正确处理对冲风险

2024-05-06

正确处理对冲风险（精选七篇）

正确处理对冲风险篇1

一、实物与经费管理在风险控制中存在的问题

后勤经济管理过程中的风险意识淡薄, 缺乏相应的风险管理机制。

1. 在后勤经费与实物管理过程主要存在两类风险因素 (1) 损失浪费的风险

一方面, 由于实物资源具体一定的储存保管期限及使用寿命, 因此, 如果不考虑现实任务需要, 技术水平限制及经济能力而盲目提高实物供给数量和质量水平, 会因物品的积压、过期、失效等原因造成资源损失浪费。这种情况发生时, 后勤资源不能充分有效地利用和消耗, 会遭受经济损失。一般情况下, 损失浪费风险不会影响事业任务的完成和保障力的实现, 只是保障力过剩。但是后勤系统掌握的经济资源是有限的, 如果过剩实物资源大量侵占后勤其他方面资源时, 有可能会导致后勤系统的运转失去应有资源支持, 从而导致后勤保障活动局部或整体停滞。

(2) 后勤保障失败的风险

由于后勤管理者过份相信经费的一般等价物特征, 从而分配过少的实物资源, 当保障力在短时间内增大, 而经费向实物的转化不畅时, 就可能会由于实物资源的不足导致后勤保障活动失败。这类风险是后勤管理活动极力避免和不可接受的。

2. 后勤管理过程中风险控制缺失

后勤管理过程中, 并未真正将风险控制列入议事日程。

(1) 在后勤资源管理的实际工作中, 对资源的配置标准是单一的, 僵化的。绝大部分标准只考虑正常任务条件下个别保障单位的人天数因素, 对突发事件, 自然灾害或特殊任务, 或大规模任务未加考虑, 这样的配置标准很容易在完成急难险重任务时发生保障失败的风险。如在汶川地震中, 短途的空中运输保障力量明显不足, 不能不说是后勤保障中部分失败。

(2) 缺乏相关的风险评价指标和依据。在后勤保障中, 为避免损失浪费风险和保障失败风险, 达到“精确保障”的目的应分析什么因素, 计算什么指标, 目前在后勤管理中还是一个空白。由此导致后勤资源配置过程中的动态调节是不可能完成的任务。后勤部门在日复一日的损失浪费和失败中“总结经验教训”是一个恶性的循环, 不能从根本上解决合理配置经费与实物资源, 达到正确处理经费与实物管理目的。

二、建立经费及实物的风险管理机制

要在经费及实物管理过程中引入风险评价机制, 通过风险评价杜绝保障失败风险, 减少损失浪费风险, 从而提高经费与实物的管理力度, 更好的协调经费与实物资源的配置。

1. 后勤部门要建立风险管理机构

由对经费及实物资产具有分配、调节权的部门或者领导小组成立风险管理机构, 该机构负责制定本单位的风险管理办法, 制定风险管理指标, 而后对本单位风险管理情况进行评价和调整。

2. 评估风险因素

风险管理机构应针对风险形成的特征, 结合本单位或部门的实际找出影响风险的主要因素。结合两种风险类型来说, 影响风险水平的主要因素有:被保障对象的任务性质, 所处区域的自然及社会环境, 区域经济发展水平, 后勤保障手段, 后勤保障的组织结构, 实物资源组织筹措、储备及运输的复杂程度等因素。这些因素在不同方面对后勤系统的实物资产存量比例产生影响, 只有充分综合考虑这些因素, 才能更好地确定经济与实物资源的比例, 更好的规避风险。

3. 建立多方合作的信息交流渠道

影响后勤保障风险的诸多因素往往具有不确定性, 因此, 后勤部门应想方设法建立与公共安全、气象服务、地震预报等公共管理机构的信息交流平台和沟通机制。尽可能的在风险因素加大时, 有充足的时间调整经费与实物资源比重。

4. 建立风险应对预案

首先, 设定紧急情况下的经费与实物转换方式, 拓宽经费与实物转换渠道, 做到自我保障, 上级供应和就地、远程采购相结合, 并针对各转换渠道供应实物的可靠性, 运输的便捷性及可能性等因素分配自备物资、请领物资及采购物资的比重。争取做到多渠道、多方式的实物资源补充, 提高经费向实物的转化效率。

其次, 要考虑突发风险状况下实物运输分配的途径与手段, 充分考虑可能的水、陆、空运输方式的可靠性和可能性, 在不同地理特征的区间提前合理分配经费与实物资源。

5. 建立风险的动态评价机制

正确处理风险防控与业务拓展的关系篇2

长期以来，我国商业银行一直未将合规风险管理摆上应有的重要位置，合规风险管理意识比较淡薄，普遍存在重业务拓展，轻合规管理的现象。金融企业往往把目光局限于完成考核任务和经营目标，注重市场营销和拓展，忽视业务的合规性管理，有些营业机构甚至不惜冒着违规操作的风险以实现短期业绩，加大了银行合规经营风险。这对业务健康持续地发展十分不利。

商业银行是以盈利和股东价值最大化为核心的企业，发展并获得效益是我们一切活动的根本所在。但发展、效益总是与风险共生相伴的。因为与其说银行在经营货币，不如说银行实际上是在经营风险，银行就是凭借高超的风险控制和管理艺术来获取远比一般行业要丰厚得多的收益的，银行的每一项业务都是伴随着对风险的分析、评判、监控、转移、分解等处理方式展开的，风险始终伴随市场而存在，要开拓市场就必然要承担风险。

风险防控和业务拓展是一件事情的两个方面，或者说是互为表里的。银行就像一辆行驶中的汽车，道路状况是银行的经营环境，刹车和方向系统是风险控制和管理，车速是业务的拓展，只有在刹车和方向系统状态良好的情况下，驾驶员才能提高车速并安全行驶，否则就很有可能遭遇颠覆的后果。

从另一个角度看，风险是结果的不确定性，是结果对期望的偏离，没有对风险的控制和管理，业务拓展带来的收益将是不确定的。财务报表可能在一定时间内变得好看，但经营成果实际上处于不确定状

态，埋藏着风险隐患，一旦引发，今日的盈利明天就可能变成亏损，甚至带来灭顶之灾。巴林银行倒闭事件就是最好的明证。因此，我认为，在没有有效的风险管控的前提下，任何业务拓展都是盲目的，是一种赌博，走上的可能是一条不归路。

其次，我们应该懂得，风险管控本身就寓于发展的范畴之中。根据新巴塞尔资本协议，风险管理水平高的银行将在资本充足率的监管要求上获得优惠待遇，对风险加权资产的资本覆盖要求减低，这样银行就有更多的资本去进行业务拓展；反之，若风险管理能力达不到监管要求，则必须缩减业务范围或规模，以增强经营风险的资本保障能力。

管理学上有一个水桶原理，围成水桶的所有木板中最短的那块木板决定着水桶真正的盛水容量。对于邮储银行而言，与国内外先进银行比，我行在营销渠道、技术支持手段、品牌知名度以及风险管理能力和手段、风险文化等方面都存在一定的差距，比较而言，后者的劣势更为明显，这恰恰是对我行发展起关键性制约作用的那块最短的“木板”，决定着当前能够打造的“水桶”的容量。

再者，我们应当理解，现代意义上的业务拓展不仅表现为量的方面，更重要的是其质的方面，量即使没有增加，但质变好了就是发展。风险控制的主要落脚点就是要抓质的方面。如果在业务拓展的同时不注重风险控制，市场拓展就不能保证是有效的增长，增加的部分相当多地就会变成不良资产，业务规模越大，损失越多，包袱也就会越背

越重，使辛辛苦苦积累下来的家底不断被侵蚀，从而失去发展的后劲。

此外，需引起我们重视的是，风险管控是银行无形资产价值的重要构成因素，完善的风险管理机制和高超的风险管理能力有助于增进

银行稳健、安全的形象，提高信誉度，吸引潜在的客户，促进业务的拓展。最近发生的小额信贷业务被停牌的事件就值得我们深思。假如，贷款追不回来，逾期率居高不下，我们银行损失的不仅仅是收益利润，更致命的打击是银行在社会公众中稳健经营的形象大受影响，管理和控制风险的能力受到怀疑。试想，有谁能放心地把钱存到我们银行来？又还有谁愿意使用我们银行的其他业务呢？那么，我们原来雄心勃勃的业务拓展计划就会落空。

