|
风险窗口 1周 半月 1 个 月 2 个 月 3 个 月 4 个 月 5 个 月 6 个 月 7 个 月 8 个 月 9 个 月 10 个 月 11 个 月 12 个 月 样本数N 5 12 23 43 65 87 108 130 153 174 196 218 239 261 Pt 3580 3580 3580 3580 3580 3580 3580 3580 3580 3580 3580 3580 3580 3580 VaR 97 150 208 285 350 405 451 495 537 573 608 641 671 701 Pf 3483 3430 3371 3295 3230 3175 3128 3085 3043 3007 2972 2939 2909 2879 f 0 0 0 0 10 15 0 0 0 0 0 0 0 0 f/N 0 0 0 0 15.4% 17.4% 0 0 0 0 0 0 0 0 245 表8 GED 分布下的VaR-GARCH(1,1)模型下12 个月的模拟质押期多风险窗口的实验结果 风险窗口 1周 半月 1 个 月 2 个 月 3 个 月 4 个 月 5 个 月 6 个 月 7 个 月 8 个 月 9 个 月 10 个 月 11 个 月 12 个 月 样本数N 5 12 23 43 65 87 108 130 153 174 196 218 239 261 Pt 3580 3580 3580 3580 3580 3580 3580 3580 3580 3580 3580 3580 3580 3580 VaR 106 165 228 309 377 433 480 523 564 599 632 664 692 721 Pf 3474 3415 3352 3271 3203 3147 3100 3057 3016 2981 2948 2916 2888 2859 f 0 0 0 0 8 3 0 0 0 0 0 0 0 0 f/N 0 0 0 0 12.3% 3.5% 0 0 0 0 0 0 0 0 综合分析可以发现，金融实务界主流的Risk Metrics 模型虽然在大部分的风险窗口内， 能正确估计长期风险值，但在3 个月和4 个月的风险窗口内，预测价格被实际价格分别击穿 250 10 次和15 次，致使失效率远远超出了99%置信水平所接受的例外情况；与之相比较，厚尾 分布下的VaR-GARCH(1,1)模型在3 个月和4 个月的风险窗口内出现了8 次和3 次例外，尤 其在4 个月的风险窗口内失效率远低于Risk Metrics 模型。这表明VaR-GARCH(1,1)模型度 量长期风险在统计意义上更为有效，预测精度更高。 4 主要结论 255 针对存货质押业务流动性不活跃引起的银行风险持有期较长，论文以上海螺纹钢为算 例，建立了能刻画日收益率尖峰厚尾特征及波动集聚性的VaR-GARCH(1,1)模型，得到了厚 尾分布下长期风险VaR 解析式，测度质押期内多风险窗口风险值。实证结果表明：螺纹钢 展现出显著的尖峰厚尾特征及波动集聚性，而且广义误差分布较学生t 分布更好的刻画了收 益率的厚尾性质，最后经失效率检验，厚尾分布下的GARCH(1,1)模型相较主流的Risk 260 Metrics 风险预测模型具有更高的预测精度，这为商业银行提供一种动态价格风险管理框架。 进一步，该研究结果可以在供应链采购合约管理和价格管理以及质押率设定等方面扩展使 用。 需要指出的是，为实践操作简单，论文采用GARCH 模型进行厚尾分布下的长期波动率 预测，重点研究了条件波动率，忽略了质物对数收益率可能存在的自相关性。这或许正是3 265 个月的风险窗口内失效率较大的原因。如何考虑收益的自相关性的同时进行长期波动率预 测，以提高长期VaR 预测的精度，为银行防范风险、提高收益提供定量决策依据，将是后 续研究的方向。 [参考文献] 270 [1] 陈祥锋,石代伦,朱道立.融通仓与金融物流创新[J],科技导报, 2005(9):30-34. [2] 冯耕中.物流金融业务创新分析[J].预测, 2007, 26(1): 49- 54. [3] 陈宝峰,冯耕中,李毅学.存货质押融资业务的价值风险度量[J].系统工程,2007,25(10):21-26. [4] Philippe Jorion. Value at Risk [M]. 2nd Edition, New York: McGraw-Hill, Inc2001:75-175. [5] Bollerslev T., Generalized autoregressive conditional heteroscedasticity, Journal of 275 Econometrics ,1986,31(3):307-327. [6] Ricardo A. The Estimation of Market VaR Using GARCH Models and a Heavy Tail Distributions [R], Working Paper Series.2006:1-28. [7] 龚锐,陈仲常.GARCH 族模型计算中国股市在险价值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. [8] 刘庆280 富, 仲伟俊等. 基于VaR-GARCH 模型族的我国期铜市场风险度量研究[J]. 系统工程学 报,2006,(8):429-433. [9] 何娟,物流金融风险综合评价与测度研究[D].复旦大学博士后研究工作报告,2009. [10] 王志诚, 股票质押贷款质押率评定的VaR 方法[J].金融研究,2003(12):64-71. [11] 李传峰.标准仓单质押贷款业务质押率设定的VaR 方法[J],金融理论与实践,2010,(8):59-61. 285 [12] White, H. A Reality Check for Data Snooping [J].Econometrica,2000,68(2):1097-1126. [13] Ruey S. Tsay. Analysis of Financial Time Series [M].2nd Edition, John Wiley & Sons, Inc2005:86-106. [14] Bollerslev, T. (1987). "A conditionally heteroscedastic time series model for speculative prices and rates of return". Review of Economics and Statistics 69, 542-547. [15] Nelson, D.B. (1991), "Conditional heteroscedasticity in asset returns: A New Approach," Econometrica, 59, 290 347-370. [16] Dowd, K., Blake, D. and Cairns, A. Long-Term Value at Risk [J]. The Journal of Risk Finance,Winter/Spring2004:52-57. [17] Pengfei Sun. The Estimation of Long-Term Risk from Data about Short-Term Risk [D].University Bielefeld, 2009:1-44. 295 [18] Andersen, T.G., Bollerslev, T., Christoffersen, P.F., Diebold, F.X., 2006. Volatility and correlation forecasting. In: Elliott, G., Granger, C.W.J., Timmermann, A. (Eds.), Handbook of Economic Forecasting. North Holland Press, Amsterdam:798-814. [19] Kupiec, P. Techniques for Verifying the Accuracy of Risk Measurement Models [J]. Journal of Derivatives, 1995,32(2):173-184. 300 原创学术论文网Tag：代写毕业论文 代写论文 论文发表 代写硕士论文 代写MBA论文 |
 |
 |
 |
 |
 |
 |
 |
