其中Rt为时变相关系数矩阵，在这里相关系数矩阵Rt被分解，  Qt里面的元素为qij,t 、qii,t 、 qjj,t， ?琢m和 ?茁n称作DCC模型的系数（m和n为滞后阶数）。这个设定可以适用于大规模资产组合情形。
     3.FlexM模型：
     Olivier Lediot，Pedro Santa-Clara，Michael Wolf发展了一种无约束条件的多元GARCH模型，称之为FlexM模型。
 
      FlexM在模型形式上与多元GARCH的一般形式并无不同，所不同的是参数估计方法。传统的多元GARCH模型随变量增加，参数个数及运算量急剧增加，当变量超过5个时，参数求解将变得非常困难。FlexM模型采用范数逼近的方法求解参数，最大的优点是可以方便地估计维数较大的多元GARCH模型而不附加任何约束条件，其次是计算成本比其他模型大为减少。
     三、实证研究
    （一）数据说明
     为了对比研究上述各种模型的效果，我们分别构造单一资产及资产组合作为我们的研究样本。
     HS300指数期货的推出，使其标的指数——HS300指数受到日益广泛的关注。HS300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。HS300指数样本覆盖了沪深市场六成左右的市值，具有良好的市场代表性。因此选用HS300指数代表大盘，计算其VaR以测算市场的整体风险。指数作为单一化资产，所涉及的模型为RiskMetrics、GARCH、EGARCH与GJR－GARCH。
     鉴于银行板块股票在整个股市的重要性，我们选取所有银行类股票作为资产组合的样本。目前沪深股市银行类股票有深发展A、浦发银行、民生银行、招商银行、华夏银行、中国银行、工商银行、兴业银行、中信银行、交通银行。为使研究简化，且不影响据此而得出的结论，我们假定各股权重相等。在研究资产组合风险时用到的模型分别为RiskMetrics、CCC、DCC与FlexM－GARCH。
      本文分析对象为各样本每日收盘价的对数收益率，样本区间均为2002.04.10－2007.07.20，共1278个日数据。在此期间，市场经历了一个从下跌到上涨较为完整的周期，比较有代表性。文中所有原始数据来自首创期货研发中心。
   （二）序列平稳性检验
GARCH模型要求建模序列是平稳的，因此首先对样本对数收益率序列进行平稳性检验，用Eviews5.0做ADF检验结果如表一、二：
     表一：HS300指数ADF检验结果

     显著性水平为1%时，ADF检验的t值的临界值-3.4407，从表一、二中可以看出HS300指数及10支银行股票的对数收益率序列都远远小于该临界值。因此，我们以99％以上的概率保证HS300指数及10支银行股票的对数收益率序列都是I(0)序列，即认为序列是平稳的，符合GARCH建模的基本要求。
    （三）VaR的计算
     根据公式（1），计算VaR的关键在于求解相关资产时变的方差（单一资产）或协方差矩阵（资产组合）序列。在方差或协方差矩阵的计算过程中我们采用了动态的方法，即按照顺序依次选取固定时间宽度的窗口观测值来滚动建立各个模型，分别得出每一期的方差或协方差矩阵，代入公式（1）即得到相应的VaR序列（Alpha＝0.05）。滚动建模的第一期从2003.06.09开始，剩余有效数据为1000个。所用的数据处理软件为Matlab7.0.1。
     1.HS300指数的VaR：
     将HS300指数视为单一资产，分别用RiskMetrics、GARCH、EGARCH、GJR－GARCH四种方法对HS300指数的对数收益率波动性建模，求出其方差序列，继而可得出VaR序列（Alpha＝0.05）。由于数据较多，无法一一列出，在此仅给出比较直观的折线图来说明。图一至图四分别为在    RiskMetrics、GARCH、EGARCH、GJR－GARCH四种模型下VaR与HS300日收益率的比较：
图一：RiskMetrics
 

  
图三：EGARCH

     从图中可以看出，从2003年至2006年，四种模型的VaR变化都不是特别剧烈，始终在-2%至-3%之间波动。这表明这段时间市场无论是下跌还是上涨，大盘风险总保持相对稳定的状态。但2007年以来，大盘经过几次非常

上一页  [1] [2] [3] [4] [5] 下一页