楊立建
摘 要:本文通過建立基于分位數(shù)回歸的VaR模型,對國內(nèi)具有代表性的大宗商品期貨價格指數(shù)市場風(fēng)險進(jìn)行了度量,實證分析了大宗商品期貨價格指數(shù)具有尖峰厚尾、聚集效應(yīng)的特性;同時,進(jìn)一步拓展了基于分位數(shù)回歸模型來測度在險價值(VaR)的方法。
關(guān)鍵詞:分位數(shù)回歸;VaR;大宗商品期貨價格指數(shù);市場風(fēng)險
中圖分類號:F252.5 文獻(xiàn)標(biāo)識碼:A 文章編號:2096-0298(2021)01(a)--03
市場風(fēng)險指的是由于金融市場上標(biāo)的產(chǎn)品價格波動而導(dǎo)致的風(fēng)險,又稱為價格波動風(fēng)險。市場風(fēng)險是金融衍生品交易中經(jīng)常面對的一種風(fēng)險。隨著我國金融市場改革創(chuàng)新的進(jìn)一步推進(jìn),2019年8月,我國首批商品期貨指數(shù)ETF基金獲得證監(jiān)會批準(zhǔn),大量的原先投資于股票和債券的機(jī)構(gòu)投資者和普通投資者有機(jī)會通過這類公募基金產(chǎn)品,參與到大宗商品期貨交易中。由于商品期貨市場與股票市場的交易機(jī)制不同,商品期貨市場是多空交易機(jī)制,交易方式是保證金交易,具有高杠桿、高波動等特征,其時間收益率序列一般都具有尖峰厚尾效應(yīng)、聚集效應(yīng)和時變方差特性,因此,投資者準(zhǔn)確的識別和度量其市場風(fēng)險尤為重要。
1 在險價值理論簡述與分位數(shù)回歸模型
在險價值(Value at Risk)方法是金融風(fēng)險度量的方法之一,通常將在險價值(VaR)定義為某一置信水平下,某一金融資產(chǎn)或證券組合價值在未來特定時期內(nèi)的最大損失。計算公式為:
其中P0為標(biāo)的產(chǎn)品的初始價值,在一定的置信水平下,P*為該標(biāo)的資產(chǎn)最低的期末價值。只要知道一定置信水平下的最小收益率r*和該投資標(biāo)的資產(chǎn)的初始價值P0,便可以求得P*。
計算VaR方法有很多種,但使用分位數(shù)回歸模型計算VaR的方法正在受到許多學(xué)者的重視,并在不斷研究與發(fā)展中。分位數(shù)回歸,是估計一組回歸變量X與被解釋變量Y的分位數(shù)之間線性關(guān)系的建模方法,強(qiáng)調(diào)條件分位數(shù)的變化。第τ個百分位數(shù)表示因變量的數(shù)值低于這一百分位數(shù)的個數(shù)占總體的τ%。國內(nèi)對分位數(shù)回歸模型計算VaR研究比較多的是基于Taylor(1999)[1]的文獻(xiàn),Taylor(1999)將分位數(shù)回歸應(yīng)用到VaR計算的表達(dá)式為:
張海云(2011)[2]借鑒其研究思路,將收益率作為被解釋變量,和K作為解釋變量,通過分位數(shù)回歸進(jìn)行擬合。假設(shè)持有期K=1,將模型簡化為:
扶仕彤,金良瓊(2019)[3]將滯后期收益率作為解釋變量,建立分位數(shù)回歸模型來估算最小收益率r*的值。模型為:
其實證部分采用了滯后三期的模型,即
以上是基于分位數(shù)回歸模型來計算單期VaR值的兩種思路。本文沿襲Taylor(1999)的主要觀點(diǎn):預(yù)期波動率(或條件標(biāo)準(zhǔn)差)在計算VaR值時是重要的變量。實際計算中,預(yù)期波動率σt的獲得也并非只能通過GARCH模型。國外學(xué)者研究的實際波動率(RV)和已實現(xiàn)極差方法(RR);國內(nèi)學(xué)者趙樹然等(2012)[4]基于高頻數(shù)據(jù)與極值理論整合的CARR模型都是獲得預(yù)期波動率的方法。因此,本文將預(yù)期波動率(或條件標(biāo)準(zhǔn)差)作為解釋變量,與其他滯后期收益率組合,建立分位數(shù)回歸模型。模型如下:
其中,Y*t是需要計算的最小收益率r*,σt是條件標(biāo)準(zhǔn)差。β0、β1、β2、β3是待估參數(shù)。
2 實證結(jié)果與分析
本文采用的數(shù)據(jù)是南華商品指數(shù)、上海期貨交易所有色金屬指數(shù)、鄭州商品交易所易盛能化A指數(shù)。本文選用的數(shù)據(jù)為2014年12月31日至2019年12月31日共1220個交易日的收盤價,由此計算每個交易日的收益率,可得到樣本的收益率時間序列,收益率Rt=lnpt–lnpt-1,pt為交易日的收盤價,pt-1為上一個交易日的收盤價。數(shù)據(jù)來自WIND咨詢軟件及各期貨交易所網(wǎng)站。計量軟件使用EVIEWS8.0。
