式：

rt=μt+εt=μt+σtzt

(18)

對于具有較強自相關(guān)特征的收益率序列來說，有學者[33]建議在實證研究中假設μt服從AR(m)、ARMA(m,n) 或其它更為復雜的模型形式以消除自相關(guān)性。由于有研究表明[34]，AR(1)模型是一種簡單但非常實用的刻畫條件均值μt的模型，用它可以對價格變化的自相關(guān)特征進行良好描述，因此結(jié)合表1中滬深300指數(shù)收益所展現(xiàn)出的統(tǒng)計特征，我們假定其條件均值μt滿足一個AR(1)過程，即指數(shù)收益率rt通過下式刻畫：

rt=ρrt-1+σtzt

(19)

(20)

基于偏度系數(shù)CS測度的擴展GARCH(1,1)模型(記為GARCH-CS)形式為：

(21)

同理，基于Δf測度的擴展GARCH(1,1)模型(記為GARCH-Δf)：

(22)

除了GARCH模型外，我們還考慮一種常用的能夠描述資產(chǎn)價格杠桿效應(Leverage effect)的條件異方差模型：GJR模型。一階GJR模型的條件方差方程形式為：

(23)

其中，I(·)為一指示函數(shù)(Indicator Function)。當()中的條件成立時，I(·)為1，反之為0。

基于偏度系數(shù)CS測度和Δf測度的擴展GJR(1,1)模型(分別記為GJR-CS和GJR-Δf)形式分別為：

(24)

(25)

考慮到滬深300指數(shù)價格波動展現(xiàn)出了較為明顯的長記憶性(見圖1的描述性統(tǒng)計結(jié)果)，我們這里繼續(xù)考慮一種常用的長記憶波動模型(FIGARCH模型)，其一階形式的條件方差方程為：

(26)

其中，L為滯后算子，d為長記憶參數(shù)，它刻畫了波動的長短記憶性，當0

基于偏度系數(shù)CS測度和Δf測度的擴展FIGARCH(1,1)模型(分別記為FIGARCH-CS和FIGARCH-Δf)形式分別為：

(27)

(28)

總結(jié)起來，對于所考察的滬深300指數(shù)，除了其收益率的條件均值建模采用公式(19)所示的AR模型形式外，條件方差的建模(即本文所考察的風險測度模型)一共包括以下9種不同方式，分別記為GARCH、GARCH-CS、GARCH-Δf、GJR、GJR-CS、GJR-Δf、FIGARCH、FIGARCH-CS、FIGARCH-Δf。

4.2 VaR測度值的計算

根據(jù)對第4.1節(jié)中9種不同形式風險測度模型的估計，我們可以計算在不同模型假定下滬深300指數(shù)收益的VaR風險測度值，并通過嚴謹?shù)暮篁灧治?Backtesting Analysis)來對比檢驗各類模型的適用范圍和精確程度。

另外，由于金融資產(chǎn)的收益分布普遍具有非對稱波動特性[35]，因此即使交易的是相同標的資產(chǎn)的衍生產(chǎn)品，投資者持有的多頭頭寸(Long Position)和空頭頭寸(Short Position)也會具有顯著不同的VaR測度值。這也就是說，對非對稱收益分布的左、右尾部分別加以考察將具有非常重要的現(xiàn)實意義，因此本文將在多頭和空頭兩種不同頭寸下分別檢驗各種風險度量模型在滬深300指數(shù)風險測度中的有效性和實用性。

t時刻q分位數(shù)下的VaR定義為：

(29)

其中，zq為所要考察的收益分布的q損失分位數(shù)。對于多頭頭寸，q應取左尾分位數(shù)；對于空頭頭寸，q應取右尾分位數(shù)。為保證研究結(jié)論的可靠性，本文將多頭頭寸分位數(shù)zq分別取為10%、5%、2.5%、1%、0.1%，對應的空頭頭寸分位數(shù)分別為90%、95%、97.5%、99%、99.9%。同時，條件均值μt和波動率(條件標準差)σt通過前述各類風險測度模型估計得出，由此我們可以計算不同模型假定下的VaR風險測度值并開展Backtesting分析。

4.3 非條件覆蓋檢驗

在對VaR進行Backtesting分析時，最重要的出發(fā)點是對其失敗率(Failure Rate)是否準確進行檢測。舉例來說，如果我們計算得到了在5%分位數(shù)水平上的1000個VaR值，那么我們將預期：在這段時間當中，實際損失超出所計算的VaR值的次數(shù)應該大約是在1000×5%=50次左右。如果實際損失超過VaR的次數(shù)遠大于或者遠小于50次的話，都說明用于計算該VaR的風險測度模型是不準確的。從金融實踐的角度講，如果失敗率遠大于50次，則運用該模型估計VaR將會使得金融機構(gòu)遭受更多次超預期的損失沖擊；如果失敗率遠小于50次，則基于該模型的風險管理活動就會因為過高計提損失準備而導致資源的極大浪費。

