摘要：文章回顾1993～2013年货币政策施行状况，将其分为三个阶段，体现出紧缩的货币政策、宽松的货币政策、平稳的货币政策产生不同的影响，为调控宏观经济设计、制定货币政策提供理论依据。探讨货币政策及其效应的非对称性，通过比较国内外的非对称性分析，得出货币政策非对称性的形成机理。以下是小编精心整理的《ARCH商业银行论文(精选3篇)》，希望对大家有所帮助。
ARCH商业银行论文 篇1：
基于SHIBOR的波动性分析
[摘要]本文构建GARCH模型分析SHIBOR各种期限产品的波动性行为，发现GARCH模型族能够较好地拟合SHIBOR的波动特征，其短期和长期的利率品种具有不同的收益波动特征，具有时间序列非正态性和条件异方差的特点。
[关键词]SHIBOR 波动性 GAKCH模型
自2006年上海银行同业拆借市场推出以来，交易品种有隔夜、1周、2周、1月、3月、6月、9月及1年八个品种。试运行后SHIBOR就表现出了鲜明的特点，各期限SHIBOR表现出了不同的走势。SHIBOR的隔夜、1周和2周三个品种，表现出剧烈波动，显著受市场短期流动性影响。而SHIBOR的3月、6月、9月和12月四个品种，则呈现出稳定的走势，期限利差基本没有变化。至于SHIBOR中的1月品种，则处于中间状态。因此，本文重点分析了SHIBOR中的隔夜、一周、三月、一年期四个品种。数据的时间区间为2006年10月8日2010年9月30日，每日利率数据共1001个，数据处理采用Eviews 5.0软件。
首先分析SHIBOR四种期限利率的基本统计特征。序列统计性质如表1所示。
由上表可知，四种资产收益率的峰度均远大于3，尖峰分布异常明显，符合金融资产尖峰分布的特点；从偏度来看，SHIBOR中的短期和长期利率品种表现出了明显的区别，即短期品种，资产收益率形态为左偏，即偏度小于零，而长期品种，资产收益率形态则为右偏，偏度大于零。时间序列矩特性的时变行为反映了时间序列的非平稳性质。对非平稳时间序列的处理方法一般是将其转变为平稳序列，这样就可以应用有关平稳时间序列的方法来进行相应的研究。通过增加变量的滞后项来消除残差项的自相关，这个检验方法称为增广的迪基福勒，即ADF检验。本文采用ADF对上海同业拆借利率四个品种进行单位根检验，可以发现，资产收益率的时间序列的单位根检验均拒绝零假设，接受备择假设。从而对序列的时间冲击将随着时间的推移其影响逐渐减弱，此时我们可以认为以上序列都是平稳的。
ARCH—LM检验是Engle在1982年提出的检验残差序列中是否存在ARCH效应的拉格朗日乘数检验方法。当残差序列存在高阶的ARCH(q)效应，则可采用GARCH模型。本文使用LM检验，结果证实各序列存在ARCH效应。本文分别建立ARCH模型、GARCH模型、GARCH—M模型、TGARCH模型、EGARCH模型讨论波动率模型，回归结果如表2所示。
通过ARCH(1)、GARCH(1，1)、GARCH—M、TGARCH、EGARCH拟合比较可以看出，SHIBOR隔夜的ARCH类模型中，从AIC准则上判断，拟合最好的模型是TGARCH模型，Q检验均显著；均值方程方面，模型参数检验都拒绝了零假设；方差方程方面，模型参数均通过检验；这表明SHIBOR隔夜的历史波动率有聚集效应和信息非对称的特点。同理，我们发现SHIBOR一周的拟合最好的模型是EGARCH模型；SHIBOR三月拟合最好的模型是TGARCH模型。SHIBOR一年拟合最好的模型是EGARCH模型，这表明SHIBOR一年的历史波动率有明显的信息非对称的特点。
