樊鴻杰，汪 凱，朱艷玲

(安徽財經(jīng)大學(xué) 統(tǒng)計與應(yīng)用數(shù)學(xué)學(xué)院，安徽 蚌埠 233030)

0 引言

我國金融市場正處于飛速發(fā)展階段.股票價格受到宏觀經(jīng)濟因素、企業(yè)所有制和經(jīng)濟體制等多種因素影響，于是人們不斷探索，試圖用更為有效的方法手段預(yù)估收益,規(guī)避損失.新經(jīng)濟形勢下，我國提出了形成國內(nèi)大循環(huán)為主體國內(nèi)國際雙循環(huán)相互促進的新發(fā)展格局.國內(nèi)大循環(huán)需要提升國內(nèi)投資、消費.分析2020年和2021年的白酒行情，發(fā)現(xiàn)隨著人們消費水平和白酒質(zhì)量的上升，白酒行業(yè)也面臨結(jié)構(gòu)升級的新變化和產(chǎn)業(yè)發(fā)展的新趨勢，這也勢必為其帶來新風(fēng)險.中證白酒指數(shù)目前包含貴州茅臺、五糧液等17只成份股，這些公司企業(yè)占據(jù)了國內(nèi)白酒市場的主流，故中證白酒指數(shù)能反映國內(nèi)白酒行業(yè)的歷史趨勢和未來前景，在大數(shù)據(jù)引領(lǐng)的消費時代，白酒行業(yè)投資領(lǐng)域受到廣泛關(guān)注.股市的波動具有長記憶性、非對稱性、異方差性和高波動性等特征，而波動性是探究各種投資資產(chǎn)收益率的重要問題，數(shù)理方法利用其長記憶性、異方差性和非對稱性構(gòu)造合適的數(shù)學(xué)模型，能夠為金融市場波動、風(fēng)險規(guī)避和資產(chǎn)投資提出科學(xué)方法及建議.

大量研究集中于波動率模型的改進與綜合指數(shù)風(fēng)險的實證研究[1]，鮮有人探究中證白酒指數(shù)波動的變化性質(zhì).本文通過對多種數(shù)理模型、方法進行介紹、分析和實證研究，利用非對稱GARCH族模型和加權(quán)歷史模擬法在中證白酒指數(shù)(sz399997)波動性的風(fēng)險預(yù)測表現(xiàn)，探究更合適的波動率模型,分析我國中證白酒指數(shù)的風(fēng)險變化.通過理論和實證研究，有利于促進我們對國際金融市場風(fēng)險管理理論的學(xué)習(xí)，豐富股票指數(shù)風(fēng)險管理理論；對白酒行業(yè)合理管控其結(jié)構(gòu)風(fēng)險、把握行業(yè)未來高質(zhì)量發(fā)展方向和提升行業(yè)融資能力等具有重要意義.另外，本研究有利于提升新時期消費類基金風(fēng)險預(yù)測能力，為廣大相關(guān)股票和指數(shù)基金投資者提供更準(zhǔn)確的理論模型，從而進行合理科學(xué)的風(fēng)險規(guī)避，穩(wěn)定金融市場.

本文研究主要在以下幾個方面：第一，構(gòu)建不同殘差分布下多種對稱和非對稱GARCH模型，比較探究其準(zhǔn)確性；第二，比較分析參數(shù)法和非參數(shù)法下在險價值VaR精度；第三,為進一步考察樣本規(guī)模和不同波動特征下的風(fēng)險價值計算模型的精確性，分別基于三個滾動樣本對各風(fēng)險測度方法展開對比分析.

