謝赤 胡揚(yáng)斌 龍劍友

摘要：運(yùn)用VaR模型和KMV模型分別度量證券投資基金的市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)，并基于面板向量自回歸模型（PVAR）考量?jī)烧咧g的相互作用關(guān)系。結(jié)果表明：基金投資同時(shí)存在市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)，且它們互為Granger原因。同時(shí)，信用風(fēng)險(xiǎn)顯著受前一期市場(chǎng)風(fēng)險(xiǎn)的正向影響，而市場(chǎng)風(fēng)險(xiǎn)顯著受前一期信用風(fēng)險(xiǎn)的負(fù)向影響。因此，在衡量基金投資的總風(fēng)險(xiǎn)時(shí)，必須充分考慮其市場(chǎng)風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)之間的耦合關(guān)系。

關(guān)鍵詞：證券投資基金;市場(chǎng)風(fēng)險(xiǎn);信用風(fēng)險(xiǎn);PVAR模型

中圖分類號(hào)：F832. 48

文獻(xiàn)標(biāo)識(shí)碼： A

文章編號(hào)：1003-7217（ 2019） 03-0052-07

一、引言

隨著中國證券投資基金市場(chǎng)的不斷發(fā)展，開放式基金規(guī)模快速增長(zhǎng)，一批又一批的基金管理公司相繼成立并陸續(xù)推出新的產(chǎn)品，它們憑借著一定收益下的低風(fēng)險(xiǎn)性受到越來越多投資者的青睞。作為目前資本市場(chǎng)中最重要的投資產(chǎn)品之一，證券投資基金價(jià)格波動(dòng)所伴隨的風(fēng)險(xiǎn)無疑是不可忽視的，更加準(zhǔn)確有效地把握基金的風(fēng)險(xiǎn)對(duì)維護(hù)證券市場(chǎng)的穩(wěn)定至關(guān)重要。

已有關(guān)于基金投資風(fēng)險(xiǎn)的研究更多關(guān)注是其市場(chǎng)風(fēng)險(xiǎn)。楊湘豫和李強(qiáng)采用時(shí)變Copula模型，有效度量了開放式基金投資組合的市場(chǎng)風(fēng)險(xiǎn)[1]。黃崇珍和曹奇實(shí)證后發(fā)現(xiàn)，GARCH-M模型可以較好地?cái)M合基金行為并有效度量其風(fēng)險(xiǎn)[2]。魯皓和周志凱利用GARCH-GED模型度量了10只開放式基金的市場(chǎng)風(fēng)險(xiǎn)[3]。但隨著對(duì)基金風(fēng)險(xiǎn)研究的不斷深入，學(xué)者們發(fā)現(xiàn)，除了市場(chǎng)風(fēng)險(xiǎn)，信用風(fēng)險(xiǎn)對(duì)基金投資的影響也必須受到關(guān)注。理論上，金融市場(chǎng)中的各種風(fēng)險(xiǎn)是相互影響、密切關(guān)聯(lián)的，市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)的變化都會(huì)造成資產(chǎn)價(jià)格的變化，同時(shí)資產(chǎn)本身價(jià)值的變化也會(huì)導(dǎo)致市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)的變化。陳榮達(dá)和陸金榮在綜合考慮市場(chǎng)風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)和兩類風(fēng)險(xiǎn)間相關(guān)性的基礎(chǔ)上建立綜合風(fēng)險(xiǎn)VaR模型，比較分析了風(fēng)險(xiǎn)綜合VaR值與獨(dú)立度量利率風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)的VaR值，結(jié)果表明市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)都不可忽視[4]。汪冬華、黃康和龔樸發(fā)現(xiàn)，只考慮市場(chǎng)風(fēng)險(xiǎn)會(huì)低估整體風(fēng)險(xiǎn)，信用風(fēng)險(xiǎn)與市場(chǎng)風(fēng)險(xiǎn)之間存在較強(qiáng)的交叉作用[5]。Bo和Capponi通過建立風(fēng)險(xiǎn)依賴結(jié)構(gòu)模型，考察了證券市場(chǎng)中同時(shí)存在市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)的最優(yōu)投資問題[6]。Boris、Ivana和Anna證實(shí)，基于信用配置的資產(chǎn)組合的收益明顯高于基于市場(chǎng)大盤指數(shù)的收益，而且相應(yīng)的選股策略具有優(yōu)化效應(yīng)[7]。Jarrow和Turnbull指出，資產(chǎn)的市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)存在內(nèi)在聯(lián)系，是不可分離的。他們?cè)诩s化方法的基礎(chǔ)上將市場(chǎng)風(fēng)險(xiǎn)融人信用風(fēng)險(xiǎn)，實(shí)證探討了債券的綜合風(fēng)險(xiǎn)[8]。歐陽資生、劉遠(yuǎn)和羅長(zhǎng)青以企業(yè)債券數(shù)據(jù)為研究對(duì)象，發(fā)現(xiàn)其市場(chǎng)風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)間存在正相關(guān)關(guān)系[9]。因此需要從風(fēng)險(xiǎn)耦合的視角綜合考量基金風(fēng)險(xiǎn)，即基金市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)彼此作用后形成的復(fù)合風(fēng)險(xiǎn)。