Kupiec[31]提出了基于上述思想的非條件覆蓋檢驗(Unconditional Coverage Test)。在這一檢驗中，為了定量比較不同風險測度模型的VaR測度精度，在考慮拒絕還是接受“所采用的風險測度模型是準確的”的假設時，所采用的定量判斷標準是對比相應非條件覆蓋檢驗的顯著性p值。也就是說，如果對由某一風險測度模型所計算的VaR值的非條件覆蓋檢驗p值越大，則說明我們越不能拒絕上述假設，即表明該風險測度模型的VaR測度精度越高。

4.4 條件覆蓋檢驗

Engle and Manganelli[32]進一步指出，由合適的風險測度模型所計算的VaR失敗觀測值之間還應該不具有明顯的相關(guān)性。為了同時進行VaR失敗率準確和不具有相關(guān)性的聯(lián)合假設檢驗(Joint test)，Engle and Manganelli[32]提出了條件覆蓋檢驗方法(Conditional Coverage Test)，即：

首先，對分位數(shù)水平q下的碰撞序列Hitt進行以下的人造回歸：

Hitt=Xλ+εt

(30)

其中X是一個T×K矩陣，其第1列是一個所有元素為1的列向量，隨后的k列分別是取值為Hitt-1,Hitt-2,…,Hitt-k的列向量，最后的K-k-1列是附加的解釋變量(包括所預測的VaR序列本身)。

Engle and Manganelli[32]證明了，要進行“碰撞序列”Hitt同時符合失敗率準確和不具有相關(guān)性的零假設聯(lián)合檢驗的話，所考察的統(tǒng)計量應該滿足：

(31)

即該統(tǒng)計量服從自由度為K的χ2分布。也就是說，在分位數(shù)水平q下，如果所計算的上述統(tǒng)計量檢驗值大于該水平下自由度為K的χ2分布的臨界值的話，我們就應該拒絕Hitt同時符合失敗率準確和不具有相關(guān)性的零假設；反之，則應該接受零假設，即認為所采用的風險測度模型是足夠準確的。同樣，在條件覆蓋檢驗中，我們所采用的風險測度模型定量判斷標準仍是相應檢驗的顯著性p值大小。

5 實證結(jié)果

5.1 VaR計算結(jié)果

通過對文中9種不同風險測度模型的估計，可以得到日收益率的條件波動率σt，進而得到未來1天的條件波動率預測，然后通過式(29)計算未來1天滬深300指數(shù)的VaR值。

圖3報告了不同模型對滬深300指數(shù)1%分位數(shù)下多頭頭寸VaR的估計結(jié)果，圖2是對應空頭頭寸在99%分位數(shù)下的情況。為了圖形清晰起見，同時考慮到對相關(guān)結(jié)論的代表性，我們選擇了GARCH、GARCH-CS、GARCH-Δf等3種模型和全樣本中一段期間內(nèi)(t=800, 801, …, 1000)的結(jié)果進行展示。同時，為了對風險測度模型VaR估計值的準確性進行初步判斷，圖1和圖2中用針頭圖標識收益率rt。

由圖3和圖4的直觀表象來看，總體來講，在1%分位數(shù)下，無論是多頭頭寸，還是空頭頭寸，GARCH模型和基于CS測度擴展的GARCH模型似乎都有高估VaR值的傾向，而基于Δf測度擴展的GARCH模型的VaR度量精度似乎更高。當然，要得到更為精確的結(jié)論，必須對基于各個風險測度模型的VaR序列進行Backtesting檢驗。

圖3 滬深300指數(shù)收益1%分位數(shù)下多頭頭寸的部分VaR估計結(jié)果(t=800,801,…, 1000)

圖4 滬深300指數(shù)收益99%分位數(shù)下空頭頭寸的部分VaR估計結(jié)果(t=800,801,…, 1000)

表2 不同風險測度模型VaR估計的非條件覆蓋檢驗結(jié)果

注：表中數(shù)字為非條件覆蓋檢驗的p值。p值越大，說明由該模型所計算的VaR精確度越高。表中用下劃線表示的是某一類特定模型下的最優(yōu)非條件覆蓋檢驗p值。