2.1 數(shù)據(jù)的描述性統(tǒng)計
各個期貨指數(shù)收益率時間序列的分布特征對VaR值的計算和度量模型的選取很重要。
對于期貨指數(shù)日收益率序列,偏度都等于零,說明序列分布是對稱的,偏度小于零,說明序列分布有左拖尾,否則有右拖尾。標(biāo)準(zhǔn)正態(tài)分布的峰度為零,峰度明顯不等于零,說明收益率序列有尖峰或平峰的特征。在正態(tài)分布的假設(shè)下,JB統(tǒng)計量服從自由度為2的卡方分布,否則,拒絕原假設(shè)。從以上描述性統(tǒng)計表可知,各個期貨收益率序列均不服從正態(tài)分布,如果采用傳統(tǒng)的VaR方法估計收益率風(fēng)險會有偏差。
2.2 平穩(wěn)性檢驗
本文采用ADF 檢驗方法對于時間序列需要進(jìn)行平穩(wěn)性檢驗。檢驗結(jié)果如下。
從表2可以看出,各期貨指數(shù)收益率序列的t統(tǒng)計量值全部都小于顯著性水平為1%的值,這表明可以在99%的置信水平下均拒絕存在單位根的假設(shè)。因此,各序列是平穩(wěn)的。
2.3 ARCH LM效應(yīng)檢驗
對于各期貨指數(shù)收益率時間序列ARCH 效應(yīng)檢驗的計算結(jié)果如表3所示。
檢驗結(jié)果表明,各期貨指數(shù)的收益率殘差序列存在ARCH效應(yīng),即呈現(xiàn)出集群效應(yīng)。
2.4 建立GARCH(1,1)模型
由于要計算波動率σt,本文建立GARCH(1,1)模型,并選擇GED分布來計算。結(jié)果如表4所示。
由表4可知,GED自由度值都小于2,表示尾部比正態(tài)分布更厚;α+β<1,說明了GARCH模型的方差值有均值回歸特性,殘差序列的異方差函數(shù)具有長期相關(guān)性。
2.5 在險價值VaR值的計算
本文式(1)分位數(shù)回歸模型計算VaR的公式為:VaRt=-Pt-1r*。
其中,r*是分位數(shù)回歸模型計算的最小收益率;Pt-1是各期貨指數(shù)前一天的收盤價。
2.6 失敗天數(shù)與返回檢驗
失敗天數(shù)的判定標(biāo)準(zhǔn):當(dāng)VaR>Pt-1-Pt時,判定成功,失敗天數(shù)加零;當(dāng)VaR LR統(tǒng)計量應(yīng)該服從1個自由度的卡方分布,當(dāng)失敗發(fā)生的次數(shù)很高或很低時,式 (5)計算的LR統(tǒng)計量會較大。在1個自由度的卡方分布中,LR統(tǒng)計量大于3.8415的概率為5%,因此,當(dāng)計算的LR統(tǒng)計量大于3.8415時,可以拒絕模型。 返回檢驗選取的數(shù)據(jù)為2018年1月1日起到2019年12月31日止,共計486個數(shù)據(jù)。 由表5可見,式(2)與式(4)返回檢驗的LR統(tǒng)計量都小于3.8415,說明模型有效。式(3)的LR統(tǒng)計量大于3.8415,可以拒絕模型。 3 結(jié)語 本文運(yùn)用ARCH模型相關(guān)理論和在險價值(VaR)理論,對國內(nèi)大宗商品期貨價格指數(shù)的市場風(fēng)險進(jìn)行度量后,結(jié)果顯示各期貨指數(shù)波動的風(fēng)險具有多數(shù)金融產(chǎn)品價格波動的尖峰厚尾、聚集效應(yīng)的特性,在實際金融投資過程中應(yīng)引起重視,適時調(diào)整投資策略,降低投資風(fēng)險。同時,本文拓展了分位數(shù)回歸模型計算VaR值的方法,將滯后期收益率和預(yù)期波動率組合成新的模型,并對新模型進(jìn)行實證檢驗,取得較好的結(jié)果。 參考文獻(xiàn) Taylor J W. A quantile regression approach to estimating the distribution of multi-period returns[J]. Journal of Derivatives, 1999(7):64-78. 張海云.論分位數(shù)回歸在計算VaR中的應(yīng)用[J].現(xiàn)代商貿(mào)工業(yè),2011,023(015):185-186. 扶仕彤,金良瓊.基于分位數(shù)回歸模型的VaR研究——以貴州百靈股票為例[J].統(tǒng)計學(xué)與應(yīng)用,2019,008(002):364-369. 趙樹然,任培民,趙昕.基于CARR—EVT整體方法的動態(tài)日VaR和CVaR模型研究[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2012,029(011): 130-148.