固定收益证券风险对冲研究篇3

一、浅析静态利率期限结构模型下的利率风险度量及对冲

(一)静态利率期限结构模型下的利率风险度量

相对于高风险的投资品种而言,固定收益证券的投资风险较低,但这并不意味着没有风险。因此,在投资固定收益证券产品时同样需要进行风险对冲,以此来规避投资风险。从理论上来看,风险对冲策略是用以冲销投资对象潜在风险损失的最佳手段,该策略与风险分散策略有所差异,风险对冲策略是根据投资者自身的风险承受能力等因素而制定的,借由对冲比率的调整来削弱潜在风险,从某种意义上来讲,投资收益与投资风险是相辅相成的,但既然是投资固定收益证券产品,那么它的收益率则有了一定的保证,那么,作为投资者只需考虑对冲比率的设定即可。

(二)固定收益证券投资风险对冲需要多元化的产品支持

固定收益证券投资的品种有一定的局限性,这是源于该类型投资品种的特性所决定的。由于固定收益证券产品的持有人能够在特定的时间内取得一定的固定收益,而且,这部分收益是事先就知晓的,因此,固定收益证券的投资风险相对于其它类型证券而言较低。在进行固定收益证券风险对冲研究时,需要考量债务承诺方的资信是否良好。就以我国在资本市场所发行的国债来看,通过对上海交易所国债数据进行的分析可知,发现四因子非高斯仿射模型和四因子高斯仿射下随机久期向量的利率风险对冲效果分别显著优于CIR模型下的随机久期,并且四因子非高斯仿射模型下随机久期向量的利率风险对冲效果优于四因子高斯仿射模型下的随机久期向量。

二、用投资组合的策略来执行固定收益证券风险对冲

(一)投资固定收益证券项目的市场氛围研究

从以往我国金融市场的发展状况来看,金融行业的创新发展之路较为坎坷,但其最终的结果却很乐观,因此可以说,我国证券市场氛围十分良好,这就给固定收益证券投资的收益性提供了优质保障。从固定收益证券交易的历史轨迹来看,其风险是相对可控的。尽管如此,为了保证投资者既定利益以及市场监管方的权威性,对静态利率期限结构模型以及动态利率期限结构模型下的国债利率风险对冲的结构进行比对,发觉到构建不同的风险对冲模型所呈现的效果不尽相同,相对而言,引入利率期限结构预测信息的四形状因子久期向量模型的利率风险对冲效果较为良好。

(二)动态利率期限结构模型下的风险对冲

构建动态利率期限结构模型的前提是投资信用组合的建立,这往往需要对基于系统风险因子的信用组合风险对冲进行探索。当然,尽管固定收益证券本身的收益性有一定的保障,再加上风险对冲模型的保障,使其风险一再降低,但固定收益证券风险对冲策略的制定也并非绝对完备,因金融债权市场当中的风险是客观存在的,构建风险对冲模型只能在一定程度上避免当重大风险发生时的投资者损失,以及增强证券市场监管机构的管理有效性。因此,鉴于投资风险是会随着市场的调整而发生变动,那么,固定收益证券风险对冲策略将始终处于一种动态化的变动过程之中,如何在当前的金融市场环境中制定出合理的风险对冲策略,需要运用构建风险对冲模型的手段来具体情况具体分析。

三、结束语

总而言之,固定收益证券市场环境是否良好对于国家整个金融市场的稳定运行有着至关重要的影响。从目前情况来看,国内外的固定收益证券市场的发展十分乐观,但相对西方发达国家而言,国内市场的发展存在一定的桎梏,尤其是固定收益证券产品类型创新有着很大的潜力,同时,固定收益证券市场当中的风险量度及对冲需要进一步探究,让信用对冲工具等发挥出它的最大效用,进而在满足固定收益证券市场流动性的同时,保障投资收益的稳定性,这将有利于市场环境当中的投资者及相关监管机构利益的维护。

参考文献

[1]张亮亮,熊国兵,祁洁萍,等.基于违约强度的固定收益证券风险敏感性分析与压力测试[J].上海金融,2011,02(02):85-87

[2]都婧.固定收益证券的的综合风险分析及量度——基于企业债和公司债的实证分析[J].中国外资,2014,04(04):145-146

曲度变动与利率风险对冲效果的改善篇4

利率变动的不确定性称为利率风险。利率风险管理模型主要有两大类——函数化模型和因素驱动模型[1]。函数化模型假定利率的变化满足特定的函数形式, 如Macaulay久期模型假设期限结构是平坦的且其移动是平行的; Fisher-Weil久期模型[2]不再要求期限结构是平坦的然而其仍然假设期限结构的移动是平行的[3];久期向量(Duration Vector)模型[4]将Macaulay久期模型扩展到了高维的情形,可对冲期限结构非平行移动带来的风险,然而当债券期限较长时该模型的误差较大。虽然函数化模型的利率风险对冲效果较好,但其难以用于定性分析,因此会降低免疫策略的有效性[1]。

因素驱动模型假设利率变动是由某些因素驱动的, 因此这类模型便于构建免疫策略。例如关键利率久期(Key Rate Duration)模型[5]假设收益率曲线的移动可以由一些关键利率的变动来描述,该模型需要考察较多的关键利率, 因此在实际风险管理中成本较高; Litterman和Scheinkman[6]提出的主成分久期(PCA Duration)模型的因素由主成分分析得到,一般只需考虑三个因素,但是在利率变动的协方差矩阵不稳定的情况下,该模型失效。

利率期限结构的非平行移动带来的风险也即利率的斜率风险和曲度风险受到了越来越多的关注[7,8]。Hodges和Parekh[9]及Crack等[10]提出的利率风险模型可度量斜率和曲度风险,然而他们均假设利率变动服从多项式形式,因此与久期向量模型类似,当债券期限较长时会产生较大误差。Diebold和Li[11]对Nelson-Siegel模型[12]进行重新阐释,认为Nelson-Siegel模型的三个系数分别表示水平、斜率和曲度,基于此提出了Nelson-Siegel久期向量模型,用以对冲收益率曲线水平、斜率和曲度变动导致的利率风险。

Cochrane和Piazzesi[13]认为利率期限结构的第四主成分对于预测债券的回报很重要。Almeida等[14]的实证结果表明虽然利率期限结构的第四主成分只能解释利率变动方差的0.02%,但是它可解释超过20%的债券风险溢价。

因此,本文提出引入一个新的因素将Nelson-Siegel久期向量模型进行扩展。通过主成分分析进行识别,确定上交所国债利率期限结构的第四主成分代表曲度因素,所以新引入的应为曲度因素。然后,本文分别给出了扩展的久期向量模型在Svensson模型[15]以及形状因素(Shape Factors)框架[16]下的实现。最后,利用上交所国债数据进行实证研究检验本文提出的扩展的久期向量模型的利率风险对冲效果。

2 模型推导

2.1 Nelson-Siegel久期向量模型

Nelson和Siegel[12]假设t时刻期限为τ的瞬时远期利率ft(τ)满足:

$f_{t} (τ) = β_{0 t} + β_{1 t} e^{- λ_{t} τ} + β_{2 t} λ_{t} τ e^{- λ_{t} τ} (1)$

则即期利率yt(τ)满足:

$y_{t} (τ) = β_{0 t} + β_{1 t} \frac{1 - e^{- λ_{t} τ}}{λ_{t} τ} + β_{2 t} (\frac{1 - e^{- λ_{t} τ}}{λ_{t} τ} - e^{- λ_{t} τ}) (2)$

其中,β0t、β1t、β2t、λt为待估计参数,λt决定β1t和β2t载荷的衰减速度。分别将β0t、β1t、β2t的载荷记为L0、L1、L2,则可将式(2)改写为:

$y_{t} (τ) = β_{0 t} L_{0} + β_{1 t} L_{1} + β_{2 t} L_{2} (3)$

Diebold和Li[11]指出β0t的载荷L0恒为1,恒定不变,故称其为水平因素;β1t的载荷L1在0点处极限值为1,随着τ增大迅速衰减为0,故称其为斜率因素;β2t的载荷L2在τ趋近于0或无穷大时,极限值为0,呈驼峰状,故称其为曲度因素,如图1所示。

Nelson和Siegel[12]认为将λt取定为某一特定的值,对期限结构的拟合效果影响不大。因此,将t时刻的λt估计出来后,可认为其在一定时间(风险对冲目标期)内是恒定不变的。那么在将β0t、β1t和β2t分别阐释为水平因素、斜率因素和曲度因素后,由收益率曲线的水平、斜率和曲度的变动导致的风险可由债券价格对β0t、β1t和β2t的半弹性(即 $- \frac{1}{Ρ} \frac{\partial Ρ}{\partial β_{i t}}$ ,其中P表示债券价格, i=0,1,2)组成的向量来度量。因此, Diebold和Li[11]用式(4)定义的久期向量(DNS0,DNS1,DNS2)来度量零息债券的利率风险:

$(D_{0}^{Ν S}, D_{1}^{Ν S}, D_{2}^{Ν S}) = (L_{0} τ, L_{1} τ, L_{2} τ) (4)$

类似地,附息债券的久期向量定义为:

$(D_{0}^{Ν S}, D_{1}^{Ν S}, D_{2}^{Ν S}) = (\sum ω_{i} L_{0} τ_{i}, \sum ω_{i} L_{1} τ_{i}, \sum ω_{i} L_{2} τ_{i}) (5)$

其中,ωi表示τi时刻的现金流占债券现值的权重。

事实上,式(5)右边括号中第一项就是Macaulay久期[2],因此Nelson-Siegel久期向量可视为对Macaulay久期的扩展。

2.2 Nelson-Siegel久期向量的扩展

Cochrane和Piazzesi[13]认为利率期限结构的第四主成分对于预测债券的回报很重要。Almeida等[14]的实证结果表明虽然利率期限结构的第四主成分只能解释利率变动方差的0.02%,但是它可解释超过20%的债券风险溢价。因此,本文考虑将基于Nelson-Siegel模型的Nelson-Siegel久期向量模型进行扩展,引入一个额外的因素,考察扩展的久期向量模型是否改善改善利率风险的对冲效果。

将式(3)扩展,引入一个新参数β3t后,式(3)变为:

$y_{t} (τ) = β_{0 t} L_{0} + β_{1 t} L_{1} + β_{2 t} L_{2} + β_{3 t} L_{3} (6)$

其中,β3t的载荷L3的具体形式待定。

本文第3节中的主成分分析结果表明第四主成分代表曲度因素,而Svensson模型及形状因素模型均是在Nelson-Siegel模型下引入曲度因素从而进行扩展,因此接下来分别考虑在Svensson模型及形状因素模型下Nelson-Siegel久期向量模型的扩展形式,也即扩展的久期向量模型在Svensson模型及形状因素模型下的具体实现。

①Svensson模型及Svensson久期向量模型

为了增加灵活性以及提高拟合优度,Svensson[15]将即期利率yt(τ)扩展为:

$\begin{array}{l} y_{t} (τ) = β_{0 t} + β_{1 t} \frac{1 - e^{- λ_{1 t} τ}}{λ_{1 t} τ} + β_{2 t} (\frac{1 - e^{- λ_{1 t} τ}}{λ_{1 t} τ} - e^{- λ_{1 t} τ}) \\ + β_{3 t} (\frac{1 - e^{- λ_{2 t} τ}}{λ_{2 t} τ} - e^{- λ_{2 t} τ}) (7) \end{array}$

式(7)说明Svensson模型下参数β3t的载荷 $L_{3}^{S} = (\frac{1 - e^{- λ_{2 t} τ}}{λ_{2 t} τ} - e^{- λ_{2 t} τ})$ 。事实上,参数β3t的载荷LS3与β2t的载荷L2类似,τ趋近于0或无穷大时,载荷的极限值为0,呈驼峰状,故β3t为曲度因素。Svensson模型增加了一个曲度因素,引入了两个新的待估计参数β3t和λ2t.

由式(7)可知,期限结构的变动完全由βit,i=0,1,2,3决定。因此,与Nelson-Siegel模型下的情况类似,可用债券价格对βit,i=0,1,2,3的半弹性构成的向量来度量Svensson模型下的利率风险。本文将Svensson模型下零息债券的久期向量(DS0,DS1,DS2,DS3)定义为:

$(D_{0}^{S}, D_{1}^{S}, D_{2}^{S}, D_{3}^{S}) = (L_{0} τ, L_{1} τ, L_{2} τ, L_{3}^{S} τ) (8)$

附息债券的Svensson久期向量与Nelson-Siegel久期向量的情形类似,只需对各现金流的久期向量求加权平均即可。

②形状因素模型及四形状因素久期向量模型

Galluccio等[1]提出的形状因素模型是对Nelson-Siegel模型的另一种形式的扩展。该模型假设瞬时远期利率ft(τ)满足:

$f_{t} (τ) = \sum α_{k} L_{t, k} (λ τ) e^{- λ_{t} τ} (9)$

其中,各参数的含义与式(1)相同;αk为系数,Lk(x)表示k阶拉盖尔多项式。将其中的同类项进行合并,并加上一个常数项进行修正,得到:

$f_{t} (τ) = β_{0 t} + β_{1 t} e^{- λ_{t} τ} + β_{2 t} λ_{t} τ e^{- λ_{t} τ} + β_{3 t} λ_{t}^{2} τ^{2} e^{- λ_{t} τ} + \dots (10)$

相应地,即期利率yt(τ)满足:

$\begin{array}{l} y_{t} (τ) = β_{0 t} + β_{1 t} \frac{1 - e^{- λ_{t} τ}}{λ_{t} τ} + β_{2 t} (\frac{1 - e^{- λ_{t} τ}}{λ_{t} τ} - e^{- λ_{t} τ}) \\ + β_{3 t} [2 (\frac{1 - e^{- λ_{t} τ}}{λ_{t} τ} - e^{- λ_{t} τ}) - λ_{t} τ e^{- λ_{t} τ}] + \dots (11) \end{array}$

显然,式(10)和式(11)的前三项与Nelson-Siegel模型下的情形完全相同,因此该模型可以看成是对Nelson-Siegel模型的另一种形式的扩展。

本文只考虑在Nelson-Siegel模型引入一个额外的参数β3t,也即式(12)表示的四形状因素模型:

式(12)说明四形状因素模型下参数β3t的载荷 $L_{3}^{S F} = [2 (\frac{1 - e^{- λ_{t} τ}}{λ_{t} τ} - e^{- λ_{t} τ}) - λ_{t} τ e^{- λ_{t} τ}]$ 。事实上,参数β3t的载荷LSF3与β2t的载荷L2性质类似,τ趋近于0或无穷大时,极限值为0,其载荷先增后减,呈驼峰状,如图1所示。图1给出了λt=1时,各因子的载荷。由图1可知,当i=2,3时,βit都是曲度因子,且i=3时载荷曲线的曲率更大,其极值也更大。

显然,四形状因素模型下β3t的载荷LSF3与Svensson模型下β3t的载荷LS3形状类似,不同之处在于四形状因素模型下曲度因子β2t和β3t的衰减速度均由同一个参数λt决定;而Svensson模型下β2t和β3t的衰减速度分别由λ1t和λ2t决定。四形状因素模型及Svensson模型均可视为对Nelson-Siegel模型的扩展,但是四形状因素模型只需引入一个参数β3t便可增加一个额外的曲度因子,而Svensson模型下需要引入两个参数β3t和λ2t.

类似地,βit,i=0,1,2,3的变动决定了利率期限结构的变动。因此,可用债券价格对βit的半弹性构成的向量定义四形状因素模型下的利率风险。本文将四形状因素模型下零息债券的久期向量(DSF0,DSF1,DSF2,DSF3)定义为:

$(D_{0}^{S F}, D_{1}^{S F}, D_{2}^{S F}, D_{3}^{S F}) = (L_{0} τ, L_{1} τ, L_{2} τ, L_{3}^{S F} τ) (13)$

附息债券的四形状因素久期向量与Nelson-Siegel久期向量的情形类似,只需对各现金流的久期向量求加权平均即可。

3 利率期限结构的主成分识别

从2002年3月25日起,上交所国债实行净价报价制度,因此本文选用2002年3月25日至2010年10月31日的上交所国债日收盘价数据,共2131个交易日。数据来源于国泰安数据库。

首先,基于遗传算法利用Nelson-Siegel模型拟合得到各交易日的上交所国债静态收益率曲线[17],进而计算得到各交易日1年、2年、3年、5年、7年和10年期的收益率数据。

由图2可知, 第一主成分关于各期限利率的载荷均为正且大小大致相等,也即水平因素; 第二主成分关于较短期利率的载荷为负,而关于较长期利率的载荷为正,且绝对值大致相等,呈递增趋势,也即斜率因素;第三和第四主成分关于各期利率的载荷大致呈“U”形,解释了利率曲线的曲度变化,也即曲度因素[18]。因此,对Nelson-Siegel模型进行扩展得到的式(6)中β3t应为曲度因素,可以在Svensson模型和四形状因素模型下将式(6)实现为式(7)和式(12)的形式。

对6个收益率序列进行主成分分析,结果如表1所示。

由表1可知,前三个主成分解释了利率变化方差的99.65%,第三主成分(第一个曲度因素)仅解释了利率变化方差的0.28%,第四主成分(第二个曲度因素)仅解释了利率变化方差的0.22%.

