【摘要】隨著資本全球化的發(fā)展，國際金融市場的聯(lián)系也越來越密切，隨之而來的便是金融風險也越來越受到人們的關(guān)注。在刻畫金融資產(chǎn)價格波動率方面，高頻數(shù)據(jù)有著低頻數(shù)據(jù)無法比擬的信息優(yōu)勢，能夠更準確的刻畫出金融市場上波動率的相關(guān)特征，從而對具有金融風險有更準確的度量。在眾多模型中，VAR模型作為一種廣為應(yīng)用的度量模型，在金融風險度量中起到非常重要的作用，也是本篇論文使用和探討的度量方法。在介紹VaR模型的基礎(chǔ)上，本文將其應(yīng)用于股票實數(shù)的實證研究中。

【關(guān)鍵詞】金融風險 高頻數(shù)據(jù) VAR模型 實證分析

一、引言

隨著經(jīng)濟全球化、金融一體化聯(lián)系逐漸加強，國際金融市場對我國的金融市場的影響也在逐步加強，我國的金融市場發(fā)生了根本性變化。Andersen和Bollerslev對金融高頻數(shù)據(jù)的研究起到了先導性作用，根據(jù)數(shù)據(jù)特征他們提出了“已實現(xiàn)”波動率[1][2]。來升強[3]等針對粗集分類方法因離散化而損失數(shù)值型變量提供的高質(zhì)量信息，提出一種基于Bayes概率邊界域的粗集分類方法，能夠直接處理數(shù)值型數(shù)據(jù)，并將研究成果應(yīng)用到高頻數(shù)據(jù)方面，通過統(tǒng)計圖表的方式方便直觀的讓人了解，并沒有正面討論高頻數(shù)據(jù)。徐國祥等[4]通過衡量殘差密度函數(shù)的參數(shù)和非參數(shù)估計值之間的緊密程度介紹了ACD模型，給出了ACD擴展模型，對采用更好的模型進行高頻數(shù)據(jù)的研究工作提供了幫助。唐勇等[5]基于日內(nèi)波動特征，給出考了“日歷效應(yīng)”的加權(quán)已實現(xiàn)極差波動，并說明了已實現(xiàn)極差波動知識加權(quán)已實現(xiàn)極差波動的特例，對于金融資產(chǎn)定價、投資組合、風險管理有著重要意義。韓冬等[6]研究了流動性的“周內(nèi)效應(yīng)”和“日內(nèi)效應(yīng)”后發(fā)現(xiàn)，當控制波動性、交易量和股價等對流動性有重要影響的變量時，效應(yīng)依然存在，在此基礎(chǔ)上，深入分析造成這一現(xiàn)象的原因，并且提出了相應(yīng)的政策建議。對于股票指數(shù)中的主流品種，如何有效利用股票指數(shù)來度量金融市場的金融風險顯得尤為重要，是擺在眾多學者面前的一道巨大難題。本文從高頻數(shù)據(jù)的角度出發(fā)，對股票指數(shù)進行深入研究，對金融風險的研究和管控有著重要的意義。

二、模型簡介

VaR是指在一定的市場條件、置信水平及持有期下，某一金融資產(chǎn)或者投資組合可能發(fā)生的最大損失，VaR為：

其中：α為置信水平，t為持有期，rt為可能的損失

則，資產(chǎn)的收益和損失為分布函數(shù)F：

其中：F-1為分布函數(shù)的反函數(shù)，α一般取0.05或0.01

在市場條件Xt下，資產(chǎn)或者資產(chǎn)組合Yt的風險價值就是條件VaR。在時間段[t，t+h]中，對數(shù)收益率為：

由此可見，要想得出條件VaR實際就是確定條件分為點的值。

三、實證過程

（一）數(shù)據(jù)來源

本文選取滬深300指數(shù)為研究樣本，樣本選取的區(qū)間2016年3月8號至2016年3月16號，為1分鐘采樣的高頻數(shù)據(jù)，共1677個，數(shù)據(jù)來源于“WIND資訊”。

（二）收益率的平穩(wěn)性檢驗

用Eviews做出收盤價價格走勢圖（圖4.1）：

從價格走勢圖我們可以看到收盤價的價格起伏還是表較大的，單純比較價格變化情況無法與前1分鐘的價格相聯(lián)系，孤立的存在，也不能得出有效結(jié)論。需引進一個更加合適的變量來反映各個價格之間的聯(lián)系和變動情況，因此，引進“收益率”這一指標。