1 文獻綜述

20世紀(jì)90年代開始，國際上大范圍金融危機出現(xiàn)，風(fēng)險管理不斷得到重視.從最早依賴于Markowitz的均值-方差模型來評估收益與期望方差的不確定性[2]，到后來在險價值(VaR)進一步克服了方差局限性,顯示其更加可靠,在自回歸異方差模型出現(xiàn)后，出現(xiàn)了很多復(fù)雜的衍生模型，在高頻和低頻金融數(shù)據(jù)上表現(xiàn)較好的處理效果.如Sampid等[3]結(jié)合了波動率服從的學(xué)生T分布和貝葉斯GARCH(1,1)模型提出了一種新的預(yù)測金融資產(chǎn)在險價值的方法，并通過實證分析表明該方法在平穩(wěn)時期和高風(fēng)險時期都能很好地捕捉到風(fēng)險價值，且在該方法下不需要巴塞爾協(xié)議三中部分對金融機構(gòu)的約束；Rashed等[4]利用在險價值和條件在險價值構(gòu)建組合數(shù)據(jù)包絡(luò)模型，并應(yīng)用于最優(yōu)投資組合的選擇；Milton[5]對新興市場和發(fā)達市場的股票每日風(fēng)險價值的成分進行分析，21股Ibovespa的日收益率和22股道瓊斯工業(yè)指數(shù)的日收益率，利用FIGARCH模型重構(gòu)模型收益，小波分解方法進行風(fēng)險價值估計，表明了在分析不同市場不同指數(shù)的風(fēng)險波動時應(yīng)采用不同組成成分.

在21世紀(jì)以來，我國金融市場迅猛發(fā)展，很多專家學(xué)者關(guān)注著市場風(fēng)險價值的變化.如貢平鄴等[6]研究了基金收益率分別在正態(tài)分布、T分布和廣義誤差分布下GARCH(1,1)模型預(yù)測金融市場風(fēng)險的有效性，表明GARCH(1,1)-GED模型更適合我國證券基金市場；劉丁慈[7]采用標(biāo)準(zhǔn)歷史模擬法和波動率加權(quán)歷史模擬法對上證綜指歷史收盤價進行實證比較分析，表明波動率加權(quán)歷史模擬法能更準(zhǔn)確地表現(xiàn)指數(shù)真實波動；劉輝等[8]探討上證綜指在市場波動率不發(fā)生改變、市場波動率變大和市場波動率變小三種波動變化下的在險價值，利用歷史模擬法發(fā)現(xiàn)歷史樣本自身的時滯性是導(dǎo)致該方法在市場波動性發(fā)生變化是高估或低估其風(fēng)險的主要原因；劉輝[9]通過對每個收益率乘以波動率權(quán)重，權(quán)重為預(yù)測值與實際值之比，探索分析在標(biāo)準(zhǔn)歷史模擬法和改進的加權(quán)歷史模擬法下上證綜指和深證成指風(fēng)險價值，實證分析證明該改進的加權(quán)歷史模擬法確實有更好的效果.

在GARCH族模型領(lǐng)域，眾多學(xué)者在估計方法和實證分析上不斷探索.如鄭振龍等[10]利用香港恒生指數(shù)期權(quán)市場高頻金融數(shù)據(jù)發(fā)現(xiàn)，在一周左右期限時，時間序列的GARCH模型包含更多信息，一個月期限時，隱含波動率包含更多信息，波動預(yù)測結(jié)果更準(zhǔn)確；陳彥暉[11]利用香港恒指探究發(fā)現(xiàn)ARMA-GARCH模型比GARCH模型更加適合預(yù)測，并且有助于期權(quán)交易獲得更好的收益；楊林[12]針對極端波動下的股市波動率進行了預(yù)測，采用的是GARCH模型結(jié)合MIDA回歸技術(shù)，同時進行了改進，考慮利用不同頻率的數(shù)據(jù)，最終表明改進的非對稱模型能夠顯著提升波動預(yù)測能力；王朋吾[13]利用上證綜指和深證綜指研究了GJR-GARCH模型和EGARCH模型下收益率波動的非對稱特征.

