李維

摘 要：利率市場(chǎng)化背景下，利率風(fēng)險(xiǎn)已成為商業(yè)銀行所面臨的最主要風(fēng)險(xiǎn)。當(dāng)下商業(yè)銀行風(fēng)險(xiǎn)計(jì)量大多采用VaR模型，雖然計(jì)量結(jié)果比以往靠定性分析和簡(jiǎn)單的風(fēng)險(xiǎn)度量技術(shù)更具客觀(guān)性，但金融時(shí)間序列大多有較強(qiáng)的波動(dòng)性，不服從正態(tài)分布，與VaR模型的假設(shè)條件相違背。GARCH（廣義自回歸條件異方差）模型能有效地刻畫(huà)金融時(shí)間序列的波動(dòng)性和聚集效應(yīng)，可提高風(fēng)險(xiǎn)計(jì)量的準(zhǔn)確度，風(fēng)險(xiǎn)管理更加高效。在股份制商業(yè)銀行中，招商銀行無(wú)論是從盈利模式、資產(chǎn)結(jié)構(gòu)，還是風(fēng)險(xiǎn)管理水平，都具有一定的代表性，以其作為樣本分析具有普適性。

關(guān)鍵詞：利率風(fēng)險(xiǎn)管理 ARCH效應(yīng) VaR值 GARCH模型

中圖分類(lèi)號(hào)：F830 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-0298（2017）01（b）-146-03

1 引言

常用的利率缺口管理模型只是粗略地估計(jì)銀行的重新定價(jià)風(fēng)險(xiǎn)，存在事后度量誤差，且沒(méi)有將貨幣的時(shí)間價(jià)值納入考慮；當(dāng)下商業(yè)銀行風(fēng)險(xiǎn)計(jì)量大多采用VaR模型，雖然計(jì)量結(jié)果比以往靠定性分析和簡(jiǎn)單的風(fēng)險(xiǎn)度量技術(shù)更具客觀(guān)性，但金融時(shí)間序列大多有較強(qiáng)的波動(dòng)性，不服從正態(tài)分布，這與VaR模型的假設(shè)條件想違背，因此采用GARCH（廣義自回歸條件異方差）模型刻畫(huà)金融時(shí)間序列的波動(dòng)性和聚集效應(yīng)，可提高模型的準(zhǔn)確度。

在西方學(xué)者中，Dvaid[1]最早使用ARCH模型計(jì)算出VaR值，發(fā)現(xiàn)并指出ARCH模型是計(jì)算收益率波動(dòng)的最佳模型；國(guó)內(nèi)學(xué)者鄒建軍、張宗益和秦拯[2]在研究VaR模型中的波動(dòng)率時(shí)，發(fā)現(xiàn)上海股市的日收益率具有ARCH效應(yīng)，GARCH比移動(dòng)平均法和RiskMetrics更能準(zhǔn)確地反應(yīng)風(fēng)險(xiǎn)。在分析利率的波動(dòng)性時(shí)，采用AR（2）-GARCH（1.1）模型，較AR（1）模型有一定的創(chuàng)新和提升，特別是在較長(zhǎng)時(shí)間序列和相對(duì)波動(dòng)率處于較高水平時(shí)，能提高VaR模型風(fēng)險(xiǎn)計(jì)量的準(zhǔn)確度，更加適合于商業(yè)銀行高效地進(jìn)行風(fēng)險(xiǎn)管理。

2 VaR模型

2.1 VaR模型

VaR是指在一定的持有期內(nèi)，資產(chǎn)或者投資組合在給定的置信水平下可能面臨的最大損失，或者說(shuō)，資產(chǎn)或投資組合損失值為 VaR值的概率僅為給定的置信水平。其數(shù)學(xué)表達(dá)式為：

3 實(shí)證分析

3.1 數(shù)據(jù)的選取及分析

本文選取2012年1月4日到2014年12月31日的上海同業(yè)拆借利率的隔夜利率，數(shù)據(jù)來(lái)源于SHIBOR網(wǎng)站，樣本總量749個(gè)。首先將SHIBOR利率進(jìn)行對(duì)數(shù)處理，計(jì)算對(duì)數(shù)值LR=log（rate），然后用Eviews8.0對(duì)樣本進(jìn)行數(shù)據(jù)分析。具體的數(shù)據(jù)分析結(jié)果如表1、表2、表3、表4所示。

ADF值的絕對(duì)值為5.991012，t統(tǒng)計(jì)量大于1%、5%、10%置信水平下臨界值的絕對(duì)值，隨后的P值為零，因此，拒絕原假設(shè)，所以處理后的時(shí)間序列不存在單位根，原時(shí)間序列也不存在單位根，可以認(rèn)為時(shí)間序列是平穩(wěn)的，可以進(jìn)行下一步——正態(tài)性檢驗(yàn)。