由此，TGARCH和EGARCH模型可以很好地拟合SHIBOR的四类资产的历史波动率。其原因主要是，虽然ARCH／GARCH模型能捕捉到金融时间序列的尖峰厚尾、波动聚集、条件方差时变性等特征，但其条件方差的设定不能反映市场对信息的非对称反应；此外，ARCH／GARCH模型的另一个约束是条件方差方程系数非负，这些都影响了模型对于SHIBOR四类资产历史波动率的拟合，而EGARCH／TGARCH模型却弥补了这两方面的缺陷，从本文的实证分析也可以发现这一点。这些结论相信能为今后进一步研究我国货币市场风险特征提供参考。
参考文献
[1]曹志鹏，韩保林．中国银行间同业拆借市场利率波动模型研究[J]．统计与信息论坛．2008(12)．59-63．
[2]林娟，杨凌．银行间债券市场7天回购利率波动性分析[J]．福州大学学报．2007(2)，45-47．
作者简介：吴冠(1986-)，女，汉族，长沙理工大学经管学院，研究方向：金融合约；杨琪(1986-)，女，汉族，长沙理工大学经管学院，研究方向：商业银行管理。
作者：吴冠 杨琪
ARCH商业银行论文 篇2：
我国货币政策的非对称性研究
摘要：文章回顾1993～2013年货币政策施行状况，将其分为三个阶段，体现出紧缩的货币政策、宽松的货币政策、平稳的货币政策产生不同的影响，为调控宏观经济设计、制定货币政策提供理论依据。探讨货币政策及其效应的非对称性，通过比较国内外的非对称性分析，得出货币政策非对称性的形成机理。通过TARCH模型和OLS方法，验证了货币政策存在非对称性，对我国存在的区域性非对称性和现阶段经济发展状况给出相应的建议。
关键词：货币政策；非对称性；TARCH模型；货币供应量
一、引言
货币政策是宏观经济政策的重要部分，在国民经济运行中发挥不可替代的作用。不同的经济周期中，货币政策在产出、通货膨胀率方面都呈现出非对称性。文章首先用理论知识对货币政策的非对称性进行研究，总结出形成货币政策非对称性的原理。其次，对货币政策非对称性进行实证分析，通过TARCH模型和OLS方法对货币政策是否存在非对称性进行验证，且得出负的货币冲击对产出的影响小于正的货币冲击，而对物价的影响程度恰好相反。最后，分析货币的变化对经济变化的影响，为调控宏观经济设计和制定货币政策提供理论依据。
二、文献回顾
（一）国外研究现状
James Peery Cover（1992）选择了美国1951年到1987年的所有季度数据，研究表明确实存在货币政策的非对称效应。Bruinshoofd和Candelon（2004）构建了STR模型和LM 统计量检验出给定显著性水平下仅有丹麦和英国为货币政策非线性。Clausen和Hayo（2006）利用半结构模型分析了欧洲货币传导机制，得出非对称性的统计意义。
（二）国内研究现状
杨定华（2008）对中国1984～2005年的货币政策效果的实证分析，表明在中国货币冲击的紧缩效应大于扩张效应。曹永琴（2010）首先是从货币政策价格传导角度得出货币政策非对称效应的原理是通过构造菜单成本模型得到的，然后通过构造状态空间模型实证检验了理论模型在中国的适用性。刘洋（2011）建立以VAR 模型为基础的误差修正模型表明：随着我国商业银行市场结构集中度的不断下降，我国货币政策传导效果逐渐变好。张强、赵继鸿（2013）通过选取金融危机前、危急中、危机后三组样本区间，运用协整检验和Granger因果分析检验实证分析了我国货币政策效应的非对称性。
三、模型的选取
（一）模型选取依据
1. 通常用TARCH模型来表示有关金融资产价格波动的杠杆效应。但是用GARCH模型来描述金融资产价格的波动，然而对验证杠杆效应无法作出说明。
2. 与GARCH 和ARCH 模型相比，TARCH 模型优点在于可以区别正外部冲击和负外部冲击的不同影响；并且能够充分的对金融市场的非对称性进行表述，“利好”用正外部冲击来表示，则 “利坏”用负外部冲击表示。
