馬 躍， 李金玉

（中國礦業(yè)大學(xué) 理學(xué)院，江蘇 徐州 221116）

0 引 言

VaR（Value at Risk）即風(fēng)險價值，目前作為很多金融機構(gòu)從事風(fēng)險管理的重要指標。金融資產(chǎn)往往具有波動聚集性，SV模型能很好地描述金融資產(chǎn)這一特征。近年來，很多學(xué)者對SV模型進行了研究，文獻［1］將SV模型用于VaR的計算并與GARCH 模型相比較；文獻［2］采用GARCH模型和SV模型對深圳股市進行了比較。結(jié)果表明，SV模型更能刻畫金融市場的實際特征，且基于SV模型計算的VaR精確度更高。另外，從計算VaR的方法來看，主要有歷史模擬法、分析法、Monte Carlo模擬法等。對于用Monte Carlo模擬法計算VaR已有很多文獻進行了研究，如文獻［3］的基于GARCH模型的風(fēng)險價值蒙特卡羅模擬等，實踐表明，用Monte Carlo模擬法計算VaR有許多優(yōu)點。

然而，就目前的文獻來看，將SV模型和計算VaR的Monte Carlo模擬法相結(jié)合的研究并不多；同時可以發(fā)現(xiàn)，在利用SV模型計算風(fēng)險價值時，人們往往側(cè)重于使用分析法［1－2］，而利用分析法計算VaR時，需要假定市場因子服從某種分布，這種假定會給VaR的計算帶來一定的誤差。而當使用Monte Carlo模擬法計算VaR時，則不需要假定市場因子的分布，這就在一定程度上減少了VaR的計算誤差。

因此，基于以上原因，本文試圖將SV模型與計算VaR的Monte Carlo模擬法相結(jié)合，并結(jié)合上證綜合指數(shù)的風(fēng)險價值進行實證分析。

1 VaR定義及Monte Carlo模擬法

VaR（Value at Risk）風(fēng)險價值也稱在險價值［4－5］，它描述了在一定的置信水平下，某一資產(chǎn)或投資組合在未來的一段時間內(nèi)可能遭受的最大損失，可表示為：

其中，Pr為概率測度；ΔP為資產(chǎn)或資產(chǎn)組合在未來持有期Δt內(nèi)的損失；α為顯著性水平。VaR主要計算方法中的 Monte Carlo模擬法［5－6］也叫隨機模擬法，是計算VaR的各種方法中較為有效的方法，其基本思路是通過反復(fù)大量地模擬金融變量的隨機過程，使模擬值包括大部分可能情況，這樣通過模擬就可以得到組合價值的近似分布，在此基礎(chǔ)上就可求出VaR。基于Monte Carlo方法計算VaR的具體步驟如下：

（1）選擇隨機模型。本文選擇幾何布朗運動（GBM），它是股票價格變化中最為常用的模型之一，假定資產(chǎn)價值的變化在時間上是不相關(guān)的，其離散形式可表示為：

其中，ΔSt＋1＝St＋1－St；St為t時刻的資產(chǎn)價格；μ為資產(chǎn)收益率的均值；σ為資產(chǎn)收益率的波動率；ε為隨機變量。

（2）隨機模擬價格走勢。定義t為當前時刻，T為目標時刻，利用t時刻對T時刻的價格進行模擬。為了模擬隨機變量S的價格走勢，記τ＝T－t是模擬的時間間隔，令Δt＝τ／n，從當前的價格St出發(fā)，按i＝1，2，…，n的順序，根據(jù)產(chǎn)生的隨機數(shù)εi再結(jié)合（2）式，利用遞推法就能模擬出隨機變量S 的未來價格走勢（St＋1，St＋2，…，St＋n）以及計算目標時刻T時的價格ST。

（3）估計VaR。多次重復(fù)步驟（2），重復(fù)次數(shù)k越多越接近真實分布，這樣就可以得到目標時刻T時的一系列資產(chǎn)的價格，在給定的置信水平c下，VaR即為在k次模擬結(jié)果中，將模擬價格按升序排列后第k（1－c）個模擬價格的損失。

2 Monte Carlo－SV－VaR 模型

SV模型即隨機波動率模型［7］，是由Taylor在1986年提出的，其模型表達式可以表示為：

其中，yt為消去均值后第t期的收益；θt為對數(shù)波動；｛εt｝、｛vt｝為相互獨立的；φ1為持續(xù)性參數(shù)。當｜φ1｜＜1時，上述SV模型是協(xié)方差平穩(wěn)的。因金融資產(chǎn)或投資組合的收益率往往存在波動率“聚集效應(yīng)”，大量的研究結(jié)果表明SV模型對收益率波動性的刻畫能力較強，故本文選擇SV模型對所選數(shù)據(jù)進行分析擬合。

