VAR模型金融风险管理论文

2022-04-22

摘要:近年来,国际金融市场规模越来越大,管理越来越规范,金融机构的竞争重心也从原来的资源探索转移到内部管理上来。目前越来越多发达国家的银行和证券公司等金融机构都在创新金融产品,各金融机构的经营管理也越来越注重风险管理。证券市场是金融市场的重要组成部分,在金融一体化浪潮中,须更加注重风险管理。基于此,本文介绍了VaR模型在风险管理中的应用。下面是小编整理的《VAR模型金融风险管理论文(精选3篇)》的文章,希望能够很好的帮助到大家,谢谢大家对小编的支持和鼓励。

VAR模型金融风险管理论文 篇1:

基于La—VaR模型的中国国债市场流动性风险研究

摘   要:本文基于La-VaR模型测度中国国债市场流动性风险,并选取2009—2015年上证国债指数为数据,采用GARCH-VaR模型和La-VaR模型度量国债市场所面临的流动性风险,分析La-VaR模型对我国国债市场流动性风险测度的有效性。结果表明:相对于传统的VaR模型,La-VaR模型能更好的测度国债市场的流动性风险,且La-VaR模型的预测结果与国债市场的表现大致吻合,可对国债市场进行较好的预测。

关键词:国债市场;流动性风险;La-VaR模型

一、引言

“流动性是市场的一切”,也就意味着流动性是证券市场的生命力所在。而流动性风险作为目前资本市场的主要风险之一,其对于整个金融市场的影响可谓是举足轻重。1997年的亚洲金融危机、1998年的俄罗斯金融风暴以及2007年美国次贷危机无一不说明了金融市场流动性的缺失会导致重大金融危机的发生。现如今,随着我国不断深化对国债市场乃至整个债券市场的改革,债券市场在整个证券市场中扮演的角色愈发重要,且投资者对债券市场的流动性需求也愈发提高,而国债市场作为债券市场的重要一环,国债市场的流动性风险也不容忽视。鉴于流动性风险管控在国债市场发展过程中的重要性,本文将对中国国债市场的流动性风险进行实证研究。

流动性对于整个市场而言至关重要。Schwartz(1988)就曾指出市场流动性、波动性和定价效率是反映金融市场质量最核心的三个要素[1-2]。Demesetz(1968)指出较高的交易需求导致了提供流动性服务中间商可以谋取利润,而买卖价差则是交易者为了获取交易及时性所付出的成本,自此,用买卖报价价差作为流动性的衡量指标被广泛应用于流动性研究的各个领域[3]。Pastor和Stambaugh(2003)提出假说,对于流动性较差的股票的较高预期收益是对市场层面上(系统)流动性风险的补偿[4]。基于这一假说的研究通常会构造共同的流动性风险因子[5]。Amihud(2002)等对流动性则定义为在一定时间内完成交易所需要的成本,或寻找一个理想价格所需要的时间,并定义非流动性测度指标ILLIQ,ILLIQ指标越高,股票的流动性越差[6]。

从前人对流动性的定义和影响因素来看,流动性至少涉及三方面内容,即价格、数量和时间。一般地,分别以密度、深度、弹性对以上三个方面进行刻画[7-9]。Liu(2006)和Hasbrouck(2009)等进一步将流动性总结为三个维度:交易成本、交易速度、价格冲击。在使用不同的计量方法对市场流动性和信用风险进行测量时[10-11]。Schwartz(2010)得出结论认为,流动性风险是更重要的因素,该结论与Acharya, Pedersen(2005)相一致[12-13]。针对流动性风险的测度,不少学者在传统VaR模型的基础上引入流动性变量,形成了专门针对流动性风险的风险价制度模型。John C. Hull(2008)曾指出,经流动性调节过后的VaR等于在传统VaR的基础上加上各个头寸资金与价格溢差百分比乘积之和。由于价差具有随机波动性,基于以上思路,Bangia A和Diebold F(1999)提出了基于价差来计算流动性的La-VaR模型[15]。Yoshifumi Hisata ,Yasuhiro

Yamai(2000)通过考虑市场的流动性水平和投资者交易头寸大小对变现价值的影响把市场影响机制引入VaR模型中[16]。

在国内的相关研究中,流动性的测度通常包括市场宽度、深度、弹性和即时性四个维度,除了运用四个维度测度流动性,杨之曙和吴宁玫(2000)指出交易股数、交易量(金额)、交易次数、换手率、价格的波动性、市场参加者人数、交易书目也可以被认为是市场流动性的替代指标[17]。其中,换手率等指标经常被用来衡量流动性。苏冬蔚和熊家财(2013)、仲黎明、刘海龙和吴冲锋(2003)、刘林(2012)、张蕊和王春峰(2010)均采用换手率和其他相关指标来衡量流动性[18-21]。除了流动性的三大维度,Amihud所提出的ILLIQ指标也十分受中国学者的青睐,即每日回报的绝对值和成交金额之间的比值。姚亚伟等(2012)、孙彬等(2010)、王东旋等(2014)、李文鸿、田彬彬和周启运(2012)均采用Amihud的ILLIQ指标衡量流动性[22-25]。在有关流动性风险测度的研究中,戴国强、徐龙炳和陆蓉(2000)指出,VaR方法提供了一种风险管理的思路,这种思路不仅可用于市场风险的管理,还可用于信用风险、流动性风险和其它风险的管理[26]。周毓萍(2005)认为流动性缺口是流动性风险的量化指标,为了更好的管理流动性风险,VaR能够量化损失的大小[27]。但彭坤和王飚(2002)认为VaR也并非万应良药,由于VaR模型假定市场因素收益率要服从正态分布,所以他们认为该模型不符合实际情况[28]。