2 理論研究

2.1 在險價值

VaR時滯在市場正常情況下的最大可能損失，可以解釋為在一定的置信水平下一個持有期內(nèi)持有的金融資產(chǎn)預(yù)期的最大損失，VaR計算公式為：

ProbΔt(ΔW≤VaR)=1-C，

式中：Prob為條件成立的概率，ΔW金融資產(chǎn)在持有期內(nèi)的損失值；Δt為金融資產(chǎn)的持有期；C即為在險價值指標(biāo)的置信水平，主要根據(jù)投資者對風(fēng)險的偏好劃分成謹(jǐn)慎型和冒險型.在險價值的計算方法有半?yún)?shù)法、非參數(shù)法和參數(shù)法.下面主要探究了非參數(shù)法和參數(shù)法在中證白酒指數(shù)投資風(fēng)險測度的應(yīng)用問題.

歷史模擬法將金融資產(chǎn)價格的歷史數(shù)據(jù)為基礎(chǔ)建立分布模型.本文直接利用股指日收盤價計算的收益率建立分布，利用其變化規(guī)律預(yù)測未來一段時間內(nèi)的收益率變化.與其他參數(shù)法計算在險價值相比，其優(yōu)點是不需要對收益率進行假設(shè)分布，直接避免了收益率分布假設(shè)的誤差，其缺點是利用過去一段時間進行預(yù)測，在不同實際經(jīng)濟生活中受各種各樣的外界因素影響，忽略了波動的動態(tài)性，未來的收益或損失不可能與過去完全相同，在前后期波動差距較大時，會產(chǎn)生較大誤差.因此又出現(xiàn)了加權(quán)歷史模擬法.

在加權(quán)歷史模擬法下，將金融標(biāo)的資產(chǎn)參考的歷史收益率賦予權(quán)重.該方法認(rèn)為近期指數(shù)波動程度與當(dāng)下的相關(guān)程度更大，遠期指數(shù)波動所受到的影響因素對當(dāng)下已經(jīng)微乎其微.加權(quán)歷史模擬法的計算步驟為：選定歷史時期，其權(quán)重系數(shù)與資產(chǎn)價格或者收益率各自對應(yīng)；將其按照數(shù)值從小到大排序；當(dāng)計算99%置信水平VaR時，從第一個權(quán)重系數(shù)開始加和；當(dāng)其達到0.01時停止，該權(quán)重系數(shù)對應(yīng)的資產(chǎn)價格或者收益率就是在險價值.即有99%置信度在未來一天的資產(chǎn)價格或收益率不會低于該值.盡管歷史模擬法沒有模型假設(shè)風(fēng)險，但是歷史觀察區(qū)間移動窗口難以選擇，不同資產(chǎn)標(biāo)的可能需要不同的窗口選擇.

參數(shù)方法一般是通過密度函數(shù)擬合數(shù)據(jù)，利用擬合模型來估計VaR.，其包含隨機波動模型(SV)、實現(xiàn)波動模型(RV)和GARCH族模型等.為了刻畫金融收益序列尖峰厚尾的特征，Engle[14]提出了自回歸條件異方差(ARCH)模型，后演變出 GARCH模型，描述其模型的異方差性、波動的集聚效應(yīng).同時也衍生出了描述非對稱性的GARCH類模型，探究利好、利空消息對波動情況的影響及其程度.

2.2 GARCH族模型

描述金融收益率序列的條件均值模型如下：

rt=μt+εt，

εt=σtzt,zt～i.i.d，

式中：rt是收益率；μt為t時刻的條件均值；εt是隨機擾動項，其無序列相關(guān)性；σt是標(biāo)準(zhǔn)差；zt獨立同分布且其均值為0，方差為1.以下相同參數(shù)均表示相同或相似的意義.

最初提出的GARCH模型是對稱模型，其形式如下

式中：ω為常數(shù)，代表長期存在的波動，q為方差滯后項的最高階數(shù)，p為擾動項滯后項的最高階數(shù)，αi為第i階擾動項滯后的系數(shù)，βj為第j階方差滯后項系數(shù).