3. 文章目的是检验我国货币政策非对称性效应是否有存在性，EGARCH 模型在实践中需要有至少5000 个数据支持才能得到有说服力的结论，由于我国实施间接调控的货币政策时间较短，无法提供大量数据，TARCH 模型对数据要求较低，故选用TARCH 模型。
（二）选取变量以及分析数据
1. 货币政策变量
货币政策主要有两个可以量化的指标，一是货币供应量，二是利率。由于我国利率尚未完全市场化，储蓄对利率的变化不敏感，且货币供应量作为中介，可测可控性比较强，因而采用货币供应量。文章货币供应量=I+城乡居民储蓄存款+企业存款中有定期性质的存款+外币存款+信托类存款。
2. 产出变量
文章用国内生产总值GDP来衡量产出效果。利用产出法计算国内生产总值，国内生产总值=居民的消费+政府的购买+投资+净出口四项之和。
3. 物价变量
我国的文献主要是以通货膨胀率来研究物价效果（以CPI代表）。
四、货币政策非对称性实证模型研究
（一）模型检验
通过对季度M2 数据对数化并差分，得到M2增长率DLNM2。将季度GDP 数据和季度CPI 指数对数化并一阶差分，得到DLNGDP 和DLNCPI序列反映实体经济的变化。综上，初步考虑选用代表通货膨胀率DLNCPI 和代表GDP 的DLNGDP 作为TARCH 模型的被解释变量，解释变量选用代表货币供应量的DLNM2。
首先，我们将M2、GDP、CPI 和NX 数据进行对数化，得到LNM2、LNGDP、LNCPI 非平稳序列。在建立TARCH 模型前，需要对DLNCPI 和DLNGDP 序列进行正态分布和自相关性检验，判断是否适合采用ARCH 类模型。通过以往的检验结果表明，DLNGDP 序列不满足正态分布假设，DLNGDP 和DLNCPI平方序列均存在自相关性。在TARCH 模型构造的过程中，被解释变量：代表宏观经济的价格和产出，货币政策变量：货币供应量M2 和利率共同表示。
（二）模型建立
1. 价格方程
首先我们对DLNCPI、DLNCPI（-1）、DLNM2和DI进行回归，回归方程如下。
DLNCPI=A+B*DLNCPI（-1）-C*DL
NM2+D*DI
DLNCPI = 0.000649+ 0.4448*DLNC
PI（-1） - 0.0274*DLNM2 + 0.5435*DI
（0.003796）（0.147803）（0.089314）
（0.327090）
[0.171055] [3.009498] [-0.307064]
[1.661770]
R-squared：0.308886；AIC：-6.356207；
F-statistic：7.002035；D.W：2.139836。
对残差进行ARCH-LM检验，结果为
ARCH Test：
F-statistic 0.968190 Probability 0.416273
Obs*R-squared 2.972403 Probability 0.395900
从检验结果中我们看到，用货币供应量、利率对通货膨胀率进行回归并不存在ARCH效应，因而不适用TARCH模型进行货币政策非对称性检验。
2. 产出方程
首先我们对DLNGDP、DLNGDP（-1）、DLNM2和DI进行回归，回归方程如下。
DLNGDP=0.0427546-0.59109*DLNGDP（-1）-0.02699*DLNM2-4.745527*DI
（0.065444）（0.124283）（1.546215）
（5.373244）
[0.653298] [-4.756011] [-0.017457] [-0.883177]
R-squared：0.333884；AIC：-0.605804；F-statistic：7.852745；D.W：2.204999。