通常而言，基金所面臨的市場(chǎng)風(fēng)險(xiǎn)較為復(fù)雜，政策環(huán)境、經(jīng)濟(jì)周期、利率調(diào)整等因素都會(huì)對(duì)基金運(yùn)作產(chǎn)生影響，引發(fā)市場(chǎng)風(fēng)險(xiǎn)。由J.P.摩根公司開發(fā)的VaR方法成為金融界度量市場(chǎng)風(fēng)險(xiǎn)的主流方法。VaR表示一定的置信水平下，資產(chǎn)在特定時(shí)期內(nèi)可能面臨的最大損失。目前使用最多的計(jì)算VaR的方法是歷史模擬法和Monte Carlo模擬法。歷史模擬法通常忽略金融序列的分布情況，根據(jù)歷史數(shù)據(jù)進(jìn)行VaR計(jì)算。而Monte Carlo模擬法是在已知分布假設(shè)的參數(shù)特征下，借助計(jì)算機(jī)模擬大量隨機(jī)情景，并據(jù)此產(chǎn)生資產(chǎn)組合的相關(guān)數(shù)據(jù)，進(jìn)而得到VaR值。 Wang、Song和Lin利用Monte Carlo模擬分別計(jì)算VaR和CVaR值，發(fā)現(xiàn)該方法對(duì)資產(chǎn)投資的風(fēng)險(xiǎn)度量是較為可靠的[10]。Grundke基于CreditMetrics模型，分別利用Monte Carlo模擬和Fourier-based方法綜合考慮市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)，計(jì)算發(fā)現(xiàn)Monte Carlo模擬法更具優(yōu)越性[11]。Ke—maloglu、Sibel和Emel通過Monte Carlo模擬方法基于CVaR模型對(duì)投資組合進(jìn)行了優(yōu)化[12]。Yu、Chiou和Yang通過計(jì)算證券投資的CVaR，探究了投資組合收益與風(fēng)險(xiǎn)之間的關(guān)系[13]。

