胡博，王麗莉

摘要：設(shè)計一種基于GARCH（1，1）模型的改進(jìn)VaR算法（簡稱g-VaR）.g-VaR將GARCH（1，1）模型引入VaR值計算，描述上證綜指收益的波動性和尖峰厚尾特征.實證數(shù)據(jù)表明，g-VaR能很好地檢驗上證綜指收益率，預(yù)測上證綜指風(fēng)險，模型有效.

關(guān)鍵詞：GARCH（1，1）模型;VaR算法;波動性;預(yù)測

[中圖分類號]F830.91[文獻(xiàn)標(biāo)志碼]A

g-VaR Algorithm and Yield Test of Shanghai Composite Index

HU Bo，WANG Lili

（School of Economics and Management，Mudanjiang NormalUniversity，Mudanjiang 157000，China）

Abstract：An improved var algorithm （g-VaR） based on GARCH （1，1） model is designed.g-VaR introduces GARCH （1，1） model into VaR value calculation to describe the volatility of Shanghai Composite Index Return and the characteristics of peak and thick tail.Empirical data show that g-var can better test the yield of Shanghai Composite Index and predict the risk of Shanghai Composite Index，and the model is effective.

Key words： GARCH （1，1） mode;VAR algorithm;volatility;prediction

商業(yè)銀行、證券市場和金融衍生品市場常用VaR值作為風(fēng)險管理、市場風(fēng)險預(yù)測、風(fēng)險測量和產(chǎn)品定價的工具.上證綜指收益具有序列相關(guān)性、波動叢聚性、收益厚尾性等特點，這使得傳統(tǒng)的風(fēng)險測算方法不完全適用于預(yù)測上證綜指的風(fēng)險.本文提出一種改進(jìn)的VaR算法，通過描述上證綜指收益的波動性和尖峰厚尾特征，檢驗上證綜指收益率，預(yù)測上證綜指風(fēng)險.

1VaR算法

1.1方差-協(xié)方差法

假設(shè)資產(chǎn)價值的變化與其風(fēng)險因素報酬是線性的，風(fēng)險因素報酬需滿足多元正態(tài)分布，根據(jù)方差-協(xié)方差矩陣可以對收益的分布進(jìn)行估計.方差-協(xié)方差法對線性金融資產(chǎn)的求解問題可以轉(zhuǎn)化為對資產(chǎn)損失均值和標(biāo)準(zhǔn)差求解.Morgan J P's RiskMet-rics模型是較經(jīng)典的用方差-協(xié)方差法計算VaR值的方法，通過推導(dǎo)，可以得到既定置信水平下的VaR值公式：

VaR=Zα*σ*P0.

其中，Zα是標(biāo)準(zhǔn)正態(tài)分布下的σ分位數(shù)，P0是資產(chǎn)的初始市場價值.

計算給定測試窗口期內(nèi)兩個不同置信區(qū)間的VaR值.測試時間段：2011年1月14日交易日開始，2014年最后一個交易日結(jié)束，共計962個交易日.基于2011年1月14日之前的250個交易日的數(shù)據(jù)，估算當(dāng)天的VaR值.VaR值的置信區(qū)間分別為95%和99%時對應(yīng)的P值，對應(yīng)這兩個置信區(qū)間，至多有5%和1%的情況下?lián)p失會大于估算的VaR值.

假設(shè)資產(chǎn)損益服從正態(tài)分布，在95%和99%置信區(qū)間計算出VaR值.當(dāng)天的VaR值是基于過去的250個交易日的數(shù)據(jù)，不包括當(dāng)天的數(shù)據(jù)（圖1）.采用方差-協(xié)方差法計算VaR的優(yōu)點是計算簡便，缺點是回報率必須滿足正態(tài)分布的假設(shè).

1.2歷史模擬法

歷史模擬法是采用歷史收益計算各風(fēng)險因子在過去一段時間的分布和變化，找出風(fēng)險因子與資產(chǎn)組合價值之間的對應(yīng)關(guān)系，通過映射關(guān)系模擬資產(chǎn)組合在未來的損益分布，得到既定置信水平下的最低收益，計算VaR值.