表3 不同風險測度模型VaR估計的條件覆蓋檢驗結(jié)果

注：表中數(shù)字為條件覆蓋檢驗的p值。p值越大，說明由該模型所計算的VaR精確度越高。表中用下劃線表示的是某一類特定模型下的最優(yōu)條件覆蓋檢驗p值。

5.2 Backtesting檢驗結(jié)果

按照4.3節(jié)和4.4節(jié)中所介紹的條件覆蓋檢驗和非條件覆蓋檢驗方法，我們對各個波動模型的VaR估計效果都開展了后驗分析。表2和表3分別報告了不同風險測度模型對滬深300指數(shù)VaR測度精度的Backtesting檢驗結(jié)果。表中數(shù)字為檢驗的顯著性p值，p值越大，表明由該模型計算的VaR準確度越高。表中用下劃線標識的是某一特定種類風險測度模型在某一特定分位數(shù)水平下的最優(yōu)Backtesting檢驗p值

由表2和表3可以看出：

(1)觀察各組檢驗中3種經(jīng)典波動模型(GARCH、GJR、FIGARCH)的Backtesting檢驗結(jié)果可以發(fā)現(xiàn)，在條件覆蓋檢驗和非條件覆蓋檢驗下總共可以進行的40次比較中，GJR模型和FIGARCH模型所取得的檢驗p值共有9次大于普通GARCH模型的檢驗p值。因此，GJR模型和FIGARCH模型所取得的檢驗p值未能出現(xiàn)系統(tǒng)性大于普通GARCH模型檢驗p值的情況，這說明包含杠桿效應的GJR模型和能夠刻畫波動長記憶性的FIGARCH模型并未取得明顯優(yōu)于普通GARCH模型的VaR測度精度；

(2)經(jīng)偏度系數(shù)CS測度擴展的波動模型具有比其所對應的普通波動模型(GARCH vs. GARCH-CS、GJR vs. GJR-CS、FIGARCH vs. FIGARCH-CS)更優(yōu)的VaR計算精度。這表現(xiàn)為：總體來講，GARCH-CS模型取得大于GARCH模型檢驗p值的次數(shù)遠遠超過GARCH模型取得大于GARCH-CS模型檢驗p值的次數(shù)，同樣在GJR vs. GJR-CS和FIGARCH vs. FIGARCH-CS的對比中也普遍存在這一現(xiàn)象；

(3)單獨比較基于本文所提出的基于Δf測度的擴展模型(GARCH-Δf、GJR-Δf、FIGARCH-Δf)和基于CS測度擴展模型(GARCH-CS、GJR-CS、FIGARCH-CS)的檢驗p值可以發(fā)現(xiàn)，在非條件覆蓋檢驗(表2)和條件覆蓋檢驗(表3)各自可以進行的兩類模型的30次對照中，基于Δf測度的擴展模型在表2中取得較大檢驗p值的次數(shù)為19次，在表3中取得較大檢驗p值的次數(shù)為16次。另外，表中用下劃線標出了某一類特定模型下的最優(yōu)VaR測度模型及其條件覆蓋檢驗的p值。從這些最優(yōu)p值所對應的風險測度模型來看，基于本文所提出的Δf測度的擴展模型(GARCH-Δf、GJR-Δf、FIGARCH-Δf)在表2和表3中取得最優(yōu)檢驗p值的次數(shù)分別為17次、16次，而基于CS測度擴展模型(GARCH-CS、GJR-CS、FIGARCH-CS)取得最優(yōu)檢驗p值的次數(shù)僅為10次、10次。從這兩個角度觀察，基于Δf測度擴展的風險測度模型都表現(xiàn)出了較基于CS測度擴展模型更優(yōu)的VaR計算精度。由于對市場風險測度的精準與否依賴于所使用的測度模型和方法對資產(chǎn)價格波動特征刻畫的準確程度，因此基于這里的實證結(jié)果，我們認為，本文提出Δf測度展現(xiàn)出了較傳統(tǒng)非對稱測度(偏度系數(shù)CS)更為優(yōu)異的對金融資產(chǎn)收益非對稱特征的刻畫能力。

