翟曉婧

摘要：本文在研究動態(tài)條件得分模型（DCS）的基礎上，通過構(gòu)建風險測度模型對我國股市的風險進行了度量。

關(guān)鍵詞：動態(tài)條件得分模型 DCS t分布 VaR ES MCS

（二）模型參數(shù)估計

可以發(fā)現(xiàn)，上證綜指沒有表現(xiàn)出明顯的杠桿性，而深證成指則表現(xiàn)出了在5%顯著性水平上的杠桿性，說明對深證成指來說，壞消息的沖擊增加了其波動性 。再者，盡管估計兩個指數(shù)得到的y值都大于0，但是由于估計上證綜指得到的 值小于估計深證成指得到的y值，所以壞消息對深市波動的沖擊要明顯強于對滬市波動的沖擊。這可能有以下幾個方面的原因：第一，從上市公司結(jié)構(gòu)來看，深市不僅包括主板上市公司，也包括中小板和創(chuàng)業(yè)板的上市公司，中小板和創(chuàng)業(yè)板上市的公司規(guī)模相對較小且多處于發(fā)展階段，當外部環(huán)境惡化時更易受到?jīng)_擊，業(yè)績穩(wěn)定性差，而業(yè)績不穩(wěn)定的屬性進一步影響了股市的波動性。第二，從投資者結(jié)構(gòu)來看，相比滬市而言，在深市參與投機的散戶占的比重可能更大，當壞消息出現(xiàn)時更易形成拋售的羊群效應，從而加大了深市的波動。

（三）在險價值VaR的后驗測試和MCS檢驗

我們將檢驗區(qū)間設定為最后1000個數(shù)據(jù)，通過Kupiec的失敗率檢驗法、Christoffersen的獨立性檢驗和條件覆蓋檢驗、Hansen等提出的動態(tài)分位數(shù)檢驗（DQ test），對6個模型在置信水平為95%和99%時的表現(xiàn)進行檢驗，可以得到它們估計上證綜指和深證成指樣本外VaR的效果。

通過MCS檢驗發(fā)現(xiàn)，當α=0.10時，本文所涉及的模型在測度兩個指數(shù)VaR的績效上具有等效性。因此可以說，在度量兩個指數(shù)的VaR上，不僅t分布DCS模型與t分布GARCH模型相比具有等效性，而且無論是DCS模型還是GARCH模型，非對稱性的加入并不會明顯改變模型對VaR的預測績效。通過研究損失函數(shù)（Loss列）的排序可以給我們在選擇風險度量模型上提供參考，無論使用的置信水平為95%還是99%，在度量上證綜指、深證成指VaR時，分別選擇AR（1）-LGARCH （1，1）-t模型和AR（1）-LDCS（1，1）-t模型可以得到較高的預測績效。

四、研究結(jié)論

動態(tài)條件得分模型（DCS）是新提出的一類很有發(fā)展空間和研究價值的模型。本文分別以t分布DCS模型的兩種形式和t分布非對稱DCS模型的兩種形式作為條件方差方程，結(jié)合AR（1）結(jié)構(gòu)的條件均值方程構(gòu)建了樣本外風險測度模型：AR（1）-DCS（1，1）-t模型、AR（1）-EDCS（1，1）-t、AR（1）-LDCS（1，1）-t模型和AR（1）- LEDCS（1，1）-t模型。同時以具有相似結(jié)構(gòu)的AR（1）-GARCH（1，1）-t模型和AR（1）-LGARCH （1，1）-t模型為參照，對它們在測度上證綜指和深證成指VaR和ES上的效果進行了對比研究。

綜上所述，本文通過比較分析t分布下的動態(tài)得分模型（DCS）和GARCH模型在預測VaR和ES上的效果，發(fā)現(xiàn)動態(tài)得分模型（DCS）同GARCH模型一樣可以有效地預測VaR和ES，而且它們在預測VaR的績效上具有等效性，從而在一定程度上佐證了動態(tài)得分模型（DCS）在金融風險度量領(lǐng)域具有較高的應用價值。動態(tài)得分模型（DCS）的提出和發(fā)展為金融風險管理者進行有效的風險度量提供了更多可行的工具。

（作者單位：南昌大學前湖學院）