最早Black驗證了美國股市的市場收益率具有非對稱性[14]，非對稱GARCH族模型有EGARCH、TGARCH和CGARCH,等等.

EGARCH：

式中：γ表示市場信息對資產(chǎn)標(biāo)的的波動影響.因為條件方差取了對數(shù)，故對其參數(shù)沒有其他限制.在GARCH項中增加了反映杠桿效應(yīng)的條件，當(dāng)εt-i為負(fù)值時，γi為正表示市場的利空消息會降低該資產(chǎn)標(biāo)的的波動情況，如果γi為負(fù)，表明市場的利空消息會增大未來該標(biāo)的資產(chǎn)的波動，投資者將面臨更大的不確定性.

CGARCH：

式中：ξ表示長期波動成分；ρ保留了長期成分波動的持續(xù)性；η是外部信息沖擊對該波動的影響程度，且0<α+β<ρ<1能夠使得ξ趨向于ω，保證條件方差存在.該模型同樣反映了市場信息的杠桿效應(yīng)，εt-i<0時會直接對波動率增加q個δi的沖擊，當(dāng)δi>0，表示利空消息會增加市場波動σt2，εt-i≥0時，δi項消失，利好消息不會對市場波動造成額外的沖擊.

2.3 不同誤差分布

一般情況下金融市場收益率具有尖峰厚尾的特征，不服從正態(tài)分布，主要考慮能更好描述該特性的學(xué)生T分布和廣義誤差分布(generalized error distribution,GED).

T分布：

式中，Γ是gamma函數(shù)，h是自由度.根據(jù)T分布的性質(zhì)，我們知道當(dāng)自由度趨向于無窮大時，該密度分布函數(shù)收斂于正態(tài)分布函數(shù).

廣義誤差分布(GED)：

式中，λ是改變殘差分布厚尾程度的參數(shù).

2.4 Kupiec模型回測檢驗

假設(shè)N是檢驗樣本中高于VaR的數(shù)量，考察天數(shù)為T.C為給定的置信區(qū)間，P=1-C，認(rèn)為該方法是檢驗失敗率最合適的檢驗方法[15]，其假設(shè)為：

對數(shù)似然比統(tǒng)計量為：

原假設(shè)成立時，LR服從自由度為1的卡方分布.

3 實證分析

3.1 數(shù)據(jù)來源

本文選取的是中證白酒指數(shù)(sz399997)日頻數(shù)據(jù)，利用Python第三方庫Akshare接口獲取東方財富的相關(guān)數(shù)據(jù)，樣本時間選擇2015年8月5日至2021年12月16日，利用1550天日收盤價，得到其對數(shù)收益率的時間序列.

3.2 描述性統(tǒng)計

利用描述性統(tǒng)計分析日收益率時間序列的統(tǒng)計特征，如表1所示.樣本數(shù)據(jù)顯示中證白酒指數(shù)在所選時間區(qū)間的收益率均值為0.1236，其偏度值是負(fù)的，峰度大于3，該數(shù)據(jù)顯示存在明顯的尖峰和不對稱分布, JB統(tǒng)計量顯示99%置信水平下拒絕該序列是正態(tài)分布，其存在一定程度的尖峰厚尾特征.

表1 日收益率描述性統(tǒng)計

3.3 平穩(wěn)性檢驗

對中證白酒指數(shù)日對數(shù)收益率的進行ADF平穩(wěn)性檢驗，統(tǒng)計量t值為-39.253，小于99%置信水平下的臨界值-3.43，即表明在99%的顯著水平下該時間序列為平穩(wěn)時間序列，不存在其他趨勢，驗證了在金融市場中，金融資產(chǎn)收益率序列通常是平穩(wěn)的.之后我們進行了序列自相關(guān)性檢驗，從自相關(guān)和偏自相關(guān)結(jié)果來看不需要自回歸項AR和移動平均項MA，故下面進一步考慮該序列的ARCH效應(yīng).