歷史模擬法無需假設(shè)資產(chǎn)回報率服從某一特定的分布，假設(shè)以往的損益能夠繼續(xù)用來反映下一期間的損益分布情況，當(dāng)天的VaR值對應(yīng)的是過去N個歷史回報率中第P個分位點的值.用2011年1月14日之前的250個交易日的數(shù)據(jù)，估算之后962個交易日當(dāng)天的VaR值（圖2）.可以看出，VaR值相對穩(wěn)定，這是因為隨著時間的推移，只有當(dāng)新的極端事件進(jìn)入獲取樣本的窗口期時，才有可能導(dǎo)致相應(yīng)分位點的VaR值變化.當(dāng)市場發(fā)生波動時，這種方法算出的VaR值不能立刻將這些波動反映出來.標(biāo)準(zhǔn)的歷史模擬法假設(shè)歷史的每一天影響都占有相同權(quán)重，且這種影響是永遠(yuǎn)不變的，這要求預(yù)測者要人為判定一個時間跨度，具有很強(qiáng)的主觀性，顯然是不合理的.歷史模擬法的優(yōu)點是各方面限制條件少，不研究資產(chǎn)收益分布，不設(shè)置參數(shù)，不考慮尖峰厚尾，應(yīng)用簡便，且可以處理非線性組合;缺點是計算的隨意性較大，樣本數(shù)量的大小會直接影響VaR計算的精確性，且容易遺漏對極端事件的預(yù)測.

1.3蒙特卡洛模擬（Monte Carlo simulation，MCS）法蒙特卡洛模擬方法需要選擇適當(dāng)?shù)碾S機(jī)模型利用計算機(jī)大量模擬出風(fēng)險因子未來的變化路徑，運用估值公式算出每條對應(yīng)路徑的資產(chǎn)價值，反復(fù)重復(fù)模擬過程，盡可能多地模擬風(fēng)險因子的變化路徑并估算相應(yīng)資產(chǎn)價值，使估計的結(jié)果更加接近資產(chǎn)未來損益分布，最后算出VaR值.[1]蒙特卡洛模擬法的優(yōu)點在于其不受資產(chǎn)的歷史收益分布制約，也不受限于線性假設(shè)、正態(tài)分布等假設(shè);缺點是依賴模型設(shè)計，存在模型風(fēng)險，計算機(jī)模擬易產(chǎn)生偽隨機(jī)數(shù)，使計算結(jié)果產(chǎn)生偏差.

2改進(jìn)的VaR算法

股市收益存在自身的特點，這些特點使得上述三種方法計算VaR值都具有一定局限性.Engle建立了ARCH模型，它能夠持續(xù)處理金融時間序列的異方差性，刻畫金融資產(chǎn)的波動性，從而更好地擬合資本市場的特征.[2]ARCH模型通過自回歸過程描述干擾項的方差序列，如果序列殘差被證實存在自相關(guān)性，還需嵌入ARMA模型（即在均值方程中加入滯后項）來消除金融時間序列的相關(guān)性.ARCH模型設(shè)定為：

rt=c+et;et～N（0，S2t）.（1）

Var（et）=γ+α1e2t-1+α2e2t-2+…+αpe2t-p.（2）

αt=σtεt.（3）

其中，干擾項et是一個獨立同分布的隨機(jī)變量序列，滿足均值為0、方差為s2t的正態(tài)分布.

由于ARCH模型在描述資產(chǎn)收益率的波動時對參數(shù)要求極為嚴(yán)苛，為了適應(yīng)參數(shù)數(shù)量難以解決的問題，Bollerslev提出GARCH模型，舍棄e2t-1，采用σ2t.GARCH（p，q）模型減少了ARCH的待估參數(shù)量，使計算的準(zhǔn)確性大大提高.[3]GARCH模型最常用的一種建模是GARCH（1，1）模型[4]：

rt=c+et.（4）

σ2t=α0+α1α2t-1+β1σ2t-1.（5）

Bollerslev提出對干擾項采用T分布更能刻畫金融序列尖峰厚尾的特征.T假設(shè)下的GARCH（1，1）模型設(shè)定為：

rt=c+et;et～T（k）.（6）

σ2t=α0+α1α2t-1+β1σ2t-1.（7）

其中，干擾項et服從k個自由度的T分布.

3數(shù)據(jù)選取與分析

結(jié)合上證股票收益的厚尾、波動性等特征，引入GARCH（1，1）進(jìn)行VaR估值，應(yīng)用stata14.0和matlab R2021a軟件進(jìn)行統(tǒng)計分析.