所謂基金的信用風(fēng)險(xiǎn)，就是在交易過程中由于基金當(dāng)事人違約而造成資產(chǎn)損失的概率?？紤]到利用各相關(guān)證券的信用風(fēng)險(xiǎn)來綜合衡量基金的信用風(fēng)險(xiǎn)的難度較大，因此本文試圖通過更為簡(jiǎn)捷的辦法來反映基金信用風(fēng)險(xiǎn)，即認(rèn)為若基金能夠順利運(yùn)行則無信用風(fēng)險(xiǎn)，若基金存在違約情況則有信用風(fēng)險(xiǎn)。近年來，學(xué)者們基于不同模型對(duì)資產(chǎn)的信用風(fēng)險(xiǎn)進(jìn)行度量。王珂、孟海麗和楊全基于CreditMetrics模型刻畫信貸資產(chǎn)的遠(yuǎn)期價(jià)值，并度量了其在險(xiǎn)價(jià)值[14]。卞樂樂和侯為波基于Credit Risk+模型度量商業(yè)銀行貸款違約率，提高了準(zhǔn)確度[16]。蘇為華和郭遠(yuǎn)愛通過Credit Portfolio View模型對(duì)銀行的信用風(fēng)險(xiǎn)進(jìn)行宏觀壓力測(cè)試，發(fā)現(xiàn)銀行系統(tǒng)對(duì)風(fēng)險(xiǎn)的抵御能力較強(qiáng)[16]。曹勇、李孟剛和李剛等通過KMV模型計(jì)算銀行的違約概率，有助于其信貸的優(yōu)化配置[17]。謝遠(yuǎn)濤、羅潤(rùn)方和楊娟利用KMV模型度量了32家上市公司的信用風(fēng)險(xiǎn)[18]。通過比較可以發(fā)現(xiàn)，CreditMetrics模型在數(shù)據(jù)處理技術(shù)上還不成熟;Credit Risk+模型能有效提高資產(chǎn)評(píng)估的準(zhǔn)確性，但是其假定違約風(fēng)險(xiǎn)在計(jì)量期間是恒定的做法存在局限性;Credit Portfolio View模型對(duì)投資組合的信用風(fēng)險(xiǎn)度量具有一定優(yōu)勢(shì)，但其使用需要大量的歷史數(shù)據(jù)支持，考慮到基金違約數(shù)據(jù)難以獲取，采用其度量基金信用風(fēng)險(xiǎn)的可行性也較小;而KMV模型具有良好的預(yù)測(cè)性和時(shí)效性，能夠綜合覆蓋多方面的因素，通過準(zhǔn)確計(jì)算違約概率來反映信用風(fēng)險(xiǎn)，對(duì)資產(chǎn)信用的評(píng)估具有較高的靈活性。

通過對(duì)文獻(xiàn)的梳理不難發(fā)現(xiàn)，在考察基金投資風(fēng)險(xiǎn)時(shí)需要同時(shí)考慮市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)這兩個(gè)因素，但是關(guān)于這兩類風(fēng)險(xiǎn)之間關(guān)系的研究目前還較為少見。因此，本文擬以證券投資基金為研究對(duì)象，采用VaR方法和KMV模型分別度量基金的市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)，進(jìn)而探究它們之間是否存在內(nèi)在聯(lián)系，為科學(xué)地綜合管理基金風(fēng)險(xiǎn)提供理論依據(jù)。

二、基于Monte Carlo模擬的市場(chǎng)風(fēng)險(xiǎn)度量

（一）VaR模型構(gòu)建

眾所周知，VaR（Value at Risk）的定義是在一定的置信水平下資產(chǎn)的最大可能損失。其數(shù)學(xué)表達(dá)式為：

P（△P>VaR）一1-c

（1）

其中，P代表資產(chǎn)損失超過某個(gè)上限的概率，△P代表資產(chǎn)在一段時(shí)間內(nèi)的損失，VaR即為一定置信度下的風(fēng)險(xiǎn)價(jià)值，c表示某一置信度。

利用Monte Carlo模擬方法計(jì)算VaR，即根據(jù)資產(chǎn)的歷史數(shù)據(jù)來模擬其未來波動(dòng)的可能情況。采用幾何Brown運(yùn)動(dòng)反映基金變化的隨機(jī)模型，其離散形式的表達(dá)為：

其中，μ和σ分別是基金收益率序列的均值和標(biāo)準(zhǔn)差，ε表示服從t分布的隨機(jī)變量，St表示時(shí)刻t的基金凈值，St+1表示時(shí)刻t+1的基金凈值，△St+1表示時(shí)間段[t，t+1]內(nèi)基金凈值的變化量。

普通的Monte Carlo模擬法基于正態(tài)分布的假設(shè)，通過標(biāo)準(zhǔn)差來表示資產(chǎn)的波動(dòng)性。但是通過對(duì)金融市場(chǎng)的觀察發(fā)現(xiàn)，金融時(shí)間序列通常具有尖峰厚尾現(xiàn)象，因此正態(tài)分布的假設(shè)會(huì)使得在資產(chǎn)發(fā)生集聚性波動(dòng)時(shí)，對(duì)VaR的預(yù)測(cè)能力將下降。于是，有學(xué)者考慮將GARCH模型引入Monte Carlo模擬法中，假設(shè)資產(chǎn)收益的誤差項(xiàng)服從t分布，以此提高模型對(duì)具有尖峰厚尾現(xiàn)象的時(shí)間序列的描述能力。GARCH模型的一個(gè)局限是其對(duì)于正負(fù)沖擊做出的反應(yīng)是對(duì)稱的，但對(duì)于實(shí)際的金融時(shí)間序列而言，負(fù)的沖擊往往比相同程度正的沖擊引起的波動(dòng)更大，而Glosten和Zakoian提出TGARCH模型能很好地解決市場(chǎng)中不同消息帶來的反應(yīng)不同這一問題[19，20]。結(jié)合TGARCH的Monte Carlo模擬的具體步驟為：