针对VaR在基本假设上存在的问题,龚锐、陈仲常和杨栋锐(2005)使用GARCH模型较好的刻画了收益的动态变化特征,考虑了对数收益率方差的动态性与时变性[29]。张瑞军和孟浩(2013)运用基于GARCH的VaR模型针对离岸债券市场风险状况进行了分析[30]。宋逢明和谭慧(2004)则在VaR可以较好测度风险的思路上继续深入,将流动性风险加入到VaR模型中,建立了一个基于股票市场实际特点的对流动性风险进行调整后的VaR模型[31]。针对债券市场的流动性风险研究,闻岳春和程同朦(2010)采用La-VaR模型对债券投资中来自债券市场的市场风险和流动性风险进行计量[32]。

从以往的研究结果来看,流动性风险的相关研究大都集中于股票市场,对于债券市场的流动性风险研究相对较少,而定位于国债市场的流动性风险研究则更是少之又少,本研究的创新之处在于:选取上证国债指数为样本,采用La-VaR模型(BDSS模型),研究基于我国国债市场的流动性风险测度问题。

二、模型设定与实证方法设计

(一)模型设定

传统的VaR的定义,为在某一个既定的置信水平下,在特定的持有期内,资产组合可能会遭受的最大损失。对于传统的在险价值而言,侧重于衡量资产组合所面临的市场风险,并没有涵盖流动性风险在内,考虑到这一点,1999年,Bangia、Diebold、Schuermann、Stroughair提出了基于买卖价差的流动性风险模型——La-VaR模型,也就是BDSS模型。他们的基本思路为:在传统VaR模型的基础上加上了一个增量,这个增量也就是价差带来的流动性风险。

假设某资产当前的中间价格为S0,资产的对数收益率为,收益率rt代表的是资产真实价值给投资者带来的收益。Bangia等给出了未来1个持有期内,置信水平为c,头寸为1单位的La-VaR的解析式,

其中,着表示相对价差的期望值,?滓?着表示相对价差的标准差,?酌是相对价差的刻度因子,也就是在正态分布假设下所对应的置信水平。由于在进行资产交易的时候,存在着要价与报价,所以价差总是为总价差的一半,也就需要相对价差乘上1/2。

由公式可知,BDSS模型实质上是将La-VaR模型具体分为了两个部分,其中S0[1-exp代表中间价格波动的风险,也就是我们所说的传统的VaR,而则代表以价差计算的流动性风险,由此便得到了La-VaR模型。Bangia等人针对卖出价与买入价的溢差的不定性做出了改进,但假设产品的卖出价与买入价的溢差的百分比分布相互独立,这种假设相对来说比较保守。

本文将在BDSS模型的基础之上,通过对流动性指标及其数据可得性进行分析,结合我国国债市场的实际情况,重新设定了买卖价差的定义。设定债券价格的开盘价Pk,收盘价Ps,最高价Ph,最低价Pt,价差S0则为最高价Ph与最低价Pt的差值,中间价格Pt=(Pk+Ps+Pt+Ph)/4,相对价差即为S=S0/Pt。

(二)实证方法设计

本文首先对时间序列数据进行平稳性检验及ARCH效应检验,在存在高阶ARCH效应的基础上采用四种GARCH模型对比估计时间序列的波动率,从中选出最优的GARCH模型并在此结果之上,使用模型构建法建立VaR模型与La-VaR模型。

三、实证分析

(一)数据

由于抽样选取债券样本有一定的难度且无法整体反应整个国债市场的流动性,本文决定选用债券指数来综合反应我国国债市场状况。选择标准有二,一则能较好的反映我国国债市场的整体情况;二则该指数需要在交易日具有价格波动。综合以上两个标准,本文选择上证国债指数作为样本,该指数是上证指数系列的第一只债券指数,是以上海证券交易所上市的所有固定利率国债为样本,按照国债发行量加权而成,可以综合的反映我国国债市场整体变动状况。该指数采用的是派氏加权综合价格指数公式来进行计算,并以样本国债的发行量为权数进行加权①。

由此,本文将选取上证国债指数2009年1月1日至2015年6月30日数据为样本数据。其中前4年的数据(2009年1月1日至2012年的12月31日)用于回归参数估计,2013-2015年为预测区间。数据来源为wind数据库。

(二)数据基本分析

1.描述性统计及正态分布检验

以上证国债指数为数据,对其进行取对数并差分,得到收益率r,即

其中,Pt为上证国债指数第t日最后的收盘价,Pt-1为第t-1日最后的收盘价,其描述性统计结果如下:

由图1可知,偏度S=-0.358126<0,峰度K=24.27459>3,与标准正态分布(S=0,K=3)相比,收益率r呈现出左偏尖峰的分布态势。所以,在选择分布假设时,应选择更能体现”尖峰厚尾”的t分布或GED分布。