3.1描述性統(tǒng)計與分布特征

選擇日連續(xù)復(fù)合收益率，將收盤價的自然對數(shù)取一階差分：

rt=lnPt-lnPt-1.（8）

其中，rt代表t日上證綜指日連續(xù)復(fù)合收益率，Pt是t日上證綜指收盤價.

本研究樣本起止時間為2010年1月4日至2014年12月31日，共計1 212個交易日的上證綜指收盤價，通過公式（8）計算其收益率.圖3描述了這段時間上證綜指收益率波動情況.可以看出，其收益率在-0.06～0.05波動，波動較大時，收益虧損曾4次低于-0.05，而正收益只有3次超過0.04;上證綜指收益率還表現(xiàn)出較弱的波動叢聚性，即收益率的小幅波動跟隨小幅波動，大幅波動跟隨大幅波動.

表1描述性統(tǒng)計結(jié)果顯示，相對于標(biāo)準(zhǔn)正態(tài)分布（峰度是3，偏度是0），上證綜指收益嚴(yán)重左偏（偏度-0.291 3<0），說明收益率低于均值的時間超過收益率高于均值的時間，這是較貼合實際的.因為2008年全球金融危機(jī)后，全球股市低迷，我國股市也受到影響，2008年之后的最初幾年，上證股票都處于震蕩調(diào)整時期，收益率偏低;峰度5.113>3反映了收益率相對正態(tài)分布的尖峰特征.為使論述更為嚴(yán)密，應(yīng)用Kolmogorov-Smirnov檢驗和Jarque-Bera type檢驗考察上述結(jié)論.

K-S檢驗和J-B檢驗上證綜指收益是否服從標(biāo)準(zhǔn)正態(tài)分布，K-S檢驗結(jié)果為0.053，P值為0.002，在5%顯著水平下拒絕服從正態(tài)分布;J-B檢驗結(jié)果（表2）無論是峰度、偏度還是聯(lián)合檢驗，都在1%水平，顯著拒絕服從正態(tài)分布，驗證了上證綜指日連續(xù)復(fù)合收益率分布的非正態(tài)性.

3.2模型設(shè)定

基于上證綜指的各種特征，筆者用GARCH（1，1）模型計算VaR.首先，對殘差進(jìn)行序列相關(guān)性檢驗，如果殘差不具有序列相關(guān)性，則只需要考慮GARCH模型，否則需要嵌入ARMA模型來消除序列的相關(guān)性.ARMA過程檢驗結(jié)果P值為? 0.788 8，說明加入ARMA過程前后結(jié)果不存在顯著區(qū)別，接受原假設(shè)，即不需要嵌入ARMA過程，可以直接用ARCH模型.其次，對數(shù)據(jù)進(jìn)行異方差A(yù)RCH效應(yīng)檢驗.對殘差滯后1階到滯后20階進(jìn)行ARCH效應(yīng)檢驗.結(jié)果顯示，在5%的顯著性水平上不能拒絕原假設(shè)，可認(rèn)為不存在ARCH效應(yīng)，說明所選樣本期的波動叢聚性較弱，故只需要考慮GARCH模型.考慮用T假設(shè)替換正態(tài)分布假設(shè)，并檢驗替代前后模型結(jié)果是否發(fā)生顯著差異.使用LR檢測，顯示結(jié)果P值為0.000 0，拒絕原假設(shè)，說明T假設(shè)下的GARCH模型與正態(tài)假設(shè)下的GARCH模型差異顯著.使用信息準(zhǔn)則檢測，顯示T假設(shè)下aic值為-7 410.4，小于正態(tài)假設(shè)下aic值-7 335.2;T假設(shè)下bic值為-7 384.9，小于正態(tài)假設(shè)下bic值-7 314.8.說明T假設(shè)下的GARCH（1，1）模型效果更好.

使用GARCH（1，1）模型進(jìn)行回歸，得到T統(tǒng)計量自由度為4.967 3≈5，驗證T（1）分布下的GARCH（1，1）和T（5）分布下的GARCH（1，1）是否存在顯著差異.設(shè)定T的自由度為5，求出T（5）的極大似然值為3 710.187;T（1）的極大似然值為3 710.188，用似然比檢驗結(jié)果，得到P值為0.965 4，說明使用T（1）分布下的GARCH（1，1）和T（5）分布下的GARCH（1，1）得到的結(jié)果差異不顯著，可以用T（1）分布下的GARCH（1，1）模型來簡化計算.