（1）估計(jì)均值和條件標(biāo)準(zhǔn)差。TGARCH（1，1）模型可表示為：

其中，α≥0;β≥0;γ和γ表示待估參數(shù);I為虛擬變量。

（2）產(chǎn)生n個(gè)服從t分布的隨機(jī)數(shù)ε1，ε2，…，εn。

（3）根據(jù)式（2）模擬基金凈值變化的可能路徑。

（4）模擬每日基金凈值，重復(fù)步驟（2）和（3），得到若干個(gè)基金凈值ST。

（5）將模擬的若干個(gè)基金凈值從小到大排序，通過下方5%的分位數(shù)即可得到95%置信水平下的VaR值。

（二）樣本篩選與數(shù)據(jù)來源

基金一般分為封閉式基金和開放式基金。前者的份額總數(shù)在基金合同期限內(nèi)固定不變，且不能提前贖回;后者的規(guī)模不確定，可以隨時(shí)根據(jù)市場(chǎng)供求情況發(fā)行新份額或被投資者贖回，同時(shí)能夠以基金單位凈值進(jìn)行交易，確保投資者能夠獲得回報(bào)，且單位凈值信息每日公布。本文以開放式基金作為研究對(duì)象，同時(shí)考慮到在經(jīng)歷了2008年全球金融危機(jī)之后，伴隨著2009年A股市場(chǎng)震蕩上揚(yáng)，基金市場(chǎng)逐步恢復(fù)常態(tài)，故選取金融危機(jī)后2009年至2018年的日數(shù)據(jù)為樣本。這段時(shí)期內(nèi)基金市場(chǎng)既達(dá)到過高潮，也經(jīng)歷了低谷，能夠較全面地反映基金市場(chǎng)的真實(shí)狀況。

基于Wind數(shù)據(jù)庫，選取2007年之前成立的開放式基金作為樣本范圍，它們存續(xù)較長(zhǎng)，更具研究?jī)r(jià)值。在上述基金中，綜合考慮評(píng)級(jí)、回報(bào)、投資類型等因素，首先選取市場(chǎng)綜合評(píng)級(jí)為三星以上的基金作為初選對(duì)象，再根據(jù)各只基金的整體回報(bào)分別挑出投資類型為股票型基金、債券型基金和混合型基金中排名前10的基金，共得到30個(gè)樣本（見表1）。

（三）數(shù)據(jù)描述性統(tǒng)計(jì)結(jié)果

首先，對(duì)樣本數(shù)據(jù)進(jìn)行對(duì)數(shù)處理。Rj代表基金i的收益率，Pt和Pt-1分別表示第t日和第t-1日的基金凈值，計(jì)算公式如下：

其次，對(duì)處理好的收益率序列進(jìn)行描述性統(tǒng)計(jì)。由于篇幅有限，表2僅列示每種投資類型中排名第一和第十的基金作為代表（表3和表4選取的代表基金與此相同）。從偏度、峰度以及J-B檢驗(yàn)的P值可以看出，各基金收益率序列均不服從正態(tài)分布。

（四）單位根檢驗(yàn)

對(duì)各基金收益率序列進(jìn)行ADF單位根檢驗(yàn)，結(jié)果發(fā)現(xiàn)，在1%、5%和10%的顯著性水平下，對(duì)數(shù)處理后的各基金收益率序列均為平穩(wěn)序列。由于篇幅限制，單位根檢驗(yàn)結(jié)果不在此列示。

（五）ARCH效應(yīng)檢驗(yàn)

