剧烈的振荡，尤其是经过2月27日、5月30日的股市暴跌，HS300指数振幅显著扩大。VaR变化也明显加剧，且其波动区间下行至-3%至-5%之间，处在较低的水平上，这说明近期市场风险较前段时间明显放大。
四种模型都显示，HS300指数的日收益率基本在VaR线上方运行，表明VaR覆盖了大盘的绝大多数风险。虽然有若干次实际收益率下穿VaR线，但其频率在我们的目标概率0.05附近，初步表明四种模型均较好地追踪了市场风险，但四种模型具体哪种效果更优则需要经过相应的检验才能加以判断。
2.银行板块的VaR：
假定银行板块的10支股票作为一个投资组合，且每支股票权重相等。计算资产组合的协方差矩阵不仅要考虑组合中各资产的波动性，还需考虑资产之间的相关性。RiskMetrics及多元GARCH模型均能对此建模。本文用RiskMetrics、CCC、DCC、FlexM-GARCH四种方法建模，求出组合风险即VaR（Alpha＝0.05）。结果如图五至八所示：
图五：RiskMetrics
图七： DCC-GARCH
与大盘风险相似，2007年以前银行板块波动相对稳定。2007年以后，VaR波动明显加剧，并处在较低的水平上，投资风险有所加大。同样，四种模型VaR都覆盖了绝大多数风险，但其效果优劣必须经过相应的检验加以判断。
（四）VaR效果检验方法及评价
1.准确性检验：
VaR模型准确性检验是指VaR模型的测量结果对实际损失的覆盖程度。Kupiec的失败次数检验法是VaR准确性检验常用的方法。假定显著性水平为?琢，实际考察天数为T，失败天数为N，则失败频率为p（=N/T）。在零假设为P=P*的条件下，统计量
非拒绝域为满足条件 的N值的区间。
定义Hit变量为：
Hit序列的总和即失败次数，均值即为失败频率。
当T＝1000， ?琢＝0.05时， ∑Hitt的非拒绝域为（37,66）。只要总的失败次数落入这个区间，模型就通过检验。表三、四为各模型失败次数检验结果：
从检验结果看，无论是单一资产（HS300指数）还是资产组合（银行板块）的各种模型，其失败次数均落在非拒绝域（37,66）内，说明以上各模型对市场实际风险的刻画均为有效。另外，各模型失败频率均略低于0.05，模型显得比较保守，都高估了市场风险。其中GJR模型、FlexM模型与目标概率0.05最为接近。说明在单一资产的各模型中，GJR模型最为有效，其他模型次之；而在资产组合中，FlexM模型最为有效，其他三个模型没有显著差别。
2.独立性检验：
关于VaR准确性的另一种检验方法是独立性检验（Hit检验）。如果VaR模型准确的话，对于给定的组合及置信水平，Hitt序列将与条件信息集里的一切信息，包括滞后的Hitt序列相互独立。因此，可用滞后的Hit及预测的VaR序列（代表t-1时刻的信息集）来检验Hitt序列的独立性。构造以下回归：
Hit检验实际就是原假设为回归系数全等于零的一个F检验。在本文的检验中Hit序列的滞后期数均为5期。Hit检验的结果如表五、六所示（假定显著性水平为0.05）：
Hit检验结果表明，由于独立概率远远大于显著性水平0.05，各模型均不能拒绝回归系数全等于零的原假设，通过检验，即可以认为Hitt序列与条件信息集里的一切信息，包括滞后的Hitt序列相互独立。从表中可以看出，各模型的独立概率还是有比较大的差异。概率越大说明模型效果越好。在单资产的四种模型中，GJR与EGARCH较好，RiskMetrics模型次之；资产组合中，FlexM模型最好，其次为RiskMetrics、DCC、CCC。
四、相关结论
本文目的是评价各种模型的优劣。一般而言，模型可以从两方面来评价：实现难易程度、模型准确性。
&n 上一页 [1] [2] [3] [4] [5] 下一页
|