收益率公式：

進行ADF檢驗，得出該序列在99%置信水平下該序列是平穩(wěn)序列。

（三）收益率期望值為0檢驗

由于樣本數(shù)據(jù)是高頻數(shù)據(jù)，時間間隔短，對于收益率r（t）的期望值應(yīng)近似為0。即：

Er（t）=μ=0

因此，可以設(shè)原假設(shè)H0：μ=0，則備擇假設(shè)H1：μ≠0。

在H0為真下，采用T檢驗（μ=0），取檢驗統(tǒng)計量為：

則拒絕域為

下面以每一天的數(shù)據(jù)為基礎(chǔ)，通過計算檢驗統(tǒng)計量的值來判斷每一天收益率期望值收益率是否為0。

當α為0.05時，結(jié)果如下：

從表4.2中我們看出，在0.05的置信水平下，表中p值都大于α，即：不應(yīng)拒絕原假設(shè)，認為μ=0成立。也就是說，每一天的收益率的期望值都為0，與我們前面所說的結(jié)論相符。

（四）VaR值與α值的對應(yīng)

根據(jù)公式：

rt≤VaR的概率為1-α，則rt>VaR的概率就為α，這樣就建立起VaR值與α值之間的一個對應(yīng)關(guān)系，而在概率論與數(shù)理統(tǒng)計中，假設(shè)事件A出現(xiàn)的次數(shù)為n，總的事件次數(shù)為N，則將的比值作為事件A發(fā)生的概率。如果將rt>VaR看做事件A，自己設(shè)定一個VaR值，通過前面計算得出的收益率的值，能夠方便的計算出事件A發(fā)生的概率，也就是說VaR值與α值的對應(yīng)關(guān)系也就找到了。

下面是對應(yīng)關(guān)系表（N=1677）：

通過圖4.4，我們也清楚的看到VaR值和α值之間的對應(yīng)關(guān)系，VaR值越大對應(yīng)的α值越小。

四、總結(jié)

我國金融市場迅猛發(fā)展，資產(chǎn)面臨的風險日趨復雜。采集金融高頻數(shù)據(jù)對金融市場微觀結(jié)構(gòu)進行分析，有利于了解資產(chǎn)波動。本文所做工作主要有：第一，相關(guān)理論知識介紹。如VaR模型理論知識。第二，實證分析。以滬深300指數(shù)為基礎(chǔ)，采用VaR模型對數(shù)據(jù)進行穩(wěn)定性分析，最后給出VaR值和α值之間的對應(yīng)關(guān)系。

在正常市場條件下，基于高頻數(shù)據(jù)的VaR，金融風險的度量具有充分的綜合性以及有效性，成為大部分投資者及金融機構(gòu)首選的風險度量方法。但是風險價VaR值是非一致性風險度量模型，本身存在一個不可忽略的缺點，當市場上出現(xiàn)極端事件時，模型想有效性就大打折扣，失去其有效性和實用性。對于風險度量VaR模型進行改進，提高風險預測效果，可以做更深層次的研究。

參考文獻

[1]Andersen T.G，Tim Bollerslev，F(xiàn).X.Dieblod，et.al.Exchanhe rate Standardized by Realized volatility are（nearly） Gaussian[J].Multinational Finance Journal，2000，4：159-179.

[2]Andersen T.G，Tim Bollerslev，F(xiàn).X.Dieblod，et.al.The Distribution of realized Exchanhe rate volatility[J].Journal of the American Statistical Association，2001，96：42-55.

[3]來升強，謝邦昌，朱建平.基于Bayes概率邊界域的粗集分類方法及其在高頻數(shù)據(jù)中的應(yīng)用[J].統(tǒng)計研究，2010，03：76-82.

[4]徐國祥，金登貴.基于金融高頻數(shù)據(jù)的ACD模型非參數(shù)設(shè)定檢驗[J].統(tǒng)計研究，2007，04：15-18.

[5]唐勇，張世英.高頻數(shù)據(jù)的加權(quán)已實現(xiàn)極差波動及其實證分析[J].系統(tǒng)工程，2006，08：52-57.

[6]韓冬，王春峰，岳慧煜.流動性的“周內(nèi)效應(yīng)”和“日內(nèi)效應(yīng)”——基于指令驅(qū)動市場的實證研究[J].北京航空航天大學學報（社會科學版），2006，02：5-8.

[7]杜玉.基于高頻數(shù)據(jù)的VaR金融風險度量的研究[D].武漢理工大學，2013.

作者簡介：岳貞貞（1994-），女，山東威海人，山東科技大學碩士研究生，統(tǒng)計學專業(yè)。endprint