假設(shè)當收益率分布服從正態(tài)分布時，可以推出VaR的計算公式［3］為：

其中，P0為資產(chǎn)初始時的價格；Zα為正態(tài)分布分位數(shù)；σt為條件方差。

結(jié)合SV模型和（5）式即可求出 VaR，將（3）～（5）式記為SV－VaR模型。

假設(shè)收益率分布服從正態(tài)分布往往具有局限性，會給VaR計算結(jié)果帶來一定的誤差，為了克服這種影響，引出 Monte Carlo－SV－VaR模型，其計算VaR步驟同一般的Monte Carlo計算VaR類似，改變之處在于利用SV模型將（2）式中的資產(chǎn)收益率的波動率σ轉(zhuǎn)化為條件標準差，具體形式如下：

然后利用Monte Carlo模擬法的步驟即可計算出VaR。

為了使計算出的VaR結(jié)果具有比較性，分別利用SV－VaR模型和 Monte Carlo－SV－VaR模型進行實證分析，并比較它們的精確度。

3 實證分析

3.1 模型建立

本文選取上證綜合指數(shù)為研究對象，選取數(shù)據(jù)分析的時間段為：2008年11月25日到2013年6月28日，觀測值個數(shù)為1112。本文主要利用的軟件有Eviews6.0、Matlab7.0 和 WINGBUGS14。

在對SV模型進行參數(shù)估計的過程中，采用基于貝葉斯的馬爾可夫鏈蒙特卡羅（MCMC）方法，在用MCMC方法估計參數(shù)時，使用文獻［7－8］所假設(shè)的先驗分布進行Gibbs抽樣，先對每個參數(shù)進行20000次迭代，進行退火，以保證參數(shù)的收斂性，然后舍棄原來的迭代再進行20000次的迭代，對模型進行模擬仿真。本文采用對數(shù)收益率作為股票的日收益率，其計算公式如下：

其中，St為當日指數(shù)收盤價；St－1為前一日指數(shù)收盤價。

模型建立前先對上證綜合指數(shù)進行統(tǒng)計分析，結(jié)果如圖1、圖2所示。

圖1 對數(shù)收益率的柱形統(tǒng)計圖

圖2 正態(tài)QQ圖

計算可知，對數(shù)收益率序列的JB統(tǒng)計量為222.6709，P值為0，偏度為－0.391753小于0，峰度為5.048485，結(jié)合圖1、圖2可判斷出上證綜合指數(shù)具有“左偏尖峰厚尾”特征，若用（5）式計算VaR則可能會帶來一定的誤差。

進一步繪出了上證綜合指數(shù)對數(shù)收益率的線性圖，如圖3所示。

圖3 上證綜合指數(shù)對數(shù)收益率

由圖3可以看出，上證綜合指數(shù)對數(shù)收益率存在明顯的波動率“聚集現(xiàn)象”，因此用SV模型可以刻畫上證綜合指數(shù)的收益率。使用WINBUGS14估計SV模型的結(jié)果如下：

由模型的估計結(jié)果可以看出，持續(xù)性參數(shù)φ1值接近于1，表明上證指數(shù)具有很強的波動持續(xù)性，且φ1值大于0.96，由此進一步說明上證綜合指數(shù)波動的聚集性，綜合分析可知上述模型對上證綜合指數(shù)具有很好的擬合效果。

3.2 SV－VaR模型計算結(jié)果及分析

本文選取的置信水平為95%，預(yù)測天數(shù)為510d。利用上述模型估計2011年5月20日的條件方差并結(jié)合（5）式求出在95%置信水平下的VaR值為28.98，同理可以求出直到2013年6月28日共510個交易日的VaR值，將VaR預(yù)測值（用SV－VaR代表）與真實損失（用SUNSHI代表）進行比較，結(jié)果如圖4所示。

圖4 用SV－VaR代表的VaR預(yù)測值與用SUNSHI代表的真實損失比較結(jié)果

進一步，可以確定VaR的失敗次數(shù)為N＝40，失敗率為7.8%，再利用文獻［5，9］提出的失敗頻率檢驗法的接受域，即概率水平p＝0.05時，失敗次數(shù)N的接受域（T＝510）為：

3.3 Monte Carlo－SV－VaR 模型計算結(jié)果及分析

將一天的持有期平均分為24個相等的時間段，Δt＝1／24，St代表初始時刻t的收盤價（這里從2011年5月19日開始），然后模擬下一時刻的收盤價，從而計算出VaR值，具體步驟如下：

（1）估計均值和條件標準差。使用2008年11月25日到2011年5月19日這602d的上證綜合指數(shù)估計其均值μ，利用估計出來的SV模型估計2011年5月20日的條件標準差