对残差进行ARCH-LM检验，结果为
ARCH Test：
F-statistic 16.01197 Probability 0.000000
Obs*R-squared 25.05244 Probability 0.000015
结果表明，上述回归方程残差存在异方差自相关现象，即存在ARCH效应，因而我们可以利用ARCH族模型消除原估计式的ARCH效应，同时可以利用TARCH模型对货币政策冲击对产出是否具有非对称性进行实证检验。
以DLNGDP为因变量，DLNGDP（-1）、DLNM2和DI为自变量，建立TARCH模型如下。
均值方程：DLNGDP =0.0165- 0.347
6*DLNGDP（-1）+ 0.739*DLNM2 + 3.485*DI
方差方程：GARCH=0.0175+0.177*RESID（-1）^2-0.672*RESID（-1）^2*（RESID（_1）<0）+0.522*GARCH（-1）
方程表明：RESID（-1）^2*（RESID（-1）<0）项系数不为0且为负数，说明货币政策冲击对产出存在非对称性。结果表明，紧缩性货币政策对产出的影响大于扩张性货币政策，同时货币政策的非对称性冲击减小了产出的方差，有助于降低经济的波动。 使用TARCH模型后对残差进行ARCH-LM检验，结果如下。
ARCH Test：
F-statistic 4.562887 Probability0.007216
Obs*R-squared 11.38969 Probability 0.009795
检验结果表明：以GDP为因变量的产出方程，存在ARCH效应，根据TARCH模型，ARCH效应没有出现在残差中。利用TARCH模型，紧缩性货币政策对产出的影响大于扩张性货币政策，并且TARCH模型的残差不再具有ARCH效应。通过TARCH模型我们初步得到了货币政策对实际经济变量影响总体上存在非对称性的结论。
五、结论
文章结合当前国外关于非对称性理论和计量模型研究的方法，使用TARCH 模型对货币政策效应进行分析，货币政策效果是否存在非对称性进行检验。验证价格和产出是否受到政策变量的影响，实际经济变量是否会受到预料之外的货币政策冲击的影响。将会在经济变量的哪些方面起到作用，最后根据实证检验的结果提出政策建议，为实施未来货币政策制定提供依据。
参考文献：
[1]Cover，J.A Keynesian macroeconomic mode with Dew classical econometric properties[J].Southern Economic Journal，1998（54）.
[2]Bruinshoofd A.B. Candelon Nonlinear monetary policy in Europe：Fact or myth.Netherlands Central Bank[J].WO Research Memoranda.Netherland，2004（86）.
[3]Clausen V.B Hayo， Asymmetric monetary policy effects in EMU[J]. Applied Economics，2006（38）.
[4]杨定华.中国货币政策非对称性研究[J].经济问题，2008（11）.
[5]曹永琴.中国货币政策非对称效应形成机理研究[J].南方经济.2010（02）.
[6]刘洋.中国银行业集中度对货币政策效果的影响——基于VAR模型的经验实证.经济纵横[J].2011（03）.
[7]张强，赵继鸿.我国货币政策效应的非对称性研究[J].统计与决策，2013（23）.
