我国证券市场的现状_VaR在我国证券市场中的应用

　　【摘要】VaR作为金融界度量市场风险的主流方法，不仅是各大金融机构量化金融资产潜在风险、调节资产头寸的重要工具，而且在我国证券市场的风险管理中也被广泛运用。本文主要通过对我国沪深300指数的分析来反映我国股市的风险状况，同时基于沪深300指数作为我国股指期货的标的指数，对其分析也可以为我国的期货监管机构确定具体的保证金比率、保证风险可控和提高监管的有效性提供一定的参考意义。
　　【关键词】沪深300指数 GARCH VaR
　　一、引言
　　金融类时间序列作为我国金融研究领域的重要部分，一直是理论界分析的重点。大量实证分析表明，金融类时间序列尤其是收益率时间序列具有明显的非正态性、异方差性、波动集聚性和长记忆性等统计特征。
　　风险是金融类资产最本质的特征，因此通过对风险（即波动性）的量化与预测，一方面可以帮助我们相应地测定某项资产的风险溢价，另一方面则有利于我们进行有效的风险管理。作为业界刻画风险最常用的VaR更已经发展成为目前使用频率最高的风险量化工具。
　　二、模型简介
　　（一）GARCH模型
　　美国经济学家Robert F.Engle 于1982年在研究英国通货膨胀率序列变化规律时提出的自回归条件异方差模型（ARCH 模型），是现今描述方差随时间而呈现异变性问题最具有代表性的计量方法，其基本思路是模型误差项在t时刻的方差依赖于前期(t-1，t-2，…) 的模型实际误差的平方。1986 年，Bollerslev 在Engle 的ARCH 模型基础上对方差的表现形式进行了直接的线性扩展，形成了应用更为广泛的GARCH 模型。
　　相对于ARCH（p）模型，GARCH（p，q）模型的优点在于：模型中增加了q 个自回归项，可用低阶的GARCH 模型代表高阶的ARCH模型，从而解决了ARCH 模型的固有缺点，使待估参数数量大为减少的同时提高了准确性。
　　（二）VaR模型
　　VaR方法由JP Morgans率先提出，目前已经成为国际金融机构广泛采用的风险管理技术，其含义是指：在市场正常波动下，某一金融资产或证券组合的最大可能损失。用公式表示为：
　　Prob（ΔP≤-VaR）=1-c
　　在上式中，ΔP为资产在持有期内的损失；VaR为资产在置信水平c下处于风险中的价值；c为置信水平。
　　VaR主要用于对金融资产未来风险的度量，根据历史数据推出金融资产的收益分布，从而得到作为该分布的一个百分位数的VaR值，计算VaR的方法主要有三种：历史模拟法；方差—协方差法；蒙特卡罗模拟法，其中历史模拟法和方差—协方差方法因其计算方法简单快捷而最为常用，采用方差—协方差方法度量金融资产的VAR时，其计算公式为：
　　VaR=δP 　　　　　　　　（2.1）
　　式中，α表示在标准正态分布下对应一定置信水平的分位点，σ表示资产收益率的波动，P代表金融资产的市值。
　　因此，在随后的实证分析中，我们将主要采用方差—协方差方法，通过估计收益率时间序列的波动性参数，进而对金融资产的风险进行有效的刻画和度量。
　　三、实证分析与建模
　　（一）样本选取与数据处理
　　本文的样本数据以沪深300指数从2007年1月4日至2012年5月14日的日收盘价作为研究对象，共计1302个观测值。之所以选取沪深300指数作为本文的研究对象，一方面是因为沪深300指数是由上海和深圳证券市场中选取300只A股作为样本编制而成的成分股指数，具有良好的市场代表性；另一方面则是因为沪深300指数作为我国股指期货的标的指数，通过对其研究可以为我国股指期货市场的风险管理提供一定的理论依据。本文所有的结果均通过Excel2003、Eviews6.0计算得出。为使收益率的时间序列更为平稳，本文在计算沪深300指数收益率时将采用对数收益率进行数据处理，计算公式为：
　　yt=ln（pt）-ln（pt-1）
　　其中：yt代表t日的沪深300指数收益率；pt代表t日沪深300指数收盘价，pt-1为t-1日的沪深300指数收盘价。
　　（二）统计特征描述与分析
　　1.自相关性检验
　　根据Ljung-Box Q统计量和对应P值并经反复试验，可以判断该样本序列至少在滞后1期内存在自相关。
　　2.正态性检验
　　采用峰度（K）、偏度（S）以及JB检验联合判断样本序列的正态性检验（见图1），结果表明样本序列存在明显的尖峰厚尾现象，显著地异于正态分布。
　　图1 样本序列正态性检验
　　3.平稳性检验
　　对样本序列进行ADF单位根检验，由于该序列围绕零均值上下波动，不存在明显的趋势，故检验选择无常数项和趋势项类型（见表1），检验结果表明ADF检验的t统计量为-28.77164，明显低于显著性水平1%的临界值，因此，应当拒绝样本序列存在单位根的原假设，说明样本序列具有平稳性。
　　4.异方差性检验
　　采用ARCH-LM检验法对样本序列进行异方差检验，当取滞后阶数为1时，结果（见表2）显示样本序列在1%的显著性水平下，残差序列存在ARCH效应，说明样本序列具有异方差性。
　　（三）建立GARCH模型
　　根据对以上的统计特征所做的分析，我们发现沪深300指数对数日收益率时间序列为平稳时间序列，且具有方差时变性，同时又近似服从正态分布，所以建立GARCH模型可以很好地评估沪深300指数的风险。在建立GARCH模型前，经试算，判断滞后阶数（p，q）为（1，1）比较合适，经过回归，得出以下模型结果：
　　均值模型：
　　由以上的模型结果可知，模型系数的伴随概率值均小于5%的显著性水平，说明GARCH模型的各项系数均是显著的；再对所建模型进行ARCH-LM检验，此时的伴随概率为0.3123，因此接受不存在异方差的原假设，因此该残差序列不存在ARCH效应，进而说明了GARCH（1，1）模型消除了单纯的AR（1）模型的ARCH效应。同时波动模型中的ARCH 和GARCH项的系数和为0.9918<1，满足参数约束条件，因而具有良好的预测能力，所以我们可以在历史交易数据的基础上预测下一交易日的收益率波动状况。