2.聚集性检验

金融时间序列往往具有聚集性,从收益率r序列的时序图中我们看到,收益率序列的聚集性明显,即每一次小幅度波动后面往往跟着的是较小幅度的波动,而每一次大幅度波动后面往往跟着的是较大的波动。数据的前半段与后半段形成鲜明对比,前半段整体呈现出较大波动,而后半段波动较小。

3.平稳性及相关性检验

采用ADF单位根检验法检验序列的平稳性,原假设为:序列存在单位根,即序列为非平稳序列。

结果显示:原假设不成立,序列不存在单位根,是平稳序列。

图3的数据为残差相关性检验结果,从图中可以看出,自滞后3期开始,自相关系数和偏相关系数在统计上为显著,且Q统计量也显著。

综上所述,通过对收益率序列的描述统计、正态性检验、聚集性检验及平稳性检验可得:收益率序列是平稳序列,并不服从正态分布,分布的“尖峰厚尾”性和聚集性明显且残差序列存在自相关现象,据此,本文选用能反映波动时变性的GARCH族模型估计波动率,且分布假设选择t分布或GED分布。

(三)ARCH效应检验

为了更好的建立GARCH模型,我们需要对上证国债指数收益率进行ARCH效应检验。首先运用最小二乘法对收益率时间序列数据进行线性回归,得到其残差,然后运用EVIEWS对残差序列进行ARCH-LM检验,一般来说,如果LM检验的滞后期很大(如大于7),检验依然显著,则说明残差序列存在高阶ARCH(q)效应,所以在这里选择滞后期为7,得到的检验结果如下:

表3最小二乘法拟合的ARCH-LM检验结果中F统计量和LM统计量对应P值均为0,小于显著性水平,拒绝原假设,残差序列存在ARCH效应。结果同时表明模型残差序列在5%显著性水平下具有高阶ARCH效应,综合上述ARCH-LM检验和残差平法相关性检验的结果,可以据此建立GARCH模型。

(四)GARCH模型估计

通过以上基本检验可知,上证国债指数收益率为平稳序列,所以收益方程为一般均值回归方程。在建立GARCH族模型之前,用AIC与SIC信息准则,本文选择滞后阶数(p,q)为(1,1)。利用GARCH-t分布、GARCH-GED分布、GARCH-M-t分布、GARCH-M-GED分布四种模型对上证国债指数建立模型,选取时间段为2009年1月1日至2012年12月31日的日数据,由此得到GARCH模型以对2013年1月1日至2015年6月30日的波动率进行估计,本文对四种模型里的参数进行估计,各个方程的参数估计如下:

根据汇总结果可以看出,对随机误差项分别采用t分布和GED分布(广义误差分布)所得到的GARCH模型中,采取t分布的模型不符合GARCH模型的前提假设,所以排除在外。所以,应选用GARCH-GED模型或GARCH-M-GED模型。

对于GARCH-GED模型和GARCH-M-GED模型,根据AIC与SC准则,GARCH-M-GED模型的结果表现的相对优异,采取该模型来求得波动率。

(五)预测结果与分析

1.VaR模型与La-VaR模型结果对比

运用上述GARCH-M-GED模型,本文采取在置信度99%的水平下求取VaR模型与La-VaR模型结果,其预测结果折线图如下:

从图4可以看出,二者预测结果的走势基本上趋同,但在2013年5月至7月产生了较大波动,且预测结果在6月达到了最大峰值,在这期间,风险呈现出较大水平。在2013年11月至2014年6月与2014年9月至2015年6月,预测结果均呈现出一轮的高频波动,但是波动水平不大。

2.回顾测试

(1)例外天数

为了检验La-VaR模型是否有效,我们需要进行回顾测试来对实验结果进行检验。在回顾测试中,我们需要将模型结果同历史数据进行比较,在预测区间内,如果实际损失超过VaR模型的预测值,则将改日认定为例外,所有例外的合计则称为例外天数。如果例外的天数占总体天数的比例小于1%,说明VaR模型结果比较令人满意,如果例外天数占总体天数的比例远远大于1%,我们将认定所估计的VaR偏低。在这里,我们将对传统的VaR模型与La-VaR模型进行比较,从而检验La-VaR模型是否比传统的VaR模型更具有优越性。

从例外天数的结果可以看出,La-VaR模型能比VaR模型更好测度流动性风险。

(2)失败率检验

根据John C. Hull所提到的失败率检验法,我们可以进一步细化的比较La-VaR模型与VaR模型的实际效果。假定VaR的展望期为1天,置信度为x%,如果VaR模型准确无误,那么每天的损失超出VaR的概率为p=1-x。

当例外个数大于例外期望值时,给出原假设:对应样本中的任意一天,例外情况发生的概率为p。当例外个数小于例外的期望值时,给出原假设:对应样本中的任意一天,例外情况发生的概率大于p。通过EXCEL中的BINOMDIST函数,选择把握程度为5%,得出VaR模型与La-VaR模型的失败率结果如下:

根据结果可以看到,VaR模型的天数为17,对应的原假设为对应任意一天,例外发生的概率为p。经过函数BINOMDIST的计算,其概率为5.28716E-05,小于5%,则应该拒绝原假设,即对应任意一天,例外发生的概率大于0.01。而La-VaR模型的天数为2,对应的原假设为对应任意一天,例外发生的概率大于p,其概率为0.939802617,大于5%,则应该拒绝原假设,即对于任意一天,例外发生的概率小于0.01。由此失败率结果可以看出,La-VaR模型比VaR模型的效果更为优越,更好地测控了国债市场涵盖流动性风险的风险价值度。