6 結(jié)語

本文以滬深300指數(shù)長達7年左右的5分鐘高頻數(shù)據(jù)為實證樣本，通過提煉多標度分形分析過程中所產(chǎn)生的對描述金融資產(chǎn)收益非對稱特征有益的統(tǒng)計信息，提出了一種新的資產(chǎn)收益非對稱性測度——多標度分形非對稱測度(Multifractal Asymmetry Measurement)Δf。與偏度系數(shù)CS這一傳統(tǒng)的非對稱性測度方法相比，本文提出的Δf測度具有更為優(yōu)異的理論性質(zhì)，也更適于金融數(shù)據(jù)的實際特征。為了驗證這種新的非對稱測度方法在風險管理領域中可靠性和實用性，論文進一步構(gòu)建了分別基于Δf測度和CS測度的VaR計算模型，并通過非條件覆蓋檢驗和條件覆蓋檢驗等兩種不同的VaR后驗分析方法，實證對比分析了Δf測度和傳統(tǒng)CS測度在金融市場風險測度準確性方面的差異。實證結(jié)果表明：我國新興股票市場的價格波動確實具有顯著的多標度分形特征；基于Δf測度擴展的風險測度模型具有較基于CS測度擴展模型更優(yōu)的VaR計算精度，Δf測度展現(xiàn)出了較偏度系數(shù)CS測度更為優(yōu)異的對金融資產(chǎn)收益非對稱特征的刻畫能力。

當然，本文研究還存在著一些不足之處。例如，我們的研究還僅僅局限于Δf測度和CS測度在VaR框架下的對比，沒有將其它一些成熟的風險測度，如預期損失ES(Excepted Shortfall)等納入考察的范圍。另外，本文的研究結(jié)論還需要在更廣泛的領域(如資產(chǎn)定價、投資組合選擇等等)中進一步加以驗證。另外，本文的研究結(jié)果表明Δf測度適用于對具有非獨立、非正態(tài)特征數(shù)據(jù)(如大多數(shù)現(xiàn)實金融市場中的收益數(shù)據(jù))的非對稱性檢驗，但對具有其它特征數(shù)據(jù)的適用性如何仍有待于進一步的拓展考察。當然，這也是我們下一步研究工作的重點所在。

[1] Christofferson P F. Elements of financial risk management[M]. San Diego: Academic Press, 2003.

[2] Korkie B, Sivakumar R, Turtle H J. Variance spillover and skewness in financial asset returns[J]. The Financial Review, 2006, 41(1): 139-156.

[3] Kendall M, Stuart A. The advanced theory of statistics[M]. London: McGraw-Hill Press, 1969.

[4] Engle R F. Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation[J]. Econometrica, 1982, 50(4): 987-1007.

[5] Mandelbrot B B. Fractals and scaling in finance[M]. New York: Springer Press, 1997.

[6] Mandelbrot B B. A multifractal walk down Wall Street[J]. Scientific American, 1999, 298(1): 70-73.

[7] 王鵬, 王建瓊. 中國股票市場的多分形波動率測度及其有效性研究[J]. 中國管理科學, 2008, 16(6): 9-15.

[8] Jiang Zhiqiang, Zhou Weixing. Multifractal analysis of Chinese stock volatilities based on the partition function approach[J]. Physica A: Statistical Mechanics and its Applications, 2008, 387(19): 4881-4888.

[9] Calvet L, Fisher A. Multifractal volatility: Theory, forecasting, and pricing[M]. London: Academic Press, 2008.

[10] Ramirez J, Alvarez J, Solis R. Crude oil market efficiency and modeling: Insights from the multi-scaling autocorrelation pattern[J]. Energy Economics, 2010, 32(5): 993-1000.

[11] Schmitt F G, Ma Li, Angounou T. Multifractal analysis of the dollar-yuan and euro-yuan exchange rate before and after the reform of the peg[J]. Quantitative Finance, 2011, 11(4): 505-513.

[12] Faruk S, Ramazan G.Intraday dynamics of stock market returns and volatility [J]. Physica A, 2006, 367: 375-387.

[13] Lau H S, Wingender J R, Lau H L. On estimating skewness in stock returns[J]. Management Science, 1989, 35(9): 1139-1142.

[14] Christofferson P F. Elements of financial risk management[M]. San Diego: Academic Press, 2003.

[15] Korkie B, Sivakumar R, Turtle H J. Variance spillover and skewness in financial asset returns[J]. The Financial Review, 2006, 41(1): 139-156.

[16] Kendall M, Stuart A. The advanced theory of statistics[M]. London: McGraw-Hill Press, 1969.

[17] 陳雄兵, 張宗成. 基于修正GARCH模型的中國股市收益率與波動周內(nèi)效應實證研究[J]. 中國管理科學, 2008, 16(4): 44-49.

[18] Mcmillan D G, Speight A E. Volatility dynamics and heterogeneous markets[J]. International Journal of Finance and Economics, 2006, 11(1): 115-121.