4 风险对冲实证研究

4.1 债券的选择

本文从2131个交易日中,随机选取30个交易日进行风险对冲。各交易日上交所交易的全部国债均可用来构建债券组合进行风险对冲。

在实证中,为了使用市场实际交易数据,Diebold和Li[11]取最接近5年期的债券为目标债券。然而5年期债券只能代表中期债券,事实上2002年3月至2010年10月间,在上交所交易的固定利率国债共有218支,其中1年期及以下的短期债券共有76支;1年期至10年期(不含)的中期债券有86支;10年期及以上的长期债券有56支。因此,本文取到期期限最接近1年、5年和10年的债券为目标债券,它们分别代表着短期、中期和长期债券。由于我国国债市场不发达,市场交易债券种类较少,同时由于部分数据缺失,本文实证部分短期债券风险对冲结果少于30期。

4.2 对冲模型

久期向量模型假设水平因素、斜率因素及曲度因素的变动决定利率期限结构的变动,利率风险也即水平因素、斜率因素及曲度因素变动带来的风险。因此若分别满足式(14)、式(15)和式(16),便可认为在Nelson-Siegel久期向量模型、Svensson久期向量模型和四形状因素久期向量模型下债券组合与目标债券T的利率风险相同,也即其收益率应相等:

$\begin{array}{l} (D_{0 Τ}^{Ν S}, D_{1 Τ}^{Ν S}, D_{2 Τ}^{Ν S}) = \sum ω_{i} (D_{0 τ_{i}}^{Ν S}, D_{1 τ_{i}}^{Ν S}, D_{2 τ_{i}}^{Ν S}) (14) \\ (D_{0 Τ}^{S}, D_{1 Τ}^{S}, D_{2 Τ}^{S}, D_{3 Τ}^{S}) = \sum ω_{i} (D_{0 τ_{i}}^{S}, D_{1 τ_{i}}^{S}, D_{2 τ_{i}}^{S}, D_{3 τ_{i}}^{S}) (15) \\ (D_{0 Τ}^{S F}, D_{1 Τ}^{S F}, D_{2 Τ}^{S F}, D_{3 Τ}^{S F}) = \sum ω_{i} (D_{0 τ_{i}}^{S F}, D_{1 τ_{i}}^{S F}, D_{2 τ_{i}}^{S F}, D_{3 τ_{i}}^{S F}) (16) \end{array}$

其中,ωi表示债券组合中第i个债券的权重。由于各期的债券组合有多种选择,本文通过使∑ω2i最小化[19]来构造债券组合,这可使得债券组合充分分散化。

4.3 对冲结果

分别考察在选定的交易日之后的1个月、2个月、3个月和6个月,三种模型下最优债券组合收益率与目标债券收益率的差,即对冲误差,如表2、表3和表4所示。

注1: 对各模型下的绝对误差进行正态检验, p值均为0, 表明在10%的显著水平下, 拒绝绝对误差服从正态分布的原假设。其原因是各模型下均存在个别误差相对较大的奇异点。注2:NS、Svensson和4SF分别代表Nelson-Siegel久期向量、Svensson久期向量和四形状因素久期向量模型。下同。

由表2可知, Svensson久期向量模型及四形状因素久期向量模型下的风险对冲绝对误差均值、绝对误差标准差和RMSE等指标均小于Nelson-Siegel久期向量模型下的值, 也即引入额外的曲度因素可提高风险对冲效果。Svensson久期向量模型下的绝对误差均值比Nelson-Siegel久期向量模型下的绝对误差均值小18.95%,均值单边检验的p值为0.03865;四形状因素久期向量模型下的绝对误差均值比Nelson-Siegel久期向量模型下的绝对误差均值小24.21%,均值单边检验的p值为0.0102,这说明第四主成分虽然只能解释利率变动方差的极小一部分(0.22%),然而在10%的显著水平下,可认为引入其可以显著提高风险免疫效果。

将表2的第三和第四两行进行对比,发现四形状因素久期向量模型风险对冲绝对误差均值、绝对误差标准差和RMSE等指标略小于Svensson久期向量模型下的值,并且四形状因素模型待估计参数比Svensson模型的待估计参数少一个,因此,可以认为四形状因素久期向量模型优于Svensson久期向量模型。

表3显示各模型下, 中期债券风险对冲绝对误差均值及绝对误差标准差小于短期债券和长期债券的风险对冲绝对误差均值及绝对误差标准差, 也即各模型对冲中期债券风险时的误差更稳定, 波动更小。事实上, 这是由于引入曲度因素可提升期限结构模型对中期利率的拟合效果[15]。

由表3可知, 大体上四形状因素久期向量模型和Svensson久期向量模型风险对冲绝对误差均值及绝对误差标准差均小于Nelson-Siegel久期向量模型下的值。这表明将Nelson-Siegel久期向量模型扩展后,在短期、中期及长期市场,四形状因素久期向量模型及Svensson久期向量模型对冲利率风险的效果也都分别有提高。

然而Svensson久期向量模型下, 1年期债券风险对冲绝对误差标准差大于NS模型下的值,表明Svensson久期向量模型下短期债券的风险对冲绝对误差相对不稳定,波动较大。而四形状因素久期向量模型的利率风险对冲绝对误差更小,且更稳定。

表4显示随着对冲期限增加,绝对误差均值和绝对误差标准差增大。这是因为免疫组合构造后即保持不变,随着时间推移,对冲组合与目标债券的收益率之差会自然的增大。

由表4可知,由于绝对误差均值相对更小,所以四形状因素久期向量模型和Svensson久期向量模型风险免疫效果总体优于Nelson-Siegel久期向量模型。然而Svensson久期向量模型下,债券组合构造的2个月及6个月后,风险对冲绝对误差标准差大于Nelson-Siegel久期向量模型下的值,表明此时Svensson久期向量模型下的风险对冲绝对误差相对不稳定,波动较大。而四形状因素久期向量模型的利率风险对冲绝对误差更小,且更稳定。

5 结论

本文提出引入一个新的因素将Nelson-Siegel久期向量模型进行扩展。通过主成分分析进行识别,确定上交所国债利率期限结构的第四主成分代表曲度因素, 所以新引入的应为曲度因素, 并给出了扩展的久期向量模型在Svensson模型[15]以及形状因素(Shape Factors)框架下的实现。

实证研究结果表明,第四主成分只能解释上交所国债收益率变化方差的0.22%. 然而在Svensson模型以及四形状因素模型下,由于引入一个额外的曲度因素可增加期限结构模型捕捉利率期限结构非线性变动的能力[14,15],使得利率风险对冲误差分别减少18.95%和24.21%。第四主成分对于上交所国债利率风险管理很重要,不可忽视。

此外,由于四形状因素模型待估参数更少,且风险免疫效果略好于Svensson模型,因此四形状因素久期向量模型更适合用于管理上交所国债的利率风险。

摘要：将基于N e lson-S iege l模型的广义久期向量模型进行扩展,引入一个新的因素得到了扩展的久期向量模型,并给出了其在Svensson模型及四形状因素模型下的实现。利用上交所国债数据进行实证检验,表明引入额外的曲度因素可以显著改善风险对冲效果。此外,四形状因素久期向量模型对冲利率风险的效果略好于Svensson久期向量模型,且前者待估计参数更少,是更理想的利率风险对冲模型。

正确处理对冲风险篇5

脆弱期权即场外交易中包含违约风险的期权。由于场外期权交易不受交易所保护, 场外期权多头暴露在市场价格风险和交易对手信用风险两种风险下。建立含交易对手违约风险的期权定价模型, 解决场外交易市场中含交易对手违约风险的脆弱期权定价问题是很重要的。从Merton (1974) 开始, 陆续有学者通过信用风险建模来为脆弱期权等衍生品进行定价。Klein (1996) 假设当期权出售者的信用风险与自身的资产价值有关系的脆弱期权定价。Klein, Inglis (1999) 假设公司资产低于某一固定违约边界时发生债务违约, 运用鞅理论得到了显示解。在Klein的基础上, Ammann (2004) 扩展了固定违约边界和固定利率的假设, 运用结构化模型, 通过一系列测度转换, 推导出脆弱期权定价公式。吴恒煜 (2005) 利用结构化方法, 考虑了随机利率与随机公司负债, 运用了随机过程的反射原理等, 推导出有违约风险的欧式期权的定价公式。