（作者单位：燕山大学经济管理学院）
作者：刘悦影
ARCH商业银行论文 篇3：
基于VaR-GARCH模型的我国商业银行汇率风险度量的分析研究
摘 要：在浮动汇率制下，汇率风险的管理对于我国商业银行经营的稳定性至关重要，而对汇率风险管理的前提是能对汇率风险进行准确的度量。从现阶段来看，我国商业银行的汇率风险管理还处于比较落后的阶段，因此对汇率风险进行准确识别与有效度量是我国商业银行仍需解决的难题。本文选取我国金融市场的部分日汇率中间价，在理论分析和实证研究的基础上运用VaR-GARCH方法度量我国金融市场的汇率风险，最后得出在GED分布下的GARCH（1，1）模型是最优的度量五种汇率风险的模型，且运用VaR方法度量我国商业银行汇率风险是必要且可行的。
关键词：VaR-GARCH模型;汇率风险;商业银行;风险管理
一、研究背景及意义
风险度量是汇率风险管理的主要流程之一，在风险管理中起着重要的作用，它是风险识别的延续，也是正确处理和控制风险的依据。我国商业银行的汇率风险管理注重风险控制，但商业银行的风险管理整体起步较晚，而偏技术性的风险度量更为其薄弱环节。
目前我国大部分银行以敞口分析和敏感性分析为主，若要更好的控制风险则需要从定性分析转化为定量分析，且我国对于外汇衍生工具的运用还没有很普遍，外汇期货和期权交易市场不完善，商业银行内部审计方法存在缺陷，缺乏横向和纵向的相互制约，管理人员掌控风险的能力较弱，不能制定出科学有效的风险管理策略，这些都在一定程度上限制了商業银行汇率风险的转移和规避。
控制汇率风险的前提是准确的度量汇率风险，本文将选取我国2012年到2019年的部分外汇数据，通过运用VaR-GARCH的方法对我国商业银行的汇率风险进行度量，并在理论分析的基础上进行实证研究，为引入VaR作为我国商业银行汇率风险的度量工具提出可行性建议。
二、模型介绍
1.VaR方法
VaR方法即Value at Risk，称为风险价值模型，在现代金融风险管理中是最核心和基本的度量方法，它的产生是由于传统的ALM和CAPM无法准确定义和度量金融风险。G30集团在研究衍生品种的基础上于1993年发表的报告《衍生产品的实践和规则》中提出了VaR方法。VaR模型中风险的测量是建立在概率论与数理统计的基础上，具有很强的科学性且统一了风险计量标准。金融机构在仅有一个具体的指标数值——VaR的情况下就可以粗略地得知整个金融机构或投资组合的风险状况，这使得金融机构各业务部门对有关风险信息的交流更加便捷，最高管理层也能够随时掌握机构的整体风险状况及时进行风险调控，因此VaR方法常被金融机构用来进行风险管理。
“在正常市场环境下，给定一定概率水平（也即置信度），用于测度预期某一金融资产或证券组合在未来特定的一段时间内的最大可能损失的方法”，这是菲利普·乔瑞对VaR权威的解释，用数学公式可表示为：
2.GARCH模型
GARCH模型被称为广义ARCH模型，是ARCH模型的拓展。ARCH模型实质上是使用残差平方序列的q阶移动平移对当期异方差函数值进行拟合，而移动平均模型具有自相关系数q阶截尾性，因此ARCH模型只适用于异方差函数短期自相关过程。但在实践中会有一些残差序列的异方差函数具有长期自关性，此时若仍使用ARCH模型对异方差函数进行拟合，不仅将会产生很高的移动平均阶数，使参数估计的难度增加，还会影响ARCH模型的拟合精度。因此为解决这一问题，Bollerslev提出了广义自回归条件异方差模型，即GARCH模型，模型简记为GARCH（p，q）。
GARCH模型是在ARCH的基础上又考虑了异方差函数的p阶自回归性，可以更有效拟合具有长期记忆性的异方差函数，反映实际数据中的长期记忆性质。因此我们可以通过建立误差项的方差和均值模型更加准确对波动性进行分析与预测。
三、实证研究