收益率序列通常存在不相關(guān)或低階自相關(guān)現(xiàn)象。這里采用ARCH-LM檢驗(yàn)對(duì)各基金收益率序列進(jìn)行自回歸異方差檢驗(yàn)，結(jié)果發(fā)現(xiàn)，在默認(rèn)5%的顯著性水平，當(dāng)滯后階數(shù)為1時(shí)，各基金收益率序列均存在條件異方差，即存在ARCH效應(yīng)，可以對(duì)其建立TGARCH模型。

（大）基金的VaR計(jì)算

下面，以易方達(dá)上證50指數(shù)A（110003）為例，通過基于TGARCH模型的Monte Carlo模擬計(jì)算其2009年的VaR值。

首先，估計(jì)TGARCH模型的參數(shù)，其表達(dá)式

式（6）和（7）中所有參數(shù)均通過顯著性檢驗(yàn)，即TGARCH模型可以很好地?cái)M合基金收益率序列。

然后，根據(jù)TGARCH參數(shù)估計(jì)結(jié)果，通過Monte Carlo模擬計(jì)算95%置信水平下的VaR值。

從表3可以看出，除2009年外，總體上債券型基金的市場(chǎng)風(fēng)險(xiǎn)小于股票型基金和混合型基金，投資債券型基金相對(duì)于投資股票型基金和混合型基金更安全，這一結(jié)論與現(xiàn)實(shí)相符。股票型基金主要投資于股票市場(chǎng)，因而市場(chǎng)風(fēng)險(xiǎn)相對(duì)更高;債券型基金在債券市場(chǎng)配置比重較大，債券作為一種固定收益證券，其市場(chǎng)投機(jī)行為較少，風(fēng)險(xiǎn)也相對(duì)較小，因此，債券型基金的市場(chǎng)風(fēng)險(xiǎn)最低;混合型基金是在投資組合中既有股票投資又有債券等固定收益投資的共同基金，所以風(fēng)險(xiǎn)程度居中。而作為一個(gè)特殊年份，2009年在經(jīng)歷金融危機(jī)沖擊后全球各主要證券市場(chǎng)強(qiáng)勁反彈，在世界經(jīng)濟(jì)復(fù)蘇的大背景下中國股票市場(chǎng)表現(xiàn)出色，因此，這年股票型基金的市場(chǎng)風(fēng)險(xiǎn)相對(duì)較小。

三、基于KMV模型的信用風(fēng)險(xiǎn)度量

（一）KMV模型的構(gòu)建

KMV模型是目前主流的信用風(fēng)險(xiǎn)度量模型，它通過違約距離（DD）來構(gòu)建資產(chǎn)的期望違約概率（EDF）。假設(shè)時(shí)刻t基金的收益率為：根據(jù)上述違約距離DD，由方程（13）可以計(jì)算得到基金的違約概率。

（二）基金違約概率

為了度量基金的信用風(fēng)險(xiǎn)，利用KMV模型計(jì)算基金的違約概率，結(jié)果如表4。

不難看出，基金的信用風(fēng)險(xiǎn)是不容忽視的，而且總體說來，股票型基金和混合型基金的違約概率明顯高于債券型基金，存在較大的信用風(fēng)險(xiǎn)。投資者具有較重的投機(jī)心理，市場(chǎng)存在較多的羊群行為，造成股票市場(chǎng)的不確定性較大，進(jìn)而導(dǎo)致股票型基金出現(xiàn)違約的可能性更大[21]。

四、基于PVAR模型的基金市場(chǎng)風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)關(guān)系檢驗(yàn)

（一）PVAR模型構(gòu)建

下面，利用面板向量自回歸模型（PVAR）檢驗(yàn)基金市場(chǎng)風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)之間的聯(lián)動(dòng)關(guān)系，將模型設(shè)定為：

其中，i表示第i只基金，t表示各只基金的觀察時(shí)刻。V表示包含基金市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)的列向量，q代表滯后階數(shù)。在此假設(shè)數(shù)據(jù)截面的結(jié)構(gòu)相同，采用固定效應(yīng)模型（Fixed EffectsModel，即模型的截距項(xiàng)不同而斜率系數(shù)相同）。ηi是個(gè)體固定效應(yīng)，代表各只基金間不可觀測(cè)的異質(zhì)性。β0為常數(shù)項(xiàng)，βj為變量滯后項(xiàng)的系數(shù)，εil表示殘差。

（二）面板單位根檢驗(yàn)

