我国开放式股票型基金的风险度量基于GARCHVAR模型.pdf

我国开放式股票型基金的风险度量基于GARCHVAR模型.pdf

《我国开放式股票型基金的风险度量基于GARCHVAR模型.pdf》由会员分享，可在线阅读，更多相关《我国开放式股票型基金的风险度量基于GARCHVAR模型.pdf（8页珍藏版）》请在冰豆网上搜索。

我国开放式股票型基金的风险度量我国开放式股票型基金的风险度量基于基于GARCH-VAR模型模型魏巍（东南大学经济管理学院金融系，江苏南京，211189）EMAIL：

摘要：

摘要：

用VaR模型度量开放式基金风险可较为准确的估计给定金融产品或组合在未来价格的波动。

本文选取2004年8月至2007年8月12只股票及偏股型基金共计729天的数据，实证分析了GARCH模型在正态分布、t分布以及GED分布下预测出的VaR值的准确程度。

比较研究结果表明，与正态分布和t分布相比，GED分布能较好的反映股市收益率回报序列的厚尾特征。

关键词：

日收益率VaRGARCH失败检验法关键词：

日收益率VaRGARCH失败检验法中图分类号：

F830.6文献标识码：

A中图分类号：

F830.6文献标识码：

A1引言引言作为开放式基金的主要品种，开放式股票基金的市场风险主要来源于股票市场价格的波动。

基金管理者需要对基金组合在一定时间内面临的市场风险进行量化分析，从而适时调整投资策略。

金融时间序列如股票价格、汇率、利率和通胀率通常具有尖峰厚尾特征和波动聚集性，传统的VaR值估计方法是假定收益率序列服从正态分布，没有考虑金融时间序列这些特征，GARCH模型则能比较好的描述收益率波动的动态变化特征1。

采用GARCH-VaR模型度量风险较符合我国证券投资基金的现状，并且可得到一个随时间变化的VaR序列，从而便于研究VaR的变化趋势和未来VaR的预测。

因此在研究国内外文献的基础上，本文试图应用GARCH-VaR模型，对我国开放式股票型基金市场风险进行测量和分析，对比不同分布下各模型计算出的VaR值的准确程度，从而为风险管理中计算VaR时模型的采用以及分布的假定提供一个更好的借鉴。

2GARCH-VAR风险度量模型风险度量模型鉴于条件异方差的存在，1982年恩格尔（Engle）提出了著名的ARCH模型。

随后，TimBollerslev（1986）将了残差方差的滞后项引入ARCH模型的方差方程中，得到了广义自回归条件异方差模型（generalizedautoregressiveconditionalheteroscedasticitymodel,GARCH模型）2，即GARCH（p,q）模型。

其具体形式为：

均值方程：

ttttrhtv=+=条件方差方程：

22011qptitiijhhjtj=+其中tr为基金的收益率序列，为收益率序列的均值，0o，0i（i=1，q），0j（j=1，p）保证条件方差的非负性；1tI是t时刻以前的所有信息集合；保证该过程的平稳性。

111qpijij=+在GARCH模型中的残差分布通常有三种：

正态（高斯）分布、学生t分布和广义误差分1http:

/布（GeneralizedErrorDistribution,GED）。

实践中，通过假定为正态分布，但正态性不足以反映股市收益率序列的尖峰厚尾性，因此Nelson和Hamilton等人提出用广义误差分布和t分布来反映厚尾特性。

大量的实证分析表明，用GARCH（1,1）模型就能很好的描述波动的聚类性，在本文的实证研究过程中，要用到以下几种分布的GARCH（1,1）模型:

（1）基于GARCH（1,1）一正态模型的VaR计算模型2122211,（0tttttttrIN,）t=+=+?

其中21（0,）tttIN表示t的条件分布服从均值为0方差为2t的正态分布。

大量的实证分析表明，但收益率序列的实际分布还通常呈现出明显的“尖峰厚尾”性，假设t的条件分布服从正态分布会低估尾部风险。

下面的模型中引入两种比正态分布更好地描述收益率“尖峰厚尾”性的分布。

（2）基于GARCH（1,1）-t模型的VaR计算模型2122211,（0,tttttttrItv）t=+=+?

其中2（0,）ttv表示均值为0，自由度为v，方差为2t的t分布。

（3）基于GARCH（1,1）-GED的VaR计算模型2122211,（0,tttttttrIGEDv,）t=+=+?

以上的GARCH模型各自会产生一个标准差序列2t，我们需要得到的是评价期的历史VaR值，可以先计算出标准差序列的平均值，然后根据下面公式计算出VaR值:

1（）VaRF=+其中是所设定分布的分布函数的反函数，1（）F?

为标准差序列的平均值，为设定的置信水平。

在计算出VaR值后，就要对估计结果进行检验，这就是对模型的后检测试。

后检测试最常用的是失败检验法1。

失败频率检验法是通过比较实际损失超过VaR的频率与一定置信水平下的上限值是否接近或相等，来判断VaR模型的有效性。

如果模型有效，则模拟的失败率应等于预先设定的VaR置信度1c,如果失败率与1c相差较大，表明模型不适合。

假定置信水平为c,置信度为1c，实际考察天数为T，失败天数为，则失败频率记为Np（=N/T），这样失败频率就服从一个二项式分布，期望概率为,设零假设为*p*0:

Hpp=；备择假设为*1:

Hpp，检验失败频率是否拒绝零假设。

Kupiec提出了采用似然比率检验法对零假设检验，似然比方程为：

*2ln

（1）2ln

（1）TNNTNNLRpppp=上式在零假设条件下,统计量服从自由度为1的LR2分布。

2http:

/本文计算我国证券投资基金VaR的方法都直接对基金收益率的历史数据建模，而不是将每一个基金映射为一系列“市场因子”的组合，这主要是因为基金保留有足够的历史收益数据，而且没有包括衍生证券等复杂的不能计算每日收益的资产，没必要多作一次近似计算。

3实证研究实证研究3.1样本描述样本描述本文一共选择了12只开放式股票及偏股型基金，它们分别是华安创新、长城久泰、华安A股、德盛小盘、荷银精选、嘉实增长、海富精选、巨田基础、金鹰优选、博时裕富、融通深证100、景顺增长。

采用数据为这些基金的每日单位净值，时间范围从2004年8月2日到2007年8月1日，每个序列共计721天的数据。

数据来自上海财华信息技术服务公司（www.fin-）制作的基金数据库。

基金的日收益率由下面的方法计算:

1ln（）tpttNAVRNAV=，其中，ptR为基金在t日的收益率，为第t日的基金净资产。

没有特别说明时，检验均是在显著性水平a=0.05下进行，即置信度为95%。

tNAV3.2实证分析实证分析我们对数据进行计算得到各只基金的日收益率数据，利用软件Eviews5.0对其进行统计分析。

1样本基金日收益率的统计分析样本基金日收益率的统计分析表1样本基金日收益率的统计分析结果检验项目均值标准差偏度峰度JB统计量ARCH效应检验华安创新0.0019130.013239-0.6414697.837022760.46678.991818长城久泰0.0019990.015306-0.4798996.891492487.85687.190166华安A股0.0018890.01519-0.7469617.825279774.7437.355441德盛小盘0.0001090.041124-23.64833608.4887112036461.559439荷银精选0.0020630.015099-0.3902347.092927527.26979.546383嘉实增长0.0017970.012375-0.4330097.732395717.05455.359293海富精选2.86E-050.046473-24.11516625.0887118253210.000802巨田基础0.0010490.014148-1.0106368.200103944.96048.552449金鹰优选0.000510.02812-18.67588444.114159526210.0023博时裕富0.0002580.037582-19.9805481.737370099330.00184融通深证1000.0008910.019368-2.71046524.4197314825.140.612429景顺增长0.0018620.016594-4.88479874.74721159247.40.106193从表1中可以看出，12只基金的收益率均值全为正，这说明基金在样本期平均取得的日收益是正的，但标准差普遍比均值大上十倍，这说明日收益的变化比较剧烈。

12只基金日收益率序列中只有2个序列在1%的水平下不是显著有偏的（原假设为偏度等于0），在5%的水平下全部显著有偏，而且是右偏的，说明大的上涨比大的下跌多，标准差会高估风险。

峰度统计量的值变动较大，它们在1%的水平下均是显著的（原假设为峰度等于3）,说明样本中的肥尾性要比偏度更为突出。

对于检验序列正态性的JB统计量，在1%的水平下也全部是显著的，说明日收益率序列的分布不是正态的，这与前面关于偏度和峰度的检验结果是一致的。

对样本基金的日收益率的均值方程残差序列进行ARCH效应检验发现，当q=5时除金鹰优、博时裕富选外都仍小于显著性水平，即检验依然显著，表明残差序列存在高阶的ARCH3http:

/效应，即收益率序列存在波动集聚性。

综上所述，样本数据说明我国开放式基金的日收益率时间序列存在下面三个统计特征：

右偏性，尖峰肥尾性和波动聚集性，而且这些特性的表现都比较突出。

当我们用基于正态假设的风险度量和计算方法去估计开放式基金的日收益率的风险时，势必造成估计存在大的偏差，忽视波动率的时变性不仅会失去风险的变动信息而且会造成风险估计的不准确和较差的预测性。

2不同分布下不同分布下GARCH模型的估计和模型的估计和VaR值的计算与检验值的计算与检验利用GARCH（1,1）-正态分布模型、GARCH（1,1）-t分布模型和GARCH（1,1）-GED分布模型对每只样本基金收益率进行拟合，得到每只样本基金收益率的均值、模型参数值以及t分布和GED分布的自由度。

从模型的估计参数来看，各模型的参数均在5%置信度水平下显著。

而对估计残差再作异方差效应的LM检验，将发现不存在显著的异方差现象，以上模型能较好的刻画基金收益率异方差现象。

计算结果如下表3.2。

表2正态分布下GARCH模型的估计结果检验项目lnLAIC华安创新0.001368（0.000360）0.0000071（2.02E-06）0.159257（0.022663）0.810475（0.027773）2195.071-6.01117长城久泰0.001272（0.000428）0.00000497（1.95E-06）0.085061（0.016131）0.892553（0.022507）2082.623-5.70267华安A股0.001157（0.000424）4.71E-06（1.57E-06）0.099762（0.014863）0.878786（0.019812）2112.65-5.78505德盛小盘0.000523（0.000296）6.18E-06（1.05E-06）0.252674（0.026316）0.734339（0.021453）2254.233-6.17348荷银精选0.000695（0.000362）2.24E-06（1.05E-06）0.109960（0.015238）0.886032（0.017305）2129.308-5.83075嘉实增长0.000978（0.000337）2.61E-06（8.50E-07）0.100018（0.012160）0.888591（0.013136）2232.025-6.11255海富精选0.00179（0.000201）4.20E-05（6.12E-06）3.771203（0.053268）0.092753（0.013875）1921.830