四、结论

“发展债券市场须深化国债市场改革”,国债市场作为我国债券市场的一部分,其成长的好坏直接关系着整个金融市场发展的快慢,也对我国整体的经济改革有着重大的影响。然而,每一次金融改革的背后都必然会伴随着一定的风险,在对国债市场进行深化改革的同时,风险问题自然不容忽视,由此,本文着眼于国债市场进行流动性风险实证分析,具有一定的现实意义,并结合实证结果,得到了以下结论:

第一,从实证分析发现,通过对上证国债指数的收益率时间序列进行基本分析,发现该序列具有明显的”尖峰厚尾”特征,且结合GARCH模型结果表明,相对于t分布假设下的GARCH模型,GED分布假设下的GARCH模型能够更好反映出收益率的风险特征。

第二,实证结果表明,通过进行例外天数的回顾测试,采用La-VaR模型衡量流动性风险,能够大幅度的降低例外天数,且在失败率的检验中,La-VaR模型的预测结果更是可将对应于任意一天例外发生的概率控制在1%的范围内。由此,结合La-VaR模型与VaR模型的回顾测试结果对比可表明,基于流动性风险的La-VaR模型较之传统的VaR模型而言,更能准确的反映我国国债市场的流动性风险。

第三,La-VaR模型的预测结果与国债市场的实际较大波动相吻合。从La-VaR模型的预测结果折线图可以看出,2013年5月至7月产生了较大波动,且预测结果在6月左右呈现出最大峰值。而在实际中的2013年6月20日,整个债券市场经历了”钱荒”的巨大冲击,这场爆发在银行间债券市场的流动性危机无疑给整个债券市场也带来了巨大影响,而国债市场作为债券市场的重要组成部分也未能幸免,从2013年5月开始,金融市场的资金利率全线攀升,整个债券市场都面临着前所未有的巨大流动性危机,随之而来的风险水平也骤然提高,而这一点与本文所得到的预测结果不谋而合,在2013年6月左右的La-VaR模型结果巨幅波动,其波动水平高达平常波动水平的2-3倍。由此可见,La-VaR模型不仅比VaR模型更好的测度国债市场的流动性风险,且对国债市场的表现也可进行较好的预测。

参考文献:

[1]Brunnermeier,M..Deciphering the liquidity and credit crunch 2007—2008[J]. Journal of Economic Perspectives,2009(23):77-100

[2]Schwartz RobertX.Equity Markets: Structure,Trading and Performance[M].Haper &Row Press,1988.

[3]Demesetz H.,The cost of transaction,Quarterly[J]. Journal of Economics,1968(82):33-53.

[4]Pastor,L.,Stambaugh,R.F.. Liquidity risk and expected stock returns [J]. Journal of Political Economy, 2003(111):642-685.

[5]M.RezaBradrania,MauricePeat.Characteristic liquidity,systematic liquidity and expected returns[J]. Journal of International Financial Markets,Institutions & Money. 2014(33):78-98.

[6]Yakov Amihud.lliquidity and stock returns:cross-section and time-series effects[J].Journal of Financial Markets,2002(5):31-56.

[7]Harris L.Minimum Price Variation,Discrete Bid-ask Spreads and Quotation Sizes [J]. Review of Financial Studies,1994(7):147-178.

[8]Garbade K D,Silber W L.Structural Organization of Secondary Markets;Clearing Frequency, Dealer Activity and Liquidity [J]. The Journal of Finance,1979(34):577-593.

[9]Kyle A S. Continuous Auctions and Insider Trading. Econometrica[J].1985(53):1315-1335.

[10]Liu W.. A Liquidity-Augmented Capital Asset Pricing Model[J].Journal of Financial Economics, 2006(82):631-671.

[11]Hasbrouck J. . Trading Costs and Returns for U.S. Equities: Estimating Effective Costs from Daily Data[J].The Journal of Finance,2009(64):1445-1477.

[12]Schwartz,K..Mind the Gap: Disentangling Credit and Liquidity in Risk Spreads[R].Working Paper. University of Pennsylvania Wharton School of Business,2010.

[13]Acharya,V.V.,Pedersen,L.H.. “Asset pricing with liquidity risk[J].Journal of Financial Economics,2005(77):375-410.

[14]John C.Hull. Risk Management and Financial Institutions[M].China Machine Press,2008: 230-231.

[15]Bangia A,Diebold F,Schuermann T,Stroughair J.”Modeling Liquidity Risk,With Implication for Traditional Market Risk Measurement and Management[J].Risk,1999(12):68-73.

[16]Yoshifumi Hisata and Yasuhiro Yamai.Research Toward the Practical Application of Liquidity Risk evaluation methods[R].working paper,bank of Japan,2000.

[17]杨之曙,吴宁玫证券市场流动性研究[J]证券市场导报,2000(1):25-34.

[18]苏冬蔚,熊家财.股票流动性、股价信息含量与CEO薪酬契约[J].经济研究,2013(11)∶56-70.

[19]仲黎明,刘海龙,吴冲锋.中国股票市场流动性:过高还是过低——一个国际比较视角的分析[J].当代经济科学,2003(25):58-61.

[20]刘林,倪玉娟.股市流动性市场关注度与创业板上市公司转板选择[J].证券市场导报,2012(5)∶57-66.