根據(jù)得到的樣本時(shí)期內(nèi)30只基金每一年的市場(chǎng)風(fēng)險(xiǎn)VaR值和違約概率EDF值，進(jìn)而得到基金風(fēng)險(xiǎn)的面板數(shù)據(jù)。對(duì)面板數(shù)據(jù)處理之前，首先通過LIC檢驗(yàn)、Fisher-ADF檢驗(yàn)和Fisher-PP檢驗(yàn)分別考察變量VaR和EDF的平穩(wěn)性，原假設(shè)為變量存在單位根。

從檢驗(yàn)結(jié)果可以看出，變量VaR和EDF均在1%顯著性水平下拒絕原假設(shè)，即兩個(gè)變量都為平穩(wěn)序列，可以對(duì)其作進(jìn)一步分析。

（三）基金市場(chǎng)風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)的Granger因果檢驗(yàn)

基于單位根檢驗(yàn)的結(jié)果，下面來看基金市場(chǎng)風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)之間是否存在Granger因果關(guān)系，結(jié)果如表5。

將市場(chǎng)風(fēng)險(xiǎn)VaR與違約概率EDF相互作為對(duì)方的解釋變量建立模型進(jìn)行估計(jì)，可以看出，當(dāng)市場(chǎng)風(fēng)險(xiǎn)VaR為被解釋變量，違約概率EDF作為解釋變量時(shí)，其統(tǒng)計(jì)量顯著，說明變量EDF是變量VaR的Granger原因，即基金信用風(fēng)險(xiǎn)是市場(chǎng)風(fēng)險(xiǎn)的原因。相反，當(dāng)違約概率EDF為被解釋變量，市場(chǎng)風(fēng)險(xiǎn)VaR作為解釋變量時(shí)，其統(tǒng)計(jì)量顯著，說明變量VaR是變量EDF的Granger原因，即基金市場(chǎng)風(fēng)險(xiǎn)是信用風(fēng)險(xiǎn)的原因。通常而言，市場(chǎng)條件的不利變化會(huì)誘發(fā)市場(chǎng)風(fēng)險(xiǎn)并加大信用風(fēng)險(xiǎn)，造成基金違約;而基金違約又會(huì)導(dǎo)致基金市場(chǎng)價(jià)格劇烈波動(dòng)，加劇市場(chǎng)風(fēng)險(xiǎn)，因此兩類風(fēng)險(xiǎn)彼此觸發(fā)，互為Granger原因。

這一結(jié)果很好地說明了現(xiàn)實(shí)中基金投資所面臨的市場(chǎng)風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)之間存在內(nèi)在聯(lián)系，兩類風(fēng)險(xiǎn)彼此影響，其相互作用不能忽視。僅計(jì)算單個(gè)風(fēng)險(xiǎn)并將其加總并不一定能獲得對(duì)基金真實(shí)風(fēng)險(xiǎn)的準(zhǔn)確度量，需要從風(fēng)險(xiǎn)耦合的視角綜合考量?jī)深愶L(fēng)險(xiǎn)，才能全面地反映基金所面臨的風(fēng)險(xiǎn)。

（四）PVAR模型估計(jì)結(jié)果

利用面板向量自回歸模型的目的是將變量?jī)?nèi)生化，降低因模型設(shè)定不合適而造成的估計(jì)結(jié)果不準(zhǔn)確，同時(shí)還可以借此分析VaR與EDF間當(dāng)期及其滯后期之間的影響。

在進(jìn)行模型參數(shù)估計(jì)之前，首先，選擇模型變量的最優(yōu)滯后階數(shù)。由根據(jù)AIC準(zhǔn)則、BIC準(zhǔn)則和HQIC準(zhǔn)則滯后數(shù)據(jù)的計(jì)算結(jié)果可以看出，滯后1階為模型的最優(yōu)滯后階數(shù)。然后，通過構(gòu)建基金市場(chǎng)風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)的PVAR模型進(jìn)行參數(shù)估計(jì)（這里采用系統(tǒng)GMM方法），以此來判斷基金市場(chǎng)風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)間的相互影響是否顯著，計(jì)算結(jié)果如表6 0使用Helmert（向前均值差分）消除模型中個(gè)體固定效應(yīng)，h_VaR與h_EDF表示已經(jīng)過Helmert轉(zhuǎn)換的VaR和EDF，分別代表基金的市場(chǎng)風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)。L.h_VaR與L.h_EDF表示一階滯后的VaR和EDF，分別反映基金前一期的市場(chǎng)風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)。