（2）產(chǎn)生隨機數(shù)。利用Matlab7.0產(chǎn)生24個服從標準正態(tài)分布的隨機數(shù)ε1，ε2，…，ε24。

（3）模擬價格變化的可能路徑。將步驟（1）、步驟（2）得到的均值μ、條件標準差和Δt代入（6）式，遞推可以得到St＋1，St＋2，…，St＋24為收盤價格變化的一條可能路徑，ST＝St＋24為2011年5月20日的一個可能的收盤價格。

（4）計算 VaR 值。重復(fù)步驟（2）、步驟（3）10000次，得到上證綜合指數(shù)10000個可能的收盤價格。對按升序排列，找到下方5%的分位數(shù)，則可以計算出95%的置信水平下的可得出2011年5月20日上證綜合指數(shù)置信水平為95%下的VaR為46.3。

同理利用Monte Carlo模擬法可以模擬出2011年5月20日到2013年6月28日上證綜合指數(shù)連續(xù)510個交易日的VaR值。將VaR預(yù)測值（用MC－SV－VaR代表）與真實損失（用SUNSHI代表）進行比較，結(jié)果如圖5所示。

圖5 用MC－SV－VaR代表的VaR預(yù)測值與用SUNSHI代表的真實損失比較

同樣，可以確定VaR的失敗次數(shù)N＝26，當T＝510，在95%置信水平下，失敗次數(shù)N在區(qū)間（16，36）內(nèi)，且失敗率為0.05098，約為0.05，從而表明Monte Carlo－SV－VaR模型對上證綜合指數(shù)VaR的預(yù)測效果非常理想。

4 結(jié)束語

本文利用SV模型對上證綜合指數(shù)進行擬合，分別采用SV－VaR 模型和 Monte Carlo－SVVaR模型對風(fēng)險價值進行預(yù)測，結(jié)果表明SVVaR模型計算的VaR值過于保守，低估了損失發(fā)生的概率，這可能是因為結(jié)合（5）式計算VaR值時需要假設(shè)收益率服從正態(tài)分布，而對數(shù)據(jù)進行統(tǒng)計分析時發(fā)現(xiàn)上證綜合指數(shù)收益率具有“尖峰厚尾”特征，若用（5）式計算VaR值勢必對VaR計算結(jié)果產(chǎn)生一定的誤差；而利用Monte Carlo－SV－VaR模型計算VaR值時無需假設(shè)收益率服從何種分布，而是通過Monte Carlo模擬法模擬資產(chǎn)的近似真實分布，這種方法適用于任何分布的VaR值計算，且計算結(jié)果較為準確。本文利用Monte Carlo－SV－VaR模型計算VaR值的失敗率為0.05098，接近于0.05，且失敗次數(shù) N＝26在Kupiec失敗頻率檢驗法的置信水平為95%、T＝510d的非拒絕域（16，36）之內(nèi)，這表明利用Monte Carlo－SV－VaR模型計算上證綜合指數(shù)VaR值的準確性較高，且與文獻［1］的基于GARCH模型和SV模型的VaR比較，文中利用分析法得到的VaR值的失敗率更加接近0.05，因此在收益率分布不確定的情況下，利用Monte Carlo－SV－VaR模型計算VaR值的精確度較高。當然也可以利用Monte Carlo－SV－VaR模型對匯率、原油價格等的VaR值進行計算，進一步確定其適用范圍。

［1］余素紅，張世英，宋 軍.基于GARCH模型和SV模型的VaR比較［J］.管理科學(xué)學(xué)報，2004，7（5）：61－66.

［2］王宇新.GARCH模型和SV模型對深圳股市的比較［J］.合肥工業(yè)大學(xué)學(xué)報：自然科學(xué)版，2007，30（6）：743－745.

［3］陳 磊，任若恩，張金寶.基于GARCH模型的風(fēng)險價值蒙特卡羅模擬［J］.系統(tǒng)工程，2006，24（7）：57－61.

［4］Jorion P.Risk：measuring the risk in value at risk［J］.Financial Analysts Journal，1996，52（6）：47－56.

［5］菲利普·喬瑞.風(fēng)險價值VAR［M］.張海魚，譯.北京：中信出版社，2010：105－350.

［6］郭 繁.基于蒙特卡羅模擬法的風(fēng)險價值（VaR）及其在中國股票市場中的應(yīng)用［D］.山東：山東大學(xué)，2006.

［7］朱慧明，林 靜.貝葉斯計量經(jīng)濟模型［M］.北京：科學(xué)出版社，2009：153－157.

［8］Meyer R，Yu J.BUGS for a Bayesian analysis of stochastic volatility Models［J］.The Econometrics Journal，2000，3：198－215.

［9］Kupiec P H.Techniques for verifying the accuracy of risk measurement models［J］.The Journal of Derivatives，1995，3：73－84.