從檢驗(yàn)結(jié)果可以看到，經(jīng)過(guò)對(duì)數(shù)處理之后的時(shí)間序列LR的偏度系數(shù)為1.104744，說(shuō)明分布曲線(xiàn)左側(cè)拖著較正態(tài)分布更長(zhǎng)的尾巴；峰度系數(shù)為6.072358，說(shuō)明分布曲線(xiàn)尾部較正態(tài)分布更厚，且JB統(tǒng)計(jì)量的值較大，JB統(tǒng)計(jì)量對(duì)應(yīng)的概率為零，因此，不接受LR序列符合正態(tài)分布的假設(shè)。

由前文可知，金融資產(chǎn)收益率時(shí)間序列不服從正態(tài)，具有尖峰厚尾的特征，其波動(dòng)也具有條件異方差特性。也就是說(shuō)金融時(shí)間序列的方差在統(tǒng)計(jì)期內(nèi)不會(huì)保持不變，而且波動(dòng)性會(huì)受到前期波動(dòng)的影響。本文采用AR（2）模型進(jìn)行異方差效應(yīng)分析，是由于時(shí)間序列在自相關(guān)檢驗(yàn)中，滯后二期的偏自相關(guān)系數(shù)均超過(guò)0.05。現(xiàn)檢驗(yàn)AR（2）模型的有效應(yīng)并使用ARCH-LM檢驗(yàn)對(duì)均值方程擬合的殘差進(jìn)行10階滯后的自相關(guān)檢驗(yàn)。

檢驗(yàn)結(jié)果可見(jiàn)各系數(shù)的t統(tǒng)計(jì)量值均明顯不為零，Std.Error值很小，P值均為零，因此拒絕系數(shù)為零的假設(shè)，且系數(shù)的估計(jì)可信度較高?？梢哉J(rèn)為均值方程自回歸擬合程度非常高，AR（2）模型有效。其中F統(tǒng)計(jì)量為2920.326，P=0.000000，說(shuō)明模型顯著，可以對(duì)殘差進(jìn)行異方差檢驗(yàn)。

檢驗(yàn)結(jié)果可見(jiàn)，F(xiàn)-statistic=16.03546，P=0.0000，說(shuō)明滯后殘差的平方項(xiàng)是聯(lián)合顯著的。ARCH效應(yīng)對(duì)應(yīng)的統(tǒng)計(jì)量為133.3342，P=0.0000，說(shuō)明時(shí)間序列存在條件異方差現(xiàn)象，可以建立GARCH模型來(lái)分析。

3.2 建立GARCH模型求得VaR值

本研究使用GARCH（1，1）模型對(duì)利率的波動(dòng)性進(jìn)行分析，均值方程和方差方程設(shè)置如下：

在金融研究中，多為假設(shè)服從正態(tài)分布、t分布或者GED分布。綜合三種模型檢驗(yàn)分析的結(jié)果值，發(fā)現(xiàn)GED分布下的檢驗(yàn)效果最為顯著，對(duì)時(shí)間序列的模擬程度也最好。因此采用GED分布進(jìn)行殘差分析，該分布能根據(jù)不同的參數(shù)模擬出不同的分布現(xiàn)象，且當(dāng)形狀參數(shù)等于2時(shí)等同于正態(tài)分布。GED分布檢驗(yàn)結(jié)果如表5所示。

由表5可以看出，均值方程中滯后項(xiàng)的相伴概率為零。殘差、ARCH項(xiàng)、GARCH項(xiàng)的相伴概率均為零，低于0.05的置信水平，說(shuō)明方差方程是顯著的。

檢驗(yàn)?zāi)Ｐ褪欠裣藭r(shí)間序列中的ARCH效應(yīng)，由表6可知，F(xiàn)統(tǒng)計(jì)量以及滯后項(xiàng)的P值顯著大于0.05的置信水平，即ARCH效應(yīng)在殘差正態(tài)分布的GARCH（1，1）模型中已消除。

4 結(jié)語(yǔ)

本文利用AR（2）-GARCH模型分析處理上海同業(yè)隔夜拆借數(shù)據(jù)，并求得招商銀行2014年3個(gè)月期利率敏感性負(fù)缺口的在險(xiǎn)價(jià)值VaR，得到以下結(jié)論。

上海同業(yè)隔夜拆借利率時(shí)間序列大致平穩(wěn)，但不服從正態(tài)分布，且存在自相關(guān)效應(yīng)，因此不可以直接運(yùn)用VaR模型計(jì)算利率風(fēng)險(xiǎn)值。