3.4 ARCH效應(yīng)檢驗

根據(jù)條件均值方程做回歸，殘差項進行相關(guān)性檢驗，其P值均大于0.10，殘差平方項檢驗發(fā)現(xiàn) 存在顯著平方自相關(guān)性，再考慮異方差性，在低滯后項條件下，ARCH效應(yīng)的異方差檢驗均在95%顯著條件下存在異方差性，即存在ARCH效應(yīng)，我們選擇GARCH族模型進行波動率擬合.

4 實證分析

4.1 模型分析

利用Eviews10進行擬合，發(fā)現(xiàn)一般情況下ARCH項和GARCH項僅含1階足以充分包含金融市場收益率波動信息.本文在考慮了擬合系數(shù)的顯著性和AIC準(zhǔn)則后，排除各項階數(shù)大于1的情況，僅考慮ARCH項和GARCH項均只含1項的6種對稱與非對稱波動率模型進行估計.表3中T和GED分別表示該模型收益率服從學(xué)生T分布和GED分布.由于EGARCH模型含有非對稱項，我們分別擬合了EGARCH-T和EGARCH-GED在非對稱項不同階數(shù)情況，考慮非對稱項各自分別含2項和3項，其非對稱項系數(shù)不顯著個數(shù)均不低于2個，且AIC數(shù)值較大，故只分析包含1項非對稱項的EGARCH類模型.擬合利用極大似然估計法得到如表2的模型參數(shù).

從估計結(jié)果看，指數(shù)GARCH模型無論是t分布還是GED廣義誤差分布分布均存在參數(shù)不顯著的情況，且CGARCH-T也存在ω項不顯著，其他五種模型參數(shù)均在95%水平下顯著，即其他四種模型可以有效表現(xiàn)中證白酒指數(shù)收益率波動特征.各模型相關(guān)指標(biāo)如表3所示.

表2 極大似然法估計參數(shù)

表3 模型判斷準(zhǔn)則

根據(jù)參數(shù)的顯著性，AIC、SC越小和極大似然估計值越大模型越優(yōu)的準(zhǔn)則，且模型的異方差檢驗發(fā)現(xiàn)已不含ARCH效應(yīng)，異方差性已經(jīng)通過模型有效消除，故我們認(rèn)為CGARCH(1,1)-M模型在廣義誤差分布條件下的模型效果最優(yōu)，也證明了金融市場中非對稱模型確實能更為準(zhǔn)確預(yù)測其波動程度，中證白酒指數(shù)序列存在杠桿效應(yīng)，可以解釋為，該指數(shù)成分較少，市場的利壞消息對公眾的投資行為存在一定程度影響.根據(jù)近些年白酒市場熱度增加，逐漸進入人們視野，對白酒行業(yè)的關(guān)注也隨之增加，股票和招商中證白酒指數(shù)等基金受到股民關(guān)心，信息利壞消息不僅對各白酒實體市場產(chǎn)生沖擊，更加明顯地體現(xiàn)在對白酒指數(shù)影響加大.

4.2 VaR的模型計算

通過CGARCH(1,1)-M-GED模型預(yù)測中證白酒指數(shù)1550天的波動率估計值，從95%和99%兩個置信水平下計算中證白酒指數(shù)在險價值(見圖1).圖1中位于下面的曲線是99%置信水平的在險價值，上面的曲線是95%置信水平的在險價值.在該模型下，兩條曲線與日收益率損失的波動較為相似，且貼合程度較好.

圖1 中證白酒指數(shù)收益率曲線與CGARCH模型計算的VaR曲線

利用500天和200天滯后信息，結(jié)合加權(quán)歷史模擬法分別計算在險價值，如圖2、圖3所示.