[21]张蕊,王春峰.中国银行间债券市场流动性风险影响因素及其关联性[J].系统工程,2010(3)∶1-7.

[22]姚亚伟,杨朝军,黄峰.流动性风险特征:基于中国证券市场的经验数据分析[J].上海金融,2012(4):63-70.

[23]孙彬,杨朝军,于静.融资流动性与市场流动性[J].管理科学,2010(2):81-87.

[24]王东旋,张峥,殷先军.股市流动性与宏观经济[J].经济科学,2014(3):61-71.

[25]李文鸿,田彬彬,周启运.股市流动性与股票收益率的面板数据实证分析[J].统计与决策2012(10)∶150-153.

[26]戴国强,徐龙炳,陆蓉.VaR方法对我国金融风险管理的借鉴及应用[J].金融研究,2000(07):45-51.

[27]周毓萍.浅论Var与商业银行流动性风险管理[J].科技与产业,2005(12):28-30.

[28]彭坤,王飚.基于VaR(风险价值)的金融投资的研究[J].昆明理工大学学报,2002(12):138-142.

[29]龚锐,陈仲常,杨栋锐.GARCH族模型计算中国股市在险价值 (VaR)风险的比较研究与评述[J].数量经济技术经济研究,2005(7):67-81.

[30]张瑞军,孟浩.人民币离岸债券市场风险评价[J].理论探讨,2013(5):16-18.

[31]宋逢明,谭慧.VaR模型中流动性风险的度量[J].数量经济技术经济研究,2004(6):114-123.

[32]闻岳春,程同朦.基于Var技术的债券投资的市场风险与流动性风险管理研究[J].武汉金融,2010(6)∶13-16.

[33]王观.政策利好消息频现   债市”轮子”动起来[N].人民日报,2015-06-15(18).

作者:胡方琦 宋琴

VAR模型金融风险管理论文 篇2:

VaR模型及其在证券投资管理中的应用

摘 要:近年来,国际金融市场规模越来越大,管理越来越规范,金融机构的竞争重心也从原来的资源探索转移到内部管理上来。目前越来越多发达国家的银行和证券公司等金融机构都在创新金融产品,各金融机构的经营管理也越来越注重风险管理。证券市场是金融市场的重要组成部分,在金融一体化浪潮中,须更加注重风险管理。基于此,本文介绍了VaR模型在风险管理中的应用。首先对VaR模型进行了概述,接着分析了证券公司的风险控制和管理,最后阐述了VaR模型在证券投资管理中的应用。

关键词:VaR模型  证券投资  风险管理  金融机构

以往的资产负债管理缺乏时效性,而且太过依赖金融机构的报表分析[1]。以往的方法具有局限性,比如资产定价模型不能与新生的金融衍生产品相融合,β系数及方差等只能单一反映资产的波动幅度,所以这些方法难以准确度量金融风险[2]。基于此,G30集团于1993年提出了一种风险估价模型,即VaR模型,用来度量市场风险。此后不久,摩根又在此基础上推出了用来计算VaR的风险控制模型。如今,大多数金融机构都用VaR模型来度量风险[3]。

1 VaR风险控制模型

1.1 VaR方法的产生

第二次世界大战后,全球经济活动日渐国际化,导致各个微观方向经济主体所在的政治,经济和社会环境日趋复杂,其运作也面临着日渐增大的风险。这一点在金融市场的表现尤为突出。金融风险,是指因为各个经济活动的不确定性而导致的资金在筹集与运用中产生损失的可能性大小。一般来说金融风险主要有以下四种类型:(1)市场风险,指因金融资产或负债的价格波动导致的风险;(2)信用风险,指因交易方无力履行合约或不履行合约导致的风险;(3)操作风险,指因无法进行预期交易导致的风险;(4)流动性风险,指因金融交易方的资金流动不足或者金融市场流动不足导致的风险。

在所有类型的金融风险中,信用风险和市场风险是最常见的两种风险。在过去,金融市场价格相对来说较为稳定,所以人们更多注意的是金融市场中的信用风险,基本上不会考虑市场风险存在的因素。比如,70年代的金融风险管理基本上都是针对信用风险的管理。但是,自从70年代初期布雷顿森林体系崩溃后,在浮动汇率制下,利率与汇率等金融产品的价格变动日渐变得无序和频繁。80年代以后,由于金融创新与信息技术飞速的发展,以及全世界各国金融发展自由化的潮流导致金融市场波动日益剧烈。在分散金融风险的需要下,一些金融衍生工具应运而生随后得到了飞速发展。一般来说,金融衍生工具指的是以信用或杠杆交易为特征,以债券,货币,股票和其他传统的金融工具为基础进而衍生出的新型金融产品。一方面,金融工具可作为一种交易方式,另一方面,它也指基于这种交易方式的一系列合约。金融期权、金融期货、利率互换和远期外汇交易等都同属于金融衍生产品。金融衍生工具在1995年的名义市场价值高达70万亿美元,与此同时,全球股票市场市值仅仅只有15万亿美元。但是随着全球经济的进一步发展,金融业日益拓宽到各个领域,从而金融衍生工具也涉猎各个方面。在这种情况下,人们更多利用金融产品投资并且期待货币升值,不再仅仅单纯的只期望保值。随着金融衍生工具被逐步广泛应用于投资而不再是保值时,在规避风险需要下产生的金融衍生工具,也日益隐藏着巨大的风险。比如說近年来发生的巴林银行倒闭案、美国奥伦治县政府破产案与日本大和银行巨额亏损案,全都与金融衍生工具密切相关。所以,如何有效控制金融市场中金融衍生工具的市场风险问题,成为投资人和银行、金融监管局以及公司管理人员的当务之急。总的来说,金融衍生工具是一把“双刃剑”,一方面它能有效的应用于规避风险,另一方面,如果操作不慎往往会取得适得其反的效果。因此,加大对金融衍生工具的风险监管力度成为当前最值得关注的问题。VaR方法就产生于这个时代背景下。