時(shí)間序列的殘差存在聚集波動(dòng)效應(yīng)，且滯后二期的偏自相關(guān)系數(shù)均超過(guò)0.5，因此用AR（2）模型進(jìn)行異方差效應(yīng)分析更有效，結(jié)果證明時(shí)間序列存在異方差效應(yīng)。

建立GARCH模型，得到殘差基于GED分布的GARCH（1，1）模型，驗(yàn)證的模型消除了時(shí)間序列的ARCH效應(yīng)，模型選擇正確。得到條件標(biāo)準(zhǔn)差序列后求得招商銀行的3個(gè)月期利率風(fēng)險(xiǎn)值，短期利率風(fēng)險(xiǎn)值偏大。

實(shí)證結(jié)果證明招商銀行存在較高的利率風(fēng)險(xiǎn)，因此股份制商業(yè)銀行應(yīng)重點(diǎn)關(guān)注利率市場(chǎng)化進(jìn)程中存在的利率風(fēng)險(xiǎn)，從技術(shù)、管理模式、管理理念等方面提升利率風(fēng)險(xiǎn)管理能力，繼續(xù)加大對(duì)利率風(fēng)險(xiǎn)的主動(dòng)管理力度，減少利率風(fēng)險(xiǎn)對(duì)凈利息收入的沖擊。其一，應(yīng)加大金融衍生產(chǎn)品和中間業(yè)務(wù)的創(chuàng)新力度，提升非利息收入所占比例，擴(kuò)大資產(chǎn)配置的視角和金融服務(wù)的范圍，大力發(fā)展投資銀行等非信貸業(yè)務(wù)、交易金融、財(cái)富管理等業(yè)務(wù)，優(yōu)化盈利結(jié)構(gòu)模式平滑銀行利潤(rùn)波動(dòng)。其二，完善風(fēng)險(xiǎn)評(píng)估體系，建立高效的利率風(fēng)險(xiǎn)管理機(jī)制。運(yùn)用VaR模型、久期缺口分析模型、敏感性缺口分析模型等利率風(fēng)險(xiǎn)管理方法對(duì)銀行的資產(chǎn)負(fù)債結(jié)構(gòu)、財(cái)務(wù)狀況實(shí)時(shí)監(jiān)測(cè)，考察投資組合的規(guī)模、收益率和久期值，重點(diǎn)關(guān)注不良貸款的比例的變化以及負(fù)債業(yè)務(wù)中同業(yè)拆借、短期存款、發(fā)行債券等在總負(fù)債中所占比重的變化。其三，提高利率風(fēng)險(xiǎn)管理意識(shí)，注重人才培養(yǎng)。提高利率風(fēng)險(xiǎn)意識(shí)能改變被動(dòng)管理風(fēng)險(xiǎn)的現(xiàn)狀，銀行應(yīng)當(dāng)主動(dòng)進(jìn)行利率風(fēng)險(xiǎn)管理，并且處理好風(fēng)險(xiǎn)和發(fā)展的關(guān)系，不能一味地尋求高速發(fā)展而缺乏有效的風(fēng)險(xiǎn)管理。20世紀(jì)90年代爆發(fā)的金融危機(jī)已經(jīng)給了我們血淋淋的案例，美國(guó)雷曼兄弟等國(guó)際大銀行的破產(chǎn)就應(yīng)該給予我們深刻警示，科學(xué)的發(fā)展觀(guān)應(yīng)當(dāng)通過(guò)有效地管理風(fēng)險(xiǎn)來(lái)創(chuàng)造價(jià)值。從實(shí)踐經(jīng)驗(yàn)來(lái)看，將風(fēng)險(xiǎn)、產(chǎn)品、市場(chǎng)三者結(jié)合起來(lái)，風(fēng)險(xiǎn)研究、產(chǎn)品營(yíng)銷(xiāo)和市場(chǎng)走向經(jīng)常保持有效地溝通，是筑建銀行最有效防線(xiàn)的可靠保證。

參考文獻(xiàn)

[1] Semper J D C，Clemente I M.Value at risk calculation through ARCH factor methodology：Proposal and comparative analysis[J].Euro of Oper Res，2003（03）.

[2] 鄒建軍，張宗益，秦拯.GARCH在計(jì)算我國(guó)股市風(fēng)險(xiǎn)價(jià)值的應(yīng)用研究[J].系統(tǒng)工程理論與實(shí)踐，2003（05）.

[3] 徐煒.GARCH模型與VaR的度量研究[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2008（01）.

[4] 陶偉.基于GARCH族模型的VaR與CVaR值的實(shí)證與應(yīng)用[J].統(tǒng)計(jì)與決策，2012（09）.