圖2 中證白酒指數(shù)收益率曲線與500天歷史信息加權(quán)計算的VaR曲線

圖3 中證白酒指數(shù)收益率曲線與200天歷史信息加權(quán)計算的VaR曲線

圖2中，兩條曲線是利用過去500天歷史收益率信息通過分布排列得到，其在低波動率時期尤其是2016年前后結(jié)果與實際損失情況十分不符，在高波動率高風(fēng)險時期表現(xiàn)出一定的預(yù)測能力，損失預(yù)測相比低風(fēng)險波動時期準(zhǔn)確率較高.一部分原因是金融市場的周期性存在，而500天作為模擬預(yù)測周期過長，超過了市場調(diào)解周期，所以進一步采取200天作為加權(quán)歷史模擬法的預(yù)測周期得到了圖3.與500天的預(yù)測結(jié)果相比，在2016年前后兩條VaR預(yù)測曲線均向上收斂了，更切合實際指數(shù)損失，在2019年到2021年間，中證白酒指數(shù)出現(xiàn)了多次較大幅度的波動，該方法展現(xiàn)出也較多次預(yù)測到了真實的在險價值.與圖2對比，200天的加權(quán)歷史模擬法效果更優(yōu).故本文此后提及的加權(quán)歷史模擬法皆采用200天作為預(yù)測周期.

對1550個樣本進行回測分析，得到表4.

表4 效果回測分析

如表4所示，LR統(tǒng)計量在95%置信度下的值為3.84，無論是非對稱的CGARCH模型還是加權(quán)歷史模擬法的該統(tǒng)計量值均小于3.84，不拒絕原假設(shè)，即所選擇的模型合適.其中非對稱的CGARCH(1,1)-M-GED統(tǒng)計量值更小，失敗次數(shù)更多，對于實際指數(shù)資產(chǎn)投資來說能夠更準(zhǔn)確地預(yù)估投資資產(chǎn)損失，對投資者的實踐操作更有價值；在99%置信度下的值為6.63，標(biāo)準(zhǔn)顯示非參數(shù)法的LR統(tǒng)計量值7.0562>6.63，拒絕原假設(shè)，該模型計算方法不適合評估99%置信度的在險價值，而非對稱的CGARCH模型對預(yù)估在險價值具有重要的現(xiàn)實價值.

4.3 不同波動下的模型效果

為了進一步探究中證白酒指數(shù)不同波動變化下的兩種模型效果準(zhǔn)確情況，我們根據(jù)收益率的波動大小，將樣本數(shù)據(jù)截取三個部分，得到三個時間區(qū)間2016-01-04-2018-01-17、2018-01-18-2019-09-10、2019-11-27-2021-12-16.由圖2中證白酒指數(shù)日收盤價的趨勢可以看出，在選取的時間區(qū)間前期，收盤價處于穩(wěn)定上升變化時期，其只含有微小波動；在時間區(qū)間中期，出現(xiàn)個別較大幅度波動，收盤價抬高、下跌兩種趨勢變化，但大幅變化很不穩(wěn)定，持續(xù)時間很短；在時間區(qū)間后期，收盤價出現(xiàn)頻繁劇烈上升、下跌變化，展現(xiàn)出曲線出現(xiàn)極大程度波動，且遠超前中期的變動幅度，其上升和下跌都含有一定時期的長期或滯后影響.故分別選取其為低波動期、不穩(wěn)定波動期和高波動期，分別含有500天、400天和500天.分別截取該區(qū)間的不同模型預(yù)測對比.

在中證白酒指數(shù)日收盤價低波動期，加權(quán)歷史模擬法根據(jù)歷史波動信息預(yù)測，結(jié)果如圖4所示.99%置信度下的VaR曲線基本未接觸到收益率曲線，參數(shù)模型的預(yù)測結(jié)果同樣基本全部位于收益率下方，表明預(yù)測的在險價值很少超過其實際值;但是加權(quán)歷史模擬法下的曲線與實際值之間還存在大幅空白，可以解釋為，由于歷史信息的作用，對于低波動率下的預(yù)測可能過于夸張，形成利壞信息，增加人們對該指數(shù)未來時期的恐慌;反觀廣義誤差分布下的均值CGARCH模型，契合最低收益率，95%置信度和99%置信度下均展現(xiàn)出更好的效果.