1.样本数据选取及说明
目前，我国大部分的商业银行计算VAR以持有期一天为标准，因此本文采用日VaR进行分析。鉴于美元、欧元、日元、港币、英镑几种货币是我国主要的贸易结算货币，而且是我国外汇储备的主要构成部分，本文选取了直接标价法下，美元、欧元、港币、日元、英镑兑人民币的日汇率中间价（数据来源于国家外汇管理局网站）。数据选取区间为2012年1月4日到2019年12月31日。
相比一般收益率，几何收益率具有很好的统计特征，更适合进行金融建模，同时在金融研究中人们更关注收益率和价格变动而不是价格本身，因此本文借助Eviews和Excel对原数据序列先取对数，将其汇率的价格序列转化为对数收益率序列lnPt，再进行一阶差分处理，最后得到几何收益率Rt。
2.样本数据检验分析
日收益率序列并不符合传统的正态分布，而是呈现“尖峰厚尾”;GED分布下的GARCH（1，1）模型可以更好地拟合模型的波动集群现象，从而使测算VAR的结果更加科学合理。
日收益率序列一般都呈现尖峰厚尾的状况，不符合传统的正态分布，收益率的分布则直接影响VaR的计算精度，因此在进行模型拟合前我们需要先对数据进行正态性检验。本文将先采用J-B检验来对五种外汇收益率序列的正态性进行检验，再采用GED分布或t分布来代替正态分布，这样尾部的拟合效果和度量精度就得到了提高。
（1）J-B检验及其他统计特征
对于收益序列的正态分布特征的检验，我们运用eviews对五种汇率进行J-B检验。假设J-B统计量服从正态分布，若P<0.01则在1%的显著性水平下可以拒绝原假设，即序列不服从正态分布;否则接受原假设，认为服从正态分布我们根据运行结果把美元、欧元、港币、日元、英镑的收益率序列基本统计值绘制成表1。
从表1中可以看出，五种汇率的偏度都不为0，其中美元、欧元，港币的偏度大于0，收益率分布有右拖尾现象;日元、英镑的偏度小于0，收益率分布有左拖尾现象。同时五种汇率的峰值都显著的大于3，说明其收益率序列分布都比正态分布更集中呈现出“尖峰”的状态。而从JB统计量来看，所有的P值都为0，因此序列不服从正态分布。通过对偏度、峰度和JB统计量进行分析，发现收益率序列呈现尖峰厚尾的现象，不符合正态分布。因此本文将采用t分布，GED分布来描述各序列的尖峰厚尾现象，以更好刻画尾部特征，提高VaR的度量精度。
（2）平稳性检验
时间序列的平稳性是对时间序列进行研究的首要前提，且GARCH模型只适用于平稳性序列，因此此处采用ADF检验，对美元、欧元、日元、港币、英镑的收益率序列Rt进行平稳性检验。
检验结果得出：五种外币收益率序列的ADF检验值在1%、5%、10%的显著性水平下均小于临界值，所以通过了平稳性检验，因此美元、欧元、日元、港币、英镑的收益率序列均不存在单位根，是平稳的时间序列。
（3）自相关检验
Q统计量是由Ljung和Box于1978年提出，用来检验一系列自相关性是否具有统计显著性，本文通过对扰动项进行自相关检验来证明扰动项是否自相关。各收益率序列的Q统计量检验结果如表2所示。
本文取的滞后阶为8，从表中可以看出，在5%的显著性水平下，欧元和英镑Q统计量所对应的P值均大于0.05，因此可以接受原假设，我们认为收益率序列是不相关的。当Q统计值逐渐增大时，人民币汇率正在逐步走向白噪声，此时的收益率序列符合随机游走过程，但是由于美元、日元和港币的收益率序列均存在自相关，因此在对这三种外汇收益率建立回归方程时需要加入滞后项来消除自相关。
（4）异方差检验
由于回歸函数中存在异方差容易引发多重共线性问题，因此我们需要检验收益率序列分布来判断回归函数是否具有条件异方差，本文采用ARCH效应对收益率序列进行异方差检验。
根据ARCH效应检验我们可看出在滞后阶数为8时，ARCH统计量的P值均小于0.01，因此原序列存在高阶的ARCH效应，我们可以采用GARCH（p，q）模型下的VaR方法来度量汇率风险。