现有研究通常采用鞅理论对脆弱期权进行定价, 本文尝试根据无套利对冲原理, 利用偏微分方程来推导脆弱期权定价公式, 该方法更为简便。

1 假设的提出

提出如下假设:

(1) 完全市场, 无套利机会, 无风险利率为常数, 无红利支付;

(2) 所有资产均完全可分, 不存在税收和交易费用;

(3) 标的资产价值S (t) 服从几何布朗运动, 即:

式 (1) 中, us代表标的资产的期望回报率, σs代表标的资产的年波动率, 在本文中为常数。ws (t) 是风险中性测度下布朗运动。

(4) 交易对手公司是上市公司, 在签订新债务合约前没有发生违约行为, 公司的资产价值V (t) 服从几何布朗运动, 即:

式 (2) 中, uV代表交易对手公司价值的期望回报, σV代表资产收益的波动率, 为常数。wV (t) 是风险中性测度下布朗运动, 其与假设2中的wS (t) 存在如下关系:

式 (3) 中, ρSV是V (t) 和S (t) 的相关系数。

(5) 交易对手公司的债务包括两部分。其一为到期日为T的欧式看涨期权, 此部分在期权到期时的支付金额为max (ST-K, 0) 。其二为到期日为T的不可提前赎回的单一的债务D, 其金额是固定的。

(6) 交易对手在遵循违约是严格的清偿顺序的前提下, 花费了定量的成本之后, 才可以发生破产。否则在违约到期日发生或提前发生, 其他外部人可以从公司资产价值中取走1-准比例的成本。

(7) 假设公司负债Dt是随机过程, 服从几何布朗运动, 即满足:

式 (4) 中, uD是期望负债率, σD是负债率的波动。我们假设此随机负债即为违约门槛, 当公司在到期时的资产价值低于负债, 则进入破产程序, 并按照资产清算后的资产负债比偿还到期债务。

2 模型的建立

首先, 我们令

因为:且

则有

我们通过δ的协方差矩阵可知:

所以, 期权F (St, Vt, Dt, t) 的微分方程如下:

下面我们来作投资组合:

令来保证上述投资组合为无风险收益组合。

通过化简得到如下方程:

当F为看涨期权, 则终值满足下列条件:

当F为看跌期权, 终值满足下列条件:

我们推导出含信用风险期权定价在随机违约门槛下的微分方程模型如下:

此时, 我们已经推导出违约边界可变下的脆弱看涨期权和看跌期权的定价模型, 也就是说, 在区域∑:

3 模型的求解

下面对模型 (13) 进行求解。

3.1 证明1

证明:公司债券的违约边界随机, 承诺支付额为F且破产时实际支付额为F (S, V, T) =的脆弱看涨期权价格为:

这里:

证明过程如下:

令σS=σ1, σδ=σ2, ρ=ρSδ

再做函数代换F=ew1ξ+w2η+βτU

则定价模型 (13) 转化为热传导方程的初值问题:

用做替换, 得到

下面, 我们分情况讨论。 (1) 当ev>1, 也就是Vt>Dt令F (x, y, τ) =I1-I2

上式中:

上式中, 我们令

那么就有:

相似的,

我们令则

(2) 当e V<1, 也就是Vt<Dt

F (x, y, τ) =I3-I4

其中,

相似的,

由上述推导可以证明公式 (14) 成立。

3.2 证明2

证明:公司债券的违约边界随机, 承诺支付额为F (S, V, T) = (ST-K) +, 且破产发生时的实际支付额为的脆弱看跌期权价格为:

参数定义与式 (15) 相同, 证明过程与3.1类似。

上述数学推导过程使用了可变违约门槛, 利用△—对冲技巧, 推导出定价模型, 并求出其显示解。使用的这种方法, 与使用风险中性测度后再使用鞅转化方法相比较, 虽没有前者常用, 但更加浅显易懂。

4结论

本文拓展了Klein假设中关于固定违约门槛的假设, 根据无套利对冲原理, 以公司价值信用风险模型为基础, 拓展为可变违约门槛进行探讨及建模, 通过偏微分方程这种数学工具, 推导出含信用风险的欧式脆弱期权价格波动的偏微分方程组和期权定价模型, 进而求其显示解, 最终得出类似Black-Scholes公式的定价公式。公式的推导过程比使用鞅理论推导更加浅显易懂。

参考文献

[1]Klein P.Pricing Black-Scholes options with correlated creditrisk[J].Journal of Banking and Finance.1996, 20 (7) :1211-1129.

[2]Klein P, Inglis M.Valuation of European options subject to fi-nancial distress and interest rate risk[J].Journal of Derivatives.1999, 6 (3) :44-56.

[3]黄键柏, 钟美瑞.考虑了信用风险的可转换债券定价模型[J].系统工程, 2003, 21:25-29.

[4]姜尚礼.期权定价的数学模型和方法[M].北京:高等教育出版社, 2002.

[5]姜尚礼, 李少华等.金融衍生品定价的数学模型与案例分析[M].北京:高等教育出版社, 2008.

正确处理对冲风险篇6

石油期货具有对冲功能, 可有效规避现货价格波动风险。对冲功能通过构建对冲策略来实现, 包括选择期货与现货的品种以及确定期货与现货的相对比例, 即对冲比率[1,2]。选择合适的模型估计对冲比率, 进而构建对冲策略, 才能取得良好的对冲效果。因此, 如何选择对冲比率的估计模型成为风险对冲的关键问题。本文从交互作用和模型风险两个角度考察石油期货对冲比率的模型选择。

石油期货对冲通常采用OLS模型、多元GARCH模型[3,4,5]等估计对冲比率, 根据对冲比率计算各模型的石油期货对冲绩效, 选取对冲绩效最好的模型为最优模型。然而, 现有研究关于OLS模型和多元GARCH模型在石油期货对冲绩效上的优劣并无定论, 或支持OLS模型的对冲绩效更优[6], 或支持多元GARCH模型的对冲绩效更优[7,8]。这表明, 单独选取OLS模型或多元GARCH模型均不能取得最优的对冲效果。因此, 解决对冲比率的模型选择问题需将新模型纳入备选模型范围, 或分析各模型间对冲绩效差异的成因, 在不同情况下选择不同模型。在这方面, Alizadeh等 (2008) 、Hung等 (2011) 采用机制转换多元GARCH模型估计石油期货对冲比率[9,10]; Chang等 (2010) 指出油价走势影响石油期货对冲比率的模型选择[11]。

遵循这两种研究思路, 本文首先考虑变量间的交互作用, 提出结构BEKK模型 (structural BEKK) 并用于估计石油期货对冲比率;然后从模型风险的角度分析不同模型的对冲绩效差异, 进而提出石油期货对冲比率的模型选择策略。交互作用是指变量间的同期影响。石油期货与现货价格同时根据市场信息调整, 形成收益间的交互作用。此外, 期货与现货收益在日内的领先滞后关系也体现为日收益的交互作用。忽略交互作用可能无法准确捕捉变量间的相关结构, 影响期货对冲比率的估计。而交互作用虽可采用Rigobon (2002) [12]提出的结构GARCH模型来考察, 但该模型假定各均值方程的扰动项之间不相关, 不易被数据支持且不适于分析期货对冲比率。本文将联立方程与BEKK模型[13]相结合, 提出结构BEKK模型。此模型设定了条件协方差的结构, 更适合分析波动溢出效应和期货对冲比率。

此外, 石油期货对冲比率的备选模型 (如结构BEKK模型、多元GARCH模型、OLS模型等) 通常存在不同程度的模型风险, 具有不同的预测能力, 因而表现出不同的对冲绩效。为充分利用模型的预测能力并获得良好的对冲绩效, 估计石油期货对冲比率要考虑模型风险。

以结构BEKK模型、传统BEKK模型、OLS模型为对冲比率的备选模型, 选取2001～2009年布伦特原油期货与现货价格日数据, 划分次贷危机前和次贷危机后两个样本期间, 本文分析石油期货对冲比率的模型选择问题。其中, OLS模型和传统BEKK模型是常用的对冲比率估计模型, 一般作为基准模型; 结构BEKK模型则将交互作用纳入对冲比率的估计框架; 样本划分主要考察次贷危机的影响, 并分析模型风险对各模型的期货对冲绩效的影响。