(a)加權(quán)歷史模擬法

(b)CGARCH模型圖4 低波動率時期的收益率與VaR曲線

在不穩(wěn)定波動時期，收盤價上漲和下跌均有較大變化，但其實短期內(nèi)的市場能夠及時調(diào)整，不會出現(xiàn)較長期的變動趨勢，這種變化對于歷史模擬法來說不是友好的，因為沒有長期趨勢下歷史模擬法的效果會被削弱，具體化如圖5所示.由于在2018年10月出現(xiàn)了幾天的下跌，損失率較大，在其后面立刻出現(xiàn)了模擬預(yù)測的VaR值曲線臺階式下降，在2019年5月左右出現(xiàn)較大損失率后，再次下跌，使得在其后面時期的預(yù)測中，99%置信度下的預(yù)測效果很差，甚至超過了實際損失的一倍，這會造成市場低迷，投資動力不足.參數(shù)模型的預(yù)測效果，兩種置信度下均能很好地貼合實際損失，且未夸張未來預(yù)期在險價值，效果較好.

高波動期的在險價值預(yù)測情況如圖6所示.95%置信度的曲線較為平穩(wěn)，但是出現(xiàn)了較多的超過在險價值的損失，而由于高波動期，交替出現(xiàn)多次的漲跌情況，且均存在一定時期的穩(wěn)定變動趨勢，99%置信度下曲線波動程度較大，預(yù)測值與實際情況存在較大差距.而帶有杠桿效應(yīng)的非對稱GARCH模型很好地預(yù)測了在險價值，跟隨實際進入市場波動，其也出現(xiàn)了多次的尖峰變化，并能及時調(diào)整預(yù)期損失，展現(xiàn)出了較好的預(yù)測效果.

(a)加權(quán)歷史模擬法

(b)CGARCH模型圖5 不穩(wěn)定波動時期的收益率與VaR曲線

(a)加權(quán)歷史模擬法

(b)CGARCH模型圖6 高波動時期的收益率與VaR曲線

對兩種方法的預(yù)測結(jié)果進行回測分析，結(jié)果如表5所示.

表5 回測分析

從LR統(tǒng)計量可以看出，加權(quán)歷史模擬法95%置信度下預(yù)測的高波動期拒絕了模型假設(shè)，表明該方法對高波動情況的預(yù)測不符合實際，其未能較好地捕捉較大損失值，失敗率達到了7.8%，會使投資者過于自信，造成較大未知損失.其余預(yù)測情況均表明不拒絕該模型進行預(yù)測在險價值VaR.且表5中兩種模型對比，參數(shù)模型的預(yù)測失敗次數(shù)和失敗率均要低于加權(quán)歷史模擬法的預(yù)測情況，表現(xiàn)出更優(yōu)的風(fēng)險預(yù)測效果.

5 結(jié)論

本文選取中證白酒指數(shù)數(shù)據(jù)，利用GARCH族模型和加權(quán)歷史模擬法預(yù)測在險價值，對比分析不同分布下參數(shù)法和非參數(shù)法對不同指數(shù)波動情況在險價值的預(yù)測情況，得到以下結(jié)論：中證白酒指數(shù)對白酒行業(yè)的不利信息會產(chǎn)生較大波動，即存在杠桿效應(yīng)；廣義誤差分布更能科學(xué)描述市場波動特征；較短的預(yù)測周期下加權(quán)歷史模擬法能夠反映近期金融市場波動信息，但易受到市場個別極端影響，進而高估該指數(shù)投資風(fēng)險；CGARCH-M-GED模型預(yù)測準(zhǔn)確率更高，能夠合理評估市場風(fēng)險，且其對市場信息變化更加敏感，能夠充分反映金融市場的杠桿效應(yīng).