1.2 VaR模型的基本思想

VaR指的是处于风险状态的价值,也就是说,某金融工具在一定置信水平和一定持有期内,面对未来的资产价格波动,可能损失的最大额度。摩根对VaR的解释为:在既定头寸被冲销或重估前估计的最大损失值;有人也把VaR定义为:在给定置信区间和持有期内,所面临的最大预期损失值。基于这两个定义,从统计学角度来看VaR,可以解释为在一定概率水平下,用数值表示金融机构风险估计值。VaR模型使用范围很广泛,既可以用来计算单一证券产品,也可以用来计算组合产品,还能结合别的方法,如数据包络分析法来评价证券产品绩效。

1.3 VaR模型的假设条件

在使用VaR模型时,通常作出以下假设:

(1)证券市场是有效的;

(2)证券市场是随机波动的。

在应用VaR模型时,要完全遵守以上假设条件。我国目前的金融市场还不够规范,政府干预较多,在这种情况下,想要完全满足上述假设条件不太现实,所以在应用该模型时,只能近似处理,不能准确按照要求。

1.4 VaR模型的计算方法

用来计算VaR值的方法有很多,本文只介绍最常使用的三种方法。

1.4.1 历史模拟法

历史模拟法通过借助过去一段时间内的收益频度的分布情况,找出某段时间的平均收益值以及最低收益率,从而算出VaR值。使用该方法要有一个假设条件,即认为收益和时间独立同分布。将历史收益数据做成直方图,然后根据它预测真实收益分布,在这过程中收益分布形式仅由数据决定,并且不会扭曲甚至丢失信息。最后使用直方图中的分位数据对收益分布作出估计。通常历史收益数据直方图中,横坐标代表某机构在某一天的收益值,纵坐标代表一年当中出现这个收益值的天数,因此,便能反映出这个机构一年的收益频度的分布情况。

1.4.2 方差—协方差法

方差—协方差法和历史模拟法有一个共同特点,即依靠历史数据计算VaR值。顾名思义,首先要计算出收益的标准差、方差、协方差,计算数据来源于历史收益,然后假设收益服从正态分布,这样就能够求出置信水平下,分布与均值的偏差值,接着根据这个临界值与风险损失建立联系,就能最终推导计算出VaR值。

1.4.3 蒙特卡洛模拟法

蒙特卡洛模拟法与前两个方法不同,它通过参考历史数据,分析既定分布假设的参数特征,然后随机产生一些方法,再根据这些方法模拟出收益值,最后再在此基础上计算VaR值。

2 证券公司风险控制和管理

2.1 证券公司风险控制

把VaR模型应用到证券公司的风险管理中来,通过计算具体的VaR值,清晰直观地反映出证券公司正在或将要面临的风险和最大损失值。这样一来,公司管理层就能认识到公司的风险,从而及时地作出调整,进而也能合理的管理公司。另外,对于公司员工来说,知道了潜在风险就能在服务投资者时做到心中有数,转变服务方式,更好地为公司创造效益。如此就能多方受益。从另一个角度来说,证券公司可以设置VaR限制额,这样做有助于规避不公平交易带来的损失,也能进一步维持投资者和证券公司之间的良好信任关系,对证券市场的稳定也有重要意义。

2.2 证券公司风险管理

一旦处于风险之中,将会对拓展业务、自营业务以及一些其他类型的业务造成不利影响,所以进行风险管理对证券公司来说十分有必要,VaR模型的应用为风险管理提供了新思路新方法。对于证券市场可能出现的风险,中国证监会也出台了许多规定办法,但这些规定并不能完全应对证券公司的所有风险问题。无论各种证券产品运营多有效,都会多多少少存在一定程度的风险性,这也是金融行业本身的一个特点,风险无论怎样都会存在,完全规避毫无可能,我们能做的就是提前预防并尽量降低损失。所以,为了最大程度降低损失,基本上所有证券公司都会提前准备一些风险准备金。

3 VaR模型在证券投资管理中的应用

目前,证券衍生的金融产品越来越多,这在一定程度上丰富了证券市场的产品种类,也创造了可观的经济效益,但是同时也会给证券公司带来很多风险。由于我国证券市场相对于国外来说起步较晚,又往往带有浓厚的地域标志,导致我国风险管理方面还没有成熟完善的办法。所以当前证券公司管理者面对的一个棘手问题就是怎样才能有效地将VaR模型引入到风险管理中去。

3.1 VaR模型在证券投资管理中的应用优势

VaR模型应用范围很广,使用方法很简单,结果明确,并且将风险计量标准统一化,给投资者和管理人员的使用带来很大便利。传统的风险管理方法只能事后衡量,不能提前预测。但是VaR模型能够做到提前预测,有助于证券公司降低风险损失。另外VaR模型以概率论和统计原理为基础,科学可靠。综上,VaR模型计算出的证券公司资产结构改革优化方案科学可信。