2 模型与方法

本文考虑变量间的交互作用, 提出结构BEKK模型, 并结合传统BEKK模型、 OLS模型等估计石油期货对冲比率, 进而分析模型选择问题。本节首先阐述结构BEKK模型, 然后介绍对冲比率的估计和对冲绩效的测度。

2.1 结构BEKK模型

传统方法采用联立方程分析交互作用, 采用多元GARCH模型考察波动溢出, 而单独使用其中一种方法难以捕捉变量间的真实关系。Rigobon (2002) 提出的结构GARCH模型假定各均值方程的扰动项之间不相关, 难以被数据支持。本文将联立方程与BEKK模型相结合, 提出结构BEKK模型, 可同时考察交互作用与波动溢出。以期货收益率和现货收益率为例, 结构BEKK模型形式如下:

$\begin{array}{l} r_{c, t} = μ_{c} + b r_{f, t} + e_{c, t} \\ r_{f, t} = μ_{f} + a r_{c, t} + e_{f, t} \\ e_{t} | Ω_{t - 1} = [\begin{matrix} e_{c, t} & e_{f, t} \end{matrix}]^{'} | Ω_{t - 1} \sim B Ν (0, Η_{t}) (1) \end{array}$

其中, ab≠1; t=1, 2, …, T, T为总样本数; rc, t为现货收益率; rf, t为期货收益率; a为现货收益率对期货收益率的同期影响系数;b为期货收益率对现货收益率的同期影响系数;若a、b均为0, 表明期货与现货收益间不存在同期影响;若a、b之一不为0, 表明期货与现货收益间仅存在同期的单向影响;若a、b均不为0, 表明期货与现货收益间存在交互作用。Ωt-1为t-1期信息集;扰动项et服从均值为0、方差为Ht的二元正态分布。条件方差Ht具有BEKK结构, 即

$Η_{t} = C C^{'} + A e_{t - 1} e^{'}_{t - 1} A^{'} + B Η_{t - 1} B^{'} (2)$

其中,

$Η_{t} = [\begin{matrix} h_{c, t} & h_{c f, t} \\ h_{c f, t} & h_{f, t} \end{matrix}], C = [\begin{matrix} γ_{c c} & 0 \\ γ_{c f} & γ_{f f} \end{matrix}], A = [\begin{matrix} α_{c c} & α_{c f} \\ α_{f c} & α_{f f} \end{matrix}], B = [\begin{matrix} β_{c c} & β_{c f} \\ β_{f c} & β_{f f} \end{matrix}], α_{i i}^{2} + β_{i i}^{2} < 1, i = c, f$

; hc, t为现货收益率的条件方差, hcf, t为现货收益率与期货收益率的条件协方差, hf, t为期货收益率的条件方差, C、A、B为参数矩阵。

在模型设定方面, 结构BEKK模型嵌套了联立方程与传统BEKK模型。当条件协方差矩阵不服从多元GARCH结构时, 该模型退化为联立方程;当参数a=b=0即不存在交互作用时, 该模型退化为传统BEKK模型。与Rigobon (2002) 的结构GARCH模型相比, 结构BEKK模型设定了ec, t、ef, t的相关结构 (即条件协方差的形式) , 可有效考察波动溢出效应并估计对冲比率。

在参数估计方面, 结构BEKK模型需转化为简化形式, 重新推导条件方差矩阵的结构, 进而采用极大似然法估计参数。

2.2 对冲比率与对冲绩效

对冲比率是对冲策略的核心, 是实现对冲功能的关键。常用的对冲比率为Johnson (1960) [14]提出的最小方差对冲比率。该对冲比率以最小化期货与现货的投资组合的方差为目标, 公式如下:

$θ_{t}^{*} = \frac{C o v (r_{c, t}, r_{f, t} | Ω_{t - 1})}{V a r (r_{f, t} | Ω_{t - 1})} (3)$

其中, θ*t为最小方差对冲比率, 即使用θ*t单位的期货对冲1单位的现货;rc, t为现货收益率;rf, t为期货收益率;Ωt-1为t-1期信息集;Var (·) 、Cov (·, ·) 为方差和协方差函数。根据式 (3) , 最小方差对冲比率可采用OLS模型、传统BEKK模型、结构BEK K模型等估计。其中, 采用OLS模型估计对冲比率主要建立现货收益率对期货收益率的线性回归方程, 期货收益率的系数估计值即为对冲比率。采用传统BEKK模型估计对冲比率主要建立现货收益率与期货收益率的BEKK模型, 根据参数估计值计算条件方差与条件协方差, 用条件协方差除以期货的条件方差即得对冲比率。结构BEKK模型法与传统BEKK模型法类似。

在对冲绩效的测度方面, Ederington (1979) [15]和Lien等 (2002) [16]根据期货与现货组合的方差相对于现货方差减少的程度提出对冲绩效指标, 公式如下:

$Η E = \frac{V a r (r_{c, t} | Ω_{t - 1}) - V a r (r_{c, t} - θ_{t}^{*} r_{f, t} | Ω_{t - 1})}{V a r (r_{c, t} | Ω_{t - 1})} (4)$

上式表明, 组合方差越小, 对冲绩效越好。实际研究中, 由于1个对冲期限的现货方差和组合方差难以测度, 通常选取多期组成预期期间, 计算预测期间内现货和组合的无条件方差得到对冲绩效指标值。因此, 对冲绩效与预测期间的选择有关。

3 数据说明

本文选取数据为布伦特原油期货与现货价格日数据。布伦特原油是国际石油市场的基准原油之一, 其价格反映了石油市场总体价格水平, 其期货产品在洲际交易所 (ICE) 上市交易。本文以3个月到期的期货的价格组成期货连续价格。数据来源于DataStream数据库。样本期间为2001年1月1日至2009年12月31日, 共2349个交易日。

布伦特原油期货与现货的价格走势见图1。图形显示, 期货与现货的价格走势相似。2001年油价受互联网经济泡沫破灭和9·11事件影响一度下跌。之后在美国低利率政策、石油输出国组织 (OPEC) 控制产量政策的影响下, 油价从2002年初开始逐步上涨。至2006年8月7日布伦特原油期货价格已涨至78.30美元/桶。2006年下半年, 油价不断下跌。而随着美国次贷危机逐步显现, 国际资本流入石油市场, 油价自2007年初迅速上涨。至2008年7月3日布伦特原油期货价格涨至146.08美元/桶的历史最高点。随着次贷危机愈演愈烈, 国际投行相继破产, 油价急剧下跌。2009年初, 各国政府开始联合救市, 油价才止跌回升。油价的暴涨暴跌和剧烈波动使投资者面临巨大风险, 凸显了石油期货对冲功能的重要性。

表1是石油期货与现货收益率的描述性统计结果, 显示期货收益率与现货收益率具有较强的正相关关系。这构成了石油期货对冲功能的基础。

(注:横坐标为交易日期, 左边纵坐标为

现货价格, 右边纵坐标为期货价格。

注: 表中收益率为100倍的对数收益率;样本期间为2001年1月1日至2009年12月31日, 共2349个交易日。

4 实证结果及分析

本文采用结构BEKK模型、传统BEKK模型、OLS模型作为石油期货对冲比率的备选模型, 从交互作用和模型风险两个角度探讨模型选择问题。其中, 结构BEKK模型与BEKK模型的对冲绩效差异体现了交互作用的影响;次贷危机前后各模型的对冲绩效差异体现了模型风险的作用。因此, 本节首先检验石油期货与现货的交互作用, 然后考察次贷危机前后各模型的对冲比率, 最后比较各模型的石油期货对冲绩效, 提出对冲比率的模型选择策略。

样本内期间选取为2001年1月1日至2004年12月31日 (1045个交易日) , 样本外期间选取为2005年1月3日至2009年12月31日 (1304个交易日) 。其中, 样本外预测采用滚动窗口的一步外推法。窗宽 (窗口的样本数) 选取为1000个交易日, 每20个交易日滚动一次, 每次重新估计模型并进行20步一步外推预测, 不断重复至样本外期间结束。

4.1 石油期货与现货的交互作用

准确刻画石油期货与现货收益的相关结构有助于改善对冲比率的估计、提高对冲绩效。受共同信息影响, 石油期货收益与现货收益间可能存在交互作用。本文建立期货收益与现货收益的结构BEKK模型, 采用样本内期间数据估计模型, 检验交互作用的存在性。估计结果见表2。其中, 同期影响系数反映了石油期货与现货间的交互作用。