[19] Poshakwale S, Aquino K. The dynamics of volatility transmission and informationflow between ADRs and their underlying stocks[J]. Global Finance Journal, 2008, 19(1): 187-201.

[20] Linden M. A model for return distribution[J]. International Journal of Finance & Economics, 2001, 6(2): 159-170.

[21] 王鵬, 王建瓊. 中國股票市場的收益分布及其SPA檢驗[J]. 系統(tǒng)管理學報, 2008, 17(5): 542-547.

[22] 黃德龍, 楊曉光. 中國股票市場股指收益分布的實證分析[J]. 管理科學學報, 2008, 11(1): 68-77.

[23] Peters E E. Fractal market analysis: Applying chaos theory to investment and economics[M]. New York: Jone Wiley & Sons Press, 1994.

[24] Tolikas K, Gettinby G. Modelling the distribution of the extreme share returns in Singapore[J]. Journal of Empirical Finance, 2009, 16(2): 254-263.

[25] Matto T D. Multi-scaling in finance[J]. Quantitative Finance, 2007, 7(1): 21-36.

[26] Calvet L, Fisher A. Multifractal volatility: Theory, forecasting, and pricing[M]. London: Academic Press, 2008.

[27] Bai Manying, Zhu Haibo. Power law and multi-scaling properties of the Chinese stock market[J]. Physica A: Statistical Mechanics and its Applications, 2010, 389(9): 1883-1890.

[28] 汪富泉, 李后強. 分形幾何與動力系統(tǒng)[M]. 哈爾濱: 黑龍江教育出版社, 1993.

[29] Sydney C L, Serena N. The empirical risk-return relation: A factor analysis approach[J]. Journal of Financial Economics, 2007, 83(1): 171-222.

[30] Kupiec P.Techniques for verifying the accuracy of risk measurement models[J]. Journal of Derivatives, 1995, 3(2): 173-184

[31] Engle R F, Manganelli S. CAViaR: Conditional autoregressive value at risk by regression quantiles[J]. Journal of Business and Economic Statistics, 2004, 22(3): 367-381.

[32] Engle R F, Patton A. What good is volatility model?[J] . Quantitative Finance, 2001, 1(2): 237-245.

[33] Mcneil A J, Frey R. Estimation of tail related risk measures forheteroscedastic financial time series: An extreme value approach[J]. Journal of Empirical Finance, 2000, 7(3): 271-300.

[34] Talpsepp T, Rieger M O. Explaining asymmetric volatility around the world[J]. Journal of Empirical Finance, 2010, 17(8): 938-956.

A VaR Moldel Based on Multifractal Asymmetry Measurement

WANG Peng1,2，YUAN Xiao-li3

(1.Institute of Chinese Financial Studies, Southwest University of Finance and Economics, Chengdu 610074, China;2.Collaborative Innovation Center of Financial Security, Chengdu 610074, China;3.School of Finance, Southwest University of Finance and Economics, Chengdu 611130, China)

For describing asymmetry of financial returns, the validity of traditional measurement, i.e., skewness coefficient, is heavily dependent on the assumption that the data is independently and normally distributed. However, actual data in financial markets often has non-independent and non-normal distribution. So a new measurement should be explored to fit stylized facts of actual financial data. After a preliminary exploration for a long time, fractal analysis are found to provide highly targeted solutions for many problems in traditional research about asymmetry of financial returns. By refining useful statistical information to describe the asymmetric features of financial assets’ yields during the process of multifractal analysis, a new asymmetry measurement (Δf) is constructed in this paper,whose theoretical properties is more excellent and are more suitable for typical statistical characteristics of actual financial data. Unconditional coverage test and conditional coverage test are used to compare the VaR computation accuracy differences for CSI 300 index between risk models augmented by the skewness coefficients and the Δfmeasurement. Empirical results show that the latter has higher VaR estimation accuracy. The new measurement which we present in this paper provides a more suitable tool for asymmetry testing to financial returns. Furthermore, this is a typical result of making use of statistical information embedded in the process of fractal analysis.

multifractal theory; asymmetry measurement; value at risk; backtesting analysis

2013-01-26；

2013-08-07

國家自然科學基金資助項目(71101119)；西南財經(jīng)大學和四川省教育廳創(chuàng)新團隊建設項目(JBK130401)

王鵬(1981-)，男(漢族)，山東寧陽人，西南財經(jīng)大學中國金融研究中心，博士，副教授，研究方向：金融工程與風險管理.

1003-207(2015)03-0013-11

10.16381/j.cnki.issn1003-207x.2015.03.002

F224；F830

A