3.2 VaR模型在证券投资管理中的应用劣势

VaR方法模型不会受到历史经验数据影响,但是它对数据的要求更为苛刻,既在数量方面对数据有要求,而且在质量方面也对数据有更高要求,在应用过程中必须要使用有代表性的数據,在如今我国并不完善的证券市场下,质量要求并不是那么容易达到;另外,由于有不可预期的情况出现,所以不能保证证券公司一直平稳运行,在这种证券公司未来走势与过去走势不同的情况下,VaR方法就不能使用。

4 证券公司在应用vaR模型时应注意的问题

证券公司自己提供本公司的交易数据,数据数量不成问题,但是数据质量难以保证,所以要谨慎使用有代表性的数据。除此之外,由于证券产品多,产品存续期各不相同,这便要求证券公司在进行风险管理的过程中要引入时间因素。由于证券公司证券产品的多样性,在证券公司风险管理的过程中还需要进行多方位的考量。

参考文献

王艳荣,边宽江.基于VAR模型的现代保险业风险管理的研究[J].中国商贸,2013(6).

李春龙,刘迎洲.基于DEA和VAR的小额贷款公司风险管理[J].中国商贸,2014(19).

王春峰,万海晖,张维.金融市场风险测量模型——VaR[J].系统工程学报,2000,15(3).

作者:闫馨月

VAR模型金融风险管理论文 篇3:

应用VaR方法对我国寿险公司的挑战

我国已经加入WTO,经济的国际化程度逐步提高。保险市场已于2005年全面对外开放。随着中国金融市场体系的建设,市场风险的重要性日益提高。随着利率市场化、汇率体制改革,衍生金融工具的广泛使用,寿险公司所面临的市场风险日益多样化,由于VaR模型具有可以综合度量风险的特点,在我国有着广泛的应用空间。但是在实际中又会面临很多问题,这些问题会导致风险衡量的正确率偏低。

一、VaR模型存在的问题

1.样本数据问题

VaR模型是建立在大量的历史数据基础上的,而我国金融市场的数据库不能满足风险计量的数据要求,即数据信息量不够、数据不具有代表性,数据不能及时获得、反映不够全面等等。这与我国金融发展的历史和多年来形成的金融体制有关,因为没有形成一个开放的金融市场环境,数据信息很封闭。运用数理统计方法计量分析都面临着样本数据问题。在利用模型进行分析和预测时要用足够的历史数据,对分析数据的检验同样要求数据量,如对VaR模型有效性进行返回测试要求的数据期限更长。如果按照巴塞尔银行监管委员会的要求,采用99%的置信水平和10日持有期限,一次返回检验就需要三年的历史数据,我国证券市场上的许多股票都难以满足要求。此外数据有效性也是一个重要问题,而且由于市场的发展不成熟,使一些数据不具有代表性。市场炒作,消息的引导等原因,使数据非正常变化较大,缺乏可信性。寿险产品具有长期性的特点,而寿险发展的时期又不长,上个世纪九十年代随着央行的普遍降息,寿险产品的增殖利率也多次下调,有的产品只有短短几个月的生命期,新产品如分红险,万能险,投资连结险的大量涌现,各家公司积累的数据不多且可信度不大。并且,由于统计手段限制重视程度不够等因素使的各家保险公司的数据分析水平处于参差不齐的状况。

2.风险因子的确定问题

在VaR模型中,首要的一步是对组合中的资产进行风险的分解,从而确定所包含的风险因子,引入的风险因子的个数越多,计算的维数越大,计算越困难,也越精确。因此首先要在精确且完整的反映组合的风险与提高运算效率之间进行权衡。在我国目前的寿险公司中,还没有公司建立VaR的风险管理体系,即使应用VaR较为完善的银行等金融机构也没有建立其VaR风险管理体系,一旦寿险公司等金融机构要用VaR进行风险衡量,就没有适合我国实际的VaR模型可以利用,就要花费相当长的时间和相当大的财力和人力去进行风险因子的确定。

3.模型问题

由于在计算VaR时使用不同的方法,不同的模型会得到不同的结果,使得VaR的可靠性难以把握。因此无论是监管部门还是金融机构本身对不同的VaR模型进行评价和选择都是比较困难的。目前在我国使用VaR来管理风险还是一个空白领域,不管是风险管理人员的识别能力还是硬件的机制配套都要从零开始,因此对模型的检验、评价和甄选都是一个漫长而艰苦的过程。其中,事后检测在确认寿险公司所采用的模型是否妥当方面可以担当重要的角色。事后检测是指事前风险值和事后实际的损益相结合进行比较。如果经过多次,多期测量,事后的损益值小于事前风险值,则模型基本是可靠的。反之若事后的损益值大于事前风险值,则需要重新修订模型。任何一种经不起事后检测的风险度量模型都将被淘汰。

4.利率市场化

利率改革的滞后己经成为中国经济改革的瓶颈。利率不能由市场所决定,不仅造成了金融抑制,而且使金融资产的配置极为紊乱,存贷利率、长短利率倒挂的现象屡见不鲜,利率的非市场化,还导致了金融资产价格的非市场化,使价格变动的风险很大程度上变成了政策风险,这使VaR模型功能难以有效发挥。利率决定的人为化.还使金融产品的定价无从下手,制约了金融产品和VaR模型的标准化及其推广。利率改变的实质性推进,是深入发展中国金融风险管理的前提条件。利率也是影响我国寿险公司的一个重要风险因子,特别是我国寿险公司的利差损问题,使利率风险变的更加重要。如果利率的市场化功能不能正常发挥,将使VaR的应用效率大打折扣。