表2显示, 石油期货收益率对现货收益率的同期影响系数 (参数b) 为0.8866, 现货收益率对期货收益率的同期影响系数 (参数a) 为0.6249。二者显著异于零且参数b大于参数a, 表明石油期货与现货收益间存在交互作用, 且期货对现货的影响更强。同时, 方差方程的估计结果显示, 期货与现货存在波动聚集效应和波动溢出效应。参数a、b显著异于0, 表明结构BEKK模型捕捉了传统BEKK模型所忽略的交互作用, 更准确地描述了石油期货与现货收益的相关结构。

石油期货与现货收益间的交互作用和波动溢出效应反映了从期货市场到现货市场的信息传递。石油期货灵活的交易方式、高度的流动性、低廉的交易成本导致期货价格对信息的反应更迅速。因此, 期货对现货的同期影响和波动溢出更强。

4.2 对冲比率

次贷危机可能改变石油期货与现货收益的相关结构。这种数据特征的变化会影响各模型对石油期货对冲比率的估计。而对冲比率在次贷危机前后的差异实际上体现了模型风险的影响。本文划分危机前与危机后两个样本期间, 分别估计各模型的对冲比率并进行比较。

注:结构BEKK模型中参数a为现货对期货的同期影响系数; 参数b为期货对现货的同期影响系数;α2fc、β2fc表示现货对期货的波动溢出效应;T2cf、U2cf表示期货对现货的波动溢出效应。数据为2001年1月1日至2004年12月31日的布伦特原油期货与现货收益率 (100倍的对数收益率) 。logl表示对数似然值。***、**分别表示1%、5%显著性水平。

次贷危机爆发于美国市场, 而后迅速蔓延, 演变成全球性的金融海啸。在此期间, 国际油价跌宕起伏, 经历了先暴涨后暴跌的变化阶段。油价的不同走势可能导致期货与现货收益的相关结构发生变化。本文以油价达到最高点的2008年7月3日为分界点, 将样本外期间划分为危机前期间 (2005年1月3日至2008年7月3日) 和危机后期间 (2008年7月4日至2009年12月31日) 两个子样本。危机前后石油期货与现货收益的描述性统计结果见表3。

注: 收益率为100倍的对数收益率;危机前期间为2005年1月3日至2008年7月3日;危机后期间为2008年7月4日至2009 年12月31日。

表3显示, 危机前油价呈上涨趋势, 波动较小;危机后油价呈下跌趋势, 波动增强, 期货与现货收益间的相关性也增强 (相关系数0.5683至0.6868) 。这预示, 危机前后期货与现货收益的相关结构可能发生了变化。

数据特征的变化将影响各模型对石油期货对冲比率的估计。为此, 本文采用结构BEKK模型、OLS模型估计次贷危机前后的石油期货对冲比率Switzer和El-khoury (2007) 、Alizadeh等 (2008) 、Hung等 (2011) 的研究结论相似。这些研究采用次贷危机前西德洲原油期货与现货价格数据, 发现传统BEKK模型、机制转换BEKK模型等复杂模型的对冲绩效优于OLS模型。

(注:SBEKK HE表示结构BEKK模型的动态对冲绩效;BEKK HE表示传统BEKK模型的动态对冲绩效;OLS HE表示OLS模型的动态对冲绩效;时间期间为2005年1月3日至2009年12月31日, 共1304个交易日。)

4.4 对冲比率的模型选择策略

本文研究发现石油期货对冲比率的模型选择要考虑交互作用和模型风险, 特别是要根据市场状况在复杂模型和简单模型中选择, 即数据特征不变时选择结构BEKK模型等复杂模型, 数据特征变化时选择OLS模型等简单模型。而Chang等 (2010) 指出油价走势也可作为对冲比率模型选择的参考。综合两种观点, 本文建立Logit模型考察次贷危机、油价走势对模型选择的影响, 并分析对冲比率的模型选择策略。

在结构BEKK模型和OLS模型间选择对冲比率的估计模型, Logit模型的被解释变量Dt为根据动态对冲绩效得到的模型选择结果, 即当结构BEKK模型的动态对冲绩效大于OLS模型时Dt=1, 反之Dt=0;解释变量为次贷危机的指示变量D1, t (危机前或危机后) 、油价走势的指示变量D2, t (上涨或下跌) 。模型形式如下:

$\ln \frac{p_{t}}{1 - p_{t}} = γ + φ_{1} D_{1, t} + φ_{2} D_{2, t} + ω_{t} (5)$

其中, pt表示Dt取1的概率;危机前期间D1, t=0 (2005年1月3日至2008年7月3日) , 危机后期间D1, t=1 (2008年7月4日至2009年12月31日) ;油价下跌期间D2, t=0 (2006年8月1日至2007年1月12日;2008年7月4日至2008年12月25日) , 油价上涨期间D2, t=1 (2005年1月3日至2006年7月31日;2007年1月13日至2008年7月3日;2008年12月26日至2009年12月31日) 。模型估计结果见表7。

注: 表中R2为McFadden R-squared。***表示在1%水平下显著。

结果显示, 参数φ1显著小于零, 表明危机前选择结构BEKK模型、危机后选择OLS模型的对冲绩效最优;参数φ2显著大于0, 表明油价上涨阶段选择结构BEKK模型、油价下跌阶段选择OLS模型的对冲绩效最优;比较参数φ1、φ2的绝对值, 可发现次贷危机的影响强于油价走势的影响。因此, 石油期货对冲比率的模型选择要综合分析数据特征变化和油价走势, 并以数据特征变化为主。

5 研究结论

本文采用结构BEKK模型、传统BEKK模型、OLS模型估计石油期货对冲比率, 从交互作用和模型风险的角度探讨对冲比率的模型选择。研究表明, 结构BEKK模型的对冲绩效优于传统BEKK模型, 预示对冲比率的估计应考虑交互作用;结构BEKK模型的对冲绩效在次贷危机前优于OLS模型, 在次贷危机后劣于OLS模型, 预示对冲比率的估计要关注模型风险, 根据市场状况选择模型。进一步分析发现, 石油期货对冲比率的估计应综合考虑数据相关结构的变化和油价走势, 在简单模型 (OLS模型) 和复杂模型 (结构BEKK模型) 间进行模型选择。本文的研究不仅揭示了石油期货市场与现货市场的信息传导机制, 而且提出了石油期货对冲比率的模型选择策略, 为石油市场的风险管理实践提供了决策依据, 具有重要的理论与现实意义。

正确处理对冲风险篇7

对风险对冲动机的研究一直是公司风险管理研究的焦点之一。自从Smith和Stulz(1985)的对冲无关性命题以来,为了理解真实世界中的公司风险对冲行为,众多财务学者在此基础上,放松各种假设条件,分析了市场不完善对公司风险对冲的影响(如税收、财务危机成本、代理成本、交易成本、信息不对称、管理者风险规避等),分别提出了降低财务危机成本假说、节税假说、避免“投资不足” 假说和经理层效用最大化假说等。然而,需要强调的是, 尽管有关公司风险对冲的文献数目众多,而且在探索风险对冲理论中学者们做出了巨大努力,但到目前为止尚没有一个广为接受的理论框架来指导实证对冲策略。至于哪个风险对冲假说在解释风险管理作为一项公司决策方面是最重要的,至今没有一致的看法。由于早期受样本数量匮乏的制约,使得学者对公司风险对冲动机的经验研究相对滞后于风险对冲理论研究,而自20世纪90年代以来,随着各国对金融衍生产品使用的信息披露制度的完善,使得研究者进行相关研究的数据数量获得显著提高,促进了学术界对公司风险对冲的经验研究。然而,迄今为止,有关公司风险对冲动机的理论和经验研究大都来自西方发达国家,特别是金融衍生产品市场发达、公司治理水平比较高、法律系统比较健全的美国。而在我国, 对公司风险对冲问题的研究刚刚起步,针对公司使用衍生产品进行风险对冲的研究还相对较少。本文试图通过研究各动机假说要素对公司风险对冲的影响,来检验我国上市公司的实际情况是否与国外假说相一致,为现代公司风险对冲理论提供新的经验证据。