從表6可以看出，滯后一期的市場(chǎng)風(fēng)險(xiǎn)VaR在5%的顯著性水平下對(duì)本期違約概率EDF具有正向的沖擊作用，意味著基金前一期市場(chǎng)風(fēng)險(xiǎn)的增大會(huì)加劇其信用風(fēng)險(xiǎn)，這主要是因?yàn)楫?dāng)基金市場(chǎng)風(fēng)險(xiǎn)增加時(shí)，其違約的可能性就會(huì)增大，將進(jìn)一步加劇基金信用風(fēng)險(xiǎn)。

滯后一期的EDF分別在1%和5%的顯著性水平下對(duì)本期VaR和EDF具有負(fù)向的沖擊作用，說明基金前一期信用風(fēng)險(xiǎn)較大時(shí)，其當(dāng)期市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)反而會(huì)下降。這可能是由于目前資本市場(chǎng)具有較強(qiáng)的政策導(dǎo)向性，一旦發(fā)生大規(guī)?；疬`約，為了穩(wěn)定投資者情緒和維護(hù)市場(chǎng)穩(wěn)定，守住不發(fā)生系統(tǒng)性風(fēng)險(xiǎn)的底線，相關(guān)部門會(huì)采取一系列措施來控制基金違約規(guī)模，降低基金所面臨的信用風(fēng)險(xiǎn)，同時(shí)也會(huì)在一定程度上減小其市場(chǎng)風(fēng)險(xiǎn)。同時(shí)，基金信用風(fēng)險(xiǎn)對(duì)市場(chǎng)風(fēng)險(xiǎn)具有負(fù)向影響，也說明將信用風(fēng)險(xiǎn)與市場(chǎng)風(fēng)險(xiǎn)進(jìn)行耦合性度量時(shí)，基金的總體風(fēng)險(xiǎn)不一定會(huì)大于分別度量市場(chǎng)風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)再相加的總和。

五、結(jié)論

文在分別利用Monte Carlo模擬和KMV模型度量基金的市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)基礎(chǔ)上，通過構(gòu)建PVAR模型對(duì)基金市場(chǎng)風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)間的關(guān)系進(jìn)行考察，相關(guān)實(shí)證研究得出以下結(jié)論：（1）股票型基金的市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)通常大于債券型基金和混合型基金，債券型基金的市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)最小。（2）基金同時(shí)具有市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)，且市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)互為Grange因果，說明市場(chǎng)風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)間存在內(nèi)在聯(lián)系，應(yīng)考慮兩類風(fēng)險(xiǎn)間的相互作用，簡(jiǎn)單地對(duì)兩類風(fēng)險(xiǎn)分別進(jìn)行度量再加和的做法可能會(huì)影響總體風(fēng)險(xiǎn)度量的準(zhǔn)確性。（3）基金前一期的市場(chǎng)風(fēng)險(xiǎn)對(duì)當(dāng)期信用風(fēng)險(xiǎn)有顯著的正向影響，而前一期的信用風(fēng)險(xiǎn)對(duì)當(dāng)期市場(chǎng)風(fēng)險(xiǎn)及信用風(fēng)險(xiǎn)具有反向影響，表明在耦合風(fēng)險(xiǎn)視角下，基金的總體風(fēng)險(xiǎn)不一定大于分別度量的基金市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)的總和。

總之，上述研究結(jié)論有助于管理部門制定有效的預(yù)防基金綜合風(fēng)險(xiǎn)的政策，也可以使投資者能更準(zhǔn)確地了解基金風(fēng)險(xiǎn)以做出更合適的投資決策。

參考文獻(xiàn)：

[1] 楊湘豫，李強(qiáng).基于貝葉斯方法與時(shí)變Copula模型的基金風(fēng)險(xiǎn)的度量[J].財(cái)經(jīng)理論與實(shí)踐，2018，39（1）：63-68.

[2] 黃崇珍，曹奇.基于GARCH-VaR模型的開放式基金風(fēng)險(xiǎn)度量[J].統(tǒng)計(jì)與決策，2017 （1）：152-155.