表3顯示了模型的回歸結(jié)果，得到以下回歸方程：

rt=0.000 078+et.（9）

σ2t=0.000 001 56+0.025 7α2t-1+0.965α2t-1.（10）

其中，rt=lnPt-lnPt-1，參數(shù)α1+β1=0.025 7+0.965=0.990 7<1，滿足約束條件，模型有效，可用于上證綜指的分析與預(yù)測.

4VaR值的計算與回測

考慮到2008年金融危機(jī)及其后續(xù)影響，股市的波動較劇烈，若選取的檢驗期過長，可能會破壞樣本的一致性，故本文選取2011年1月14日之前的250個交易日上證綜指日收盤價的觀測值作為測試窗口期，從2011年1月14日到2014年最后一個交易日作為測試時間段（檢驗樣本數(shù)據(jù)共計962個）來估算當(dāng)天的VaR值.

本文用三種方法計算了在給定測試窗口期內(nèi)兩個不同置信區(qū)間的VaR值，再通過VaR值回測評估不同VaR值計算方法.假如置信區(qū)間為95%，那么理論上應(yīng)該只有5%的當(dāng)日實際損失超過VaR值，且這5%的情況不應(yīng)該聚集在某一特定時間.倘若損失超過VaR值的情況集中出現(xiàn)在某一時段，則表明這5%的情形并非在時間上是相互獨立的，而且常用的計算方法得出的VaR值應(yīng)該是對于市場的變化反映比較緩慢（置信區(qū)間為99%時情況相同）.

本文分別把95%和99%的置信區(qū)間下的三種方法算出的VaR值以及相應(yīng)時間的回報率畫在同一個圖中進(jìn)行對比，見圖4和圖5.

圖4和圖5表明，當(dāng)回報率出現(xiàn)負(fù)值的時候，損失才可能會超過VaR值.T假設(shè)下GARCH（1，1）法計算的VaR值在這個時段內(nèi)更加貼近也更準(zhǔn)確地反映了回報率的趨勢.因此，在采用T假設(shè)GARCH（1，1）法計算時，資產(chǎn)的損失較少有突破VaR值的情況.

5結(jié)論

設(shè)計一種基于GARCH（1，1）模型的改進(jìn)VaR算法（簡稱g-VaR）.g-VaR將GARCH（1，1）模型引入VaR值計算，描述上證綜指收益的波動性和尖峰厚尾特征，采用T假設(shè)下的GARCH（1，1）模型計算VaR值.回測檢驗結(jié)果顯示，g-VaR能更好地檢驗上證綜指收益率，預(yù)測上證綜指風(fēng)險，模型有效.

參考文獻(xiàn)

[1]尤赟來.基于歷史模似法和M-C方法的VaR算法改進(jìn)[D].上海：復(fù)旦大學(xué)，2013.

[2]Engle R.F.Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of UK Inflation[J].Eco- nometrica，1982（50）：987-1008.

[3]Bollerslev T.Generalized Autoregressive Conditional Heteroskedasticity[J].Journal of Econometrics，1986（31）：307-327.

[4]張培，王晶晶，高顯彩.基于自回歸條件異方差 （ARCH） 族模型的收益率波動性分析[J].洛陽理工學(xué)院學(xué)報：自然科學(xué)版，2021（31）：83-92.

[5]謝婉婷，谷偉.基于Bootstrap中位數(shù)—方差估計方法的改進(jìn)EM算法的VaR度量及實證[J].現(xiàn)代商業(yè)，2018（24）：164-165.

[6]尹向東，宿成建，劉星.滬深股市波動性的杠桿效應(yīng)和不對稱波動性研究[J].科技管理研究，2005（10）：173-175.

[7]程子晉，谷偉.基于核密度估計對VaR值計算方法的改進(jìn)[J].統(tǒng)計與決策，2017（16）：32-35.

[8]熊偉，霍玉洪，胡茂林.中國股票市場收益率的R/S分析[J].牡丹江師范學(xué)院學(xué)報：自然科學(xué)版，2009（3）：1-3.

編輯：吳楠