二、理论分析与研究假设

有关风险对冲动机的理论,最早提出的是Smith和Stulz (1985)基于Modigliani-Miller(1958)定理的对冲无关论。该理论认为,在完美市场假设下,一个公司并不能通过减少其风险暴露而增加公司价值。然而,市场并不是完美的, Smith和Stulz(1985),Bessembinder(1991),和Froot等(1993) 认为市场四个方面的缺陷会引起公司使用风险对冲:财务危机成本;投资不足;税收;管理者风险规避。本文主要对这几方面的假说进行了考察。通过降低公司现金流或会计收益的波动性,对冲降低了财务危机发生的可能性,并因此降低财务危机的预期成本(Smith和Stulz,1985)。当一个公司遭遇到较高的财务危机成本,那么公司采用对冲所带来的效益会增加。Bessembinder(1991)认为,如果缔约方与契约之间存在正的净现值(NPV),对冲能够确保合同期限内债权人、客户、员工及供应商之间的变动是增加公司价值的。Haushalter(2000)发现,商品类衍生产品的使用与降低公司预期破产成本相关,并因此增加公司价值。Fehle (2004) 在论文中以动态的连续时间模型进一步验证了风险对冲可以减少财务危机成本。基于上述分析,我们提出如下假设:

假设1:财务困境成本越高的公司,越倾向于使用风险对冲

避免“投资不足”假说,又被称作协调公司融资与投资政策假说。其主要观点是使用金融衍生产品风险对冲可以避免公司面临的“投资不足”问题。Froot,Scharfstein和Stein (1993)在接受财务危机模型的基本原理的情况下,参考了Myers(1977)的债务积压(debt overhang)主张,拓展了相关结论。在其模型中,因为资本市场并非完美状态,外部融资相比于公司内部资金往往成本更高(Myers和Majluf,1984)。 Haushalter,Randall和Lie(2002)研究发现,那些拥有较多增长机会并且在财务危机下融资面临较高资金成本的公司将会有更大的动机去对冲其风险暴露。贾炜莹, 魏国辰和刘德英(2010)的研究表明,我国上市公司的风险对冲行为中,避免“投资不足”假说未得到验证。基于上述分析,我们提出如下假设:

假设2:成长机会越好和投资机会越多的公司,越倾向于使用风险对冲

Mayers和Smith(1982)与Simth和Stulz(1985)认为,如果公司的纳税义务是公司收入流的凸性函数时,或者说公司面临的是一个凸形的税收函数时,公司风险对冲能够通过减少公司预期税负支出,而提高公司价值。而且该函数的形状越凸,则风险对冲的收益越大。在实际经济活动中,公司由于存在所得税的累进税制(Statutory progressivity)和亏损结转(income tax losses),其税收函数往往会呈现凸性。公司通过风险对冲降低公司应税所得的波动性,降低了公司税负支出总额,而提高公司价值。我国没有累进所得税制, 但当期的亏损可以在未来结转。基于上述分析,我们提出如下假设:

假设3:具有可抵扣亏损的公司更可能使用金融衍生产品进行风险对冲

由于经理层和股东目标的不一致,风险厌恶的经理层出于对自身的考虑,往往会以牺牲股东利益为代价来进行风险对冲活动,以避免其个人财富受汇率、利率和商品价格波动的影响(Stulz,1984)。Fatemi和Luft(2002)指出,管理者风险回避的假设预测了经理层会执行完全风险对冲的策略,而完全对冲可被用来以牺牲股东利益为代价来保护经理层。一些经验研究的结果已证实了这个观点 (如Tufano,1996;Gay和Nam,1998)。于此同时,郭飞和徐燕 (2010)的经验研究却没有发现相关证据。基于上述分析, 我们提出如下假设:

假设4:经理层持股比例与公司使用金融衍生产品的程度正相关

Nance等(1993)指出,除了使用金融衍生产品进行风险对冲外,公司也可以保持较高的短期流动性、较低的股利支付率以降低股东与债务人之间的冲突。一个具有较高速动比率及较低股利支付比率的公司,其依靠对冲来降低其直接债务的预期财务危机和代理成本的需求就降低了。流动比率与公司衍生品使用之间存在负相关关系(Tufano, 1996;Geczy等,1997)。股利支付率与公司金融衍生品使用之间存在正相关关系(Nance等,1993)。基于上述分析,我们提出如下假设:

假设5:公司速动比率与风险对冲程度负相关,速动比率低的公司更可能使用金融衍生产品进行风险对冲

假设6:公司股利支付率与风险对冲程度正相关,股利支付率高的公司更可能使用金融衍生产品风险对冲

三、研究设计

(一)样本选择本文以2010-2012年的有色金属、机械、设备行业的上市公司为研究样本,剔除以下样本:具有行业特殊性的金融类公司;被ST、PT处理的公司;B、H、N股公司;数据不全的公司。最后得到有效样本131个,主要来自RESSET数据库、巨潮资讯网。本文使用统计软件STATA13对样本异常处理后进行统计分析。

(二)变量定义本文的被解释变量和解释变量如下:

(1)被解释变量。衡量公司风险对冲使用的最佳指标是对冲比率(hedge ratio),但这一指标无法在公司年报中获得。鉴于这个指标很难获得,我们采用期末金融合约的公允价值/公司期末总资产账面价值作为公司风险对冲的代理变量。

(2)解释变量。财务困境成本:本文使用公司规模、利息保障倍数和杠杆比率来衡量财务危机的成本。公司规模定义为公司市场价值的自然对数。利息保障倍数定义为息税前利润除以利息支出的自然对数。杠杆比率定义为期末长期负债总额与期末总资产之比。投资不足:本文使用盈余价格比和公司的市值账面价值比(market-to-book-value ratio)来代表公司的成长性。盈余价格比通常用来作为公司长期发展前景的代理变量。使用公司的市值账面比来衡量公司的成长机会基于下列观点,即公司市场价值代表了公司资产的价值和未来的增长机会,账面价值代表了公司资产的价值,因此,两者的比率能够提供一个公司成长机会的相对准确的衡量手段。公司市值账面比定义为年末公司每股收盘价与年末每股净资产之比。节税激励:本文采用虚拟变量来衡量公司的节税激励。如果公司递延所得税中含有确认的可抵扣亏损,则该虚拟变量为1;反之为0。经理层激励:本文采用期末经理层持股比例作为经理层激励的代理变量。其他:Geczy等(1997)采用速动比率来衡量资产的流动性,本文也采用该比率来衡量资产的流动性,定义为期末速动资产与期末流动负债之比。此外,本文采用股利支付率来衡量公司股利政策对风险对冲的影响。股利支付率定义为年度每股股利与年度每股净利润之比。具体的变量描述见表1。

(三)模型建立由于实务中有大量的公司并不使用金融衍生品或者不披露使用金融衍生品的情况,所以我们的解释变量将是左侧删失的。为了解决这个问题,我们使用Tobit模型来进行处理。具体模型如下:

四、实证分析

(一)描述性统计表2是对各研究变量的描述性统计。从中可以看出,样本公司风险对冲比率的均值为18.1%,说明我国公司中使用金融衍生品进行风险对冲的比重还比较低。从其他指标来看,样本观测值差距较大,有利于我们展开分析。

(二)相关性分析表3列出了显著性水平5%的情况下检验变量之间的相关性水平矩阵,从表中可以看出,所有检验变量的Pearson相关系数绝对值,均没有超过0.6。表3中,利息保障倍数与盈余价格比、杠杆比率与盈余价格比、公司规模与速动比率、速动比率与亏损结转、杠杆比率与股利支付率这5个相关系数的绝对值超过了0.3,其余相关系数的绝对值均低于0.3,这说明在样本数据中虽然存在多重共线性问题,但是这种问题并不严重。因此,所有检验变量可以纳入模型进行Tobit回归。

(三)多元回归分析所有的检验变量纳入模型进行Tobit回归,表4列示了模型的实证检验结果。从表4的回归结果可以看出,公司规模、利息保障倍数、杠杆比率、亏损结转和速动比率与风险对冲使用在5%的置信水平下显著相关。股利支付率与风险对冲使用在10%的置信水平下显著相关。经理层持股比例与风险对冲比率也在10%的水平上显著相关。不过,盈余价格比、市值账面价值比与风险对冲使用的相关性不显著。与预期相反,市值账面价格比与风险对冲使用负相关。从表4的结果来看,公司风险对冲的使用降低了公司的财务危机成本和税负,假设1、假设3得到证实;经理层持股比例与公司使用金融衍生产品的程度正相关,假设4得到证实;保持较高的速动比率及较低的股利支付率可以降低代理成本,从而降低公司对金融衍生产品的使用,假设5、假设6得到证实;假设2没有得到证实。

注:* 表示在 10%的置信水平下显著,** 表示在 5%的置信水平下显著。

五、研究结论与政策建议

本文来自 360文秘网(www.360wenmi.com)，转载请保留网址和出处

【正确处理对冲风险】相关文章：