（5）GARCH模型滞后阶数的选择
由于模型GARCH（p，q）通过了异方差检验，本文将运用该模型对波动性进行估计。GARCH（1，1），GARCH（2，1），GARCH（1，2）和GARCH（2，2）均是实验中常用的GARCH模型，所以我们在GED分布和t分布的前提下，根据AIC和SC准则确定出模型的最优滞后阶数。
根据得出的AIC值和SC值，美元、欧元、港币、日元与英镑五种的收益率数据在滞后阶数为（1，1）时的AIC值和SC值的偏差都较小。若AIC值和SC值差别不大，我们则选取滞后阶数少的模型，这样可以降低待估参数的个数，方便计算，因此GARCH（1，1）模型最合适。
（6）模型的残差检验
在确定使用GARCH（1，1）模型后，我们对模型的残差序列进行ARCH-LM检验。根据美元、欧元、港币、日元与英镑收益率的t分布和GED分布表可见，在1%的显著性水平下，模型所对应的P值均大于显著水平，因此模型的残差序列不存在ARCH效应，所以模型能够很好地反映美元、欧元、港币、日元与英镑五种汇率收益率序列的异方差性。
四、结论与政策建议
本文通过VaR-GARCH模型对我国商业银行汇率进行度量，并采用t分布和GED分布刻画收益率序列的尖峰厚尾现象，最后结合实证研究得出结论：
以2012年1月4日到2019年12月31日的汇率数据来看，VaR方法度量我国商业银行汇率风险效果较好，可以便捷准确地显示出某段时间内我国商业银行汇率的风险水平，且分析得出日收益率序列表现出较为显著的“尖峰厚尾”特征，不符合传统的正态分布;其次，通过实证分析，我们发现GED分布下的GARCH（1，1）模型可以更好地拟合日收益率序列分布存在的“尖峰厚尾”特征，从而使测算VaR的结果更加合理。因此，运用VaR方法度量我国商业银行汇率风险是必要且可行的。
2005年以前，我国实行的是人民币盯住美元的汇率政策，商业银行面临的汇率风险较低，因此对汇率风险的识别与度量意识淡薄。2005年汇改之后，汇率波动更加频繁。在这个变幻莫测的金融环境中，监管部门和商业银行的管理者需要能够对汇率风险进行更可靠更准确地度量，因此必须选取能准确反映资产收益波动的模型对于度量商业银行的汇率风险是极其必要的，这也为我国的金融风险管理提供一个良好的技术保证。
对于商业银行，应选取适合自身的、拟合程度较好的分布来建立模型，以便更好地度量风险，同时长期监控汇率风险，应对极端情况。因为各种因素反映在汇率上是长期的，且是叠加性的，所以建立实时的监控处理系统能够更高应对风险。VaR方法作为西方商业银行主流的度量汇率风险的工具，我国也可以结合自身经济形势进行运用，有效控制汇率风险，减少汇率风险带来的损失。
参考文献：
[1]何倩.我国商业银行汇率风险度量的实证研究[D].苏州大学，2014.
[2]张琳.不同阶段下我国商业银行汇率风险度量的实证研究[D].广西师范大学，2016.
[3]龚妮.GARCH模型与VaR在外汇风险度量中的应用[J]，长安大学学报，2006，109（6）：22-26.
[4]陆红.基于VaR-GARCH族模型的我国商业银行汇率风险度量研究[D].东北大学硕士学位论文，2010.
[5]朱沛，孙英隽.我国商业银行汇率风险研究——基于VAR-GARCH模型的实证分析[J].中国物价，2018（11）：34-36.
[6]李竞晖.提高城商行利率风险管理能力的研究[D].西南财经大学，2018.
[7]李卓娜.我国商业银行汇率风险实证研究[D].南京航空航天大学硕士学位论文，2012.
[8]杨文艳.我国商业银行外汇风险度量的实证研究——基于改进的VaR方法的应用[D].苏州大学，2009.
作者：冯媞 谢斌斌 侯俊屹 董子腾