5.真正市场参与主体的塑造

中国金融市场投机行为丛生的一个重要原因,就是市场的主要参与主体都是管理问题比较严重的国有机构.这些机构的代理人(经理人员和市场操作人员)的风险收益结构较为扭曲。因此,每一个初衷良好的金融产品最后都有可能扭曲成追逐风险的工具,这显然不利于金融风险管理的实施与发展。也许,中国金融市场面临的首要问题就是真正的市场参与主体的塑造问理.

6.道德危机

利用VaR模型,各寿险公司可以控制自己公司面临的风险,但可能会导致“道德危机”的问题,即为了降低风险资金的要求,人为减少VaR模型的风险暴露。同样,寿险公司的各个部门有时为了追逐高利润而不被高层机构察觉,就人为减少风险暴露。因为VaR模型的保密性,使监管机构对于模型的检验十分困难,模型存在的一些严重问题可能无法发现和及时调整。

7.难以预测的业务增长状况

我国保险市场潜力巨大,但也有相当的不确定性,很难对业务的发展状况做出准确预测。与保费收入增长缓慢的市场相比,我国保险市场正处于一个快速增长的时期,每年不断增长的保费收入将能够满足当年保险给付的资金需求和营运费用的支出需求,而以各种准备金形式存在的保险资金需要寻求更加安全的增值空间,以应对未来集中给付的高峰。一个不稳定的市场产生的VaR信息将不能有效的反映公司面临的风险。

二、VaR方法的完善与修正

应用VaR模型在实践中有上述因素的影响,导致即使在置信区间内,偶发事件也会非常集中的发生,由此带来的风险是致命的,极端情况的发生将给公司带来巨大的损失。另外,VaR对交易频繁,成交量大的金融产品风险测量比较准确,但对交易不活跃,成交量小的金融品种风险测度的准确性就差些。最后,我国金融证券市场受许多不确定因素的影响,市场的有效性不高。因此在应用此方法测量风险时,仍需结合其他一些定性定量方法,以保证测量风险更准确、更有效。这就需要对VaR方法做进一步的完善和修正:

1.完善的数据库体系

保险经营中的各类风险数据、损失数据是保险经营的数理基础,从相当程度上也可以说,风险数据、损失数据是保险经营的保险资源。在具体运用风险价值方法时,我们不仅需要获得各个风险的数据,也需要总的风险数据。

总的风险需要协方差距阵来整合,协方差距阵需要长期观察统计才能得出。但目前我国无法得到该数据,可以用其他国家的数据然后根据中国的实际进行调整。保险经营依据这些保险资源从事保险展业,通过展业扩充丰富这类资源以提高保险经营水平和展业范围。而我国的寿险公司即使是一些大型公司也缺乏完善的数据库.更为重要的是,我们利用各种可能的方法和技术对数据进行有效的数据分析,得出科学和可靠的结论.最后,寿险公司不仅要建立自己公司的数据库,还要注意运用其它公司的数据和保险行业协会的数据,这对一些小型公司和开发新业务的公司尤为重要.

市场持续在变化,导致使用历史资料所估算出的风险无法反映最新的市场状况。这个缺点也是所有采用历史资料方法所共有的缺点。解决的方法所起来简单,就是定期更新模型。可是要做到这一点,就必须设置专门的机构或部门来负责,需要人力和财务上的支持。

2.加强补充压力测试和情景分析

为了弥补VaR对非正常情况下风险衡量的不足,应当加强压力测试和情景分析的补充,还必须注意采用返回检验,来检验模型的有效性。压力测试和情景分析有许多相似之处,都是对未来的极端情况(往往是不利的情况)做出主观上的想象,然后将金融机构或资产组合置于这一设想环境中来考察它的表现。只是压力测试是针对市场中的一个或相关一组变量,如假定利率骤升100个点或股价暴跌20%,在短期内的变化进行假设分析,研究和衡量的是这组市场变量异常变化给投资组合带来的风险。情景分析是从更广泛的视野更长远的时间范围来考察金融机构或投资组合的风险问题。所谓返回检验即是将实际的数据输入到VaR模型中去,然后比较该模型的预测值与显示结果是否相同的过程,以此来检验VaR模型的有效性,并做出适当的模型修正。

除此以外,还需在管理和制度建设方面的进一步完善,改进法人治理结构,建立适合自身的风险管理体系和完善的风险管理报告体系,通过这些,将进一步增强VaR的有效性、适用性,扩展其在寿险领域的应用。

参考文献:

[1]皮埃特罗•潘泽:用VaR度量市场风险[M].机械工业出版社,2001

[2]王春峰:金融市场风险管理[M].天津大学出版社,2001

[3]卢仿先 曾庆五:寿险精算数学[M].南开大学出版社,2001

[4]魏巧芹:保险企业的风险管理[M].上海财经大学出版社2002

[5]林 源 林 霄:V aR方法及其在我国保险业风险管理中的应用[J].中国保险管理干部学院学报,2002(5)

作者:高万杰