[3] 魯皓，周志凱.基于GARCH-GED分布模型的證券投資基金風(fēng)險(xiǎn)度量[J].金融理論與實(shí)踐，2014（3）：8-11.

[4] 陳榮達(dá)，陸金榮.可違約零息債券風(fēng)險(xiǎn)綜合度量Monte Carlo方法[J].管理科學(xué)學(xué)報(bào)，2012，15 （4）：88-98.

[5] 汪冬華，黃康，龔樸.我國商業(yè)銀行整體風(fēng)險(xiǎn)度量及其敏感性分析——基于我國商業(yè)銀行財(cái)務(wù)數(shù)據(jù)和金融市場(chǎng)公開數(shù)據(jù)[J].系統(tǒng)工程理論與實(shí)踐，2013，33（2）：284-295.

[6] Bo L，Capponi A.Portfolio choice with market-credit risk de-pendencies[J]. Social Science Electronic Publishing， 2018， 56（4）：3050-3091.

[7] Boris K，Ivana W， Anna S. Quantification of credit risk withthe use of CreditMetrics[J]. Procedia Economics&Finance，2015，26（1）：311- 316.

[8] Jarrow R A， Turnbull S M. The intersection of market andcredit risk[J]. Journal of Banking&.Finance， 2000， 24（1）：271- 299.

[9] 歐陽資生，劉遠(yuǎn)，羅長(zhǎng)青.基于Copula方法的信用利差與市場(chǎng)風(fēng)險(xiǎn)相關(guān)性度量[J].統(tǒng)計(jì)與決策，2016 （1）：151-155.

[10] Wang D， Song J，Lin Y. Does the VaR measurement usingMonte-Carlo simulation work in China？ -evidence from Chi-nese listed banks[J]. Journal of Financial Risk Management，2017（1）：66 - 78.

[11] Grundke P. Computational aspects of integrated market andcredit portfolio models[J]. OR Spectrum， 2007， 29（2）： 259-294.

[12] Kemaloglu A， Sibel S，Emel E. Modeling dependent financialassets by dynamic copula and portfolio optimization based onCVaR[J]. Communications， 2015， 64（1）： 1-13.

[13] Yu J R，Chiou W J P，Yang J H.Diversification benefits ofrisk portfolio models： a case of Taiwan's stock market[J].Review of Quantitative Finance&.Accounting， 2017， 48（2）：1- 36.

[14] 王珂，孟海麗，楊全.模糊Credit Metrics模型及其在信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用[J].金融理論與實(shí)踐，2016 （2）：59- 64.

[15] 卞樂樂，侯為波.基于商業(yè)銀行貸款風(fēng)險(xiǎn)度量的Credit Risk+模型[J].淮北師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，39（3）： 22-26.

[16] 蘇為華，郭遠(yuǎn)愛.我國商業(yè)銀行信用風(fēng)險(xiǎn)宏觀壓力測(cè)試研究——基于改進(jìn)的Credit Portfolio View模型[J].南方金融，2014（8）： 7-12.

[17] 曹勇，李孟剛，李剛，等.基于違約狀態(tài)聯(lián)合概率的商業(yè)銀行信貸資金行業(yè)間優(yōu)化配置模型[J].系統(tǒng)管理學(xué)報(bào)，2018，27（5）：881- 894.

[18] 謝遠(yuǎn)濤，羅潤(rùn)方，楊娟.基于修正的KMV模型的信用風(fēng)險(xiǎn)度量[J].統(tǒng)計(jì)與決策，2018，34（15）： 169-173.

[19] Glosten L R， Jaganathan R， Runkle D E. On the relation be-tween the expected value and the volatility of nominal ecxessreturn on stocks[J]. Finance， 1993， 48（5）： 1779-1801.

[20] Zakoian J M.Threshold heteroskedastic models[J]. Journal ofEconomic Dynamics and Control， 1994， 18（5）： 931 955.

[21] 謝赤，馬有源.財(cái)務(wù)柔性價(jià)值的度量及其對(duì)現(xiàn)金股利分配的影響——來自滬深股市上市公司的經(jīng)驗(yàn)證據(jù)[J].商業(yè)研究，2017（4）：55-62.