次贷危机对中国汇率风险影响的研究
发布时间:2018-09-10 10:29:43
发布时间:2018-09-10 10:29:43
次贷危机对中国汇率风险影响的研究
——基于极值理论与VaR模型的定量分析
张瑞端 俞滢 栗相如
厦门大学
摘 要
本文运用极值理论与VaR模型深入研究美国次贷危机对我国外汇储备风险的影响,分析我国外汇储备的汇率风险的变动情况,特别是对汇率风险进行结构性剖析。研究结果表明:我国外汇储备的汇率风险自次贷危机爆发后明显增加,且随着美元资产比重的增加,危机到来时外汇整体汇率风险的波动性增强。实证分析进一步说明:次贷危机前后美元汇率风险比欧元及日元的汇率风险都更小,各币种汇率波动之间具有某种相关机制,且次贷危机使这种相关机制得到了强化。
关键词:次贷危机 汇率风险 极值理论 VaR模型
一、引言
改革开放以来我国外汇储备规模持续高速增长。据国家外汇管理局统计,截止2009年6月,我国外汇储备规模已达到21316.06亿美元,总体规模已是世界第一,并且超过了世界主要7大工业国(包括美国、日本、英国、德国、法国、加拿大、意大利)的总和。高额的外汇储备充分说明了改革开放三十年中国经济所取得的巨大成就,也是我国综合国力增强的重要象征。
众所周知,外汇储备是一国可以自由支配的一种国际储备资产。足额的外汇储备可以用来弥补本国国际收支逆差,满足支付性需求;也可以用来干预外汇市场,稳定汇率,从而满足预防性需求;还可以缓解外部经济的冲击,维护本国信誉,满足国家的发展性需求。但是超额的外汇储备在给国家带来荣耀的同时,却也给国家的外汇管理带来了巨大的风险。国内不少学者对我国当前的外汇储备的规模做了研究,所得结论十分一致:我国当前的外汇储备规模已远远超过了外汇储备的正常需求。这无疑加大了我国外汇储备所面临的风险。
另外,我国外汇储备的币种结构单一。国际货币基金组织发布的数据表明,各国持有的外汇储备中,美元资产的平均比重为65%。虽然中国人民银行从未公布中国外汇储备的币种、资产结构,但普遍认为美元资产的比重应高于世界平均比重。许多研究表明:过于单一的外汇储备结构不仅不利于发挥我国外汇储备应有的职能,而且还加大了外汇储备的风险。
外汇储备的风险可以从不同的角度进行分类。其中比较有代表性的便是焦志文(2008)关于外汇储备风险的界定。通过对外汇储备已有研究成果的分析及归纳,他把外汇储备风险分为狭义风险和广义风险。其中狭义外汇储备风险是一种外源性的风险,指外汇储备在持有和经营过程中由于各种偶然的或随机因素的变化造成外汇储备投资收益的不确定性和蒙受损失的可能性,具体包括汇率风险、利率风险、流动性风险、信用风险、操作风险、法律风险和政治风险等。而广义的外汇储备风险还应该包括内源性风险,即持有外汇储备对经济运行带来损害的
可能性,主要包括通货膨胀与泡沫经济风险和冲销风险。
改革开放以来,尤其是近些年,我国外汇储备规模持续高速增长,外汇储备的风险也随之凸显出来,因此国内外许多学者都对我国外汇储备的风险进行了研究。这些研究一方面是从外汇储备所面临的诸多风险的角度来进行全方位分析和诊断,另一方面则单独深入分析其中某一种风险。纵观这些关于我国外汇储备风险的研究,汇率风险是主要的被研究对象。究其原因,主要有理论和现实两方面影响因素:理论上,由于汇率指标单一,并且数据易于收集,因此汇率风险可以方便地进行定量分析,从而为深入分析汇率风险奠定了良好的方法性基础;而现实中,由于我国外汇储备规模巨大,并且结构单一,主要集中于美元资产,因此汇率风险对我国外汇储备的保值增值影响巨大,使得对于我国汇率风险的研究具有了非常现实的意义。朱孟楠、喻海燕(2007)在研究我国外汇储备面临的诸多风险中定性分析了汇率风险,指出在我国外汇储备中美元占绝对比重的情况下,美元的贬值将对我国外汇储备带来极大的损失。焦志文(2007)等其他学者也有类此结论。当然,为了更加深入地分析我国外汇储备所面临的汇率风险,许多学者也用了各种定量的分析方法。如由中国经济运行风险研究报告编委会编制的《中国经济运行风险研究报告2007》中利用VaR模型——历史模拟法度量了2003至2005年我国外汇储备的汇率风险,并在此基础上提出了各项政策建议;马杰、任若恩(2000)探讨了VaR模型——方差—协方差模型在我国汇率风险防范中的应用,指出VaR模型可以有效度量汇率风险,并依据得到的风险度量值来控制和防范风险;陈卫连(2008)利用基于资产组合理论的VaR方法发现对我国外汇储备的外币资产进行资产组合后,可以大大降低我国外汇储备的汇率风险;李志、鲁肇文利用基于投资组合理论的马科维茨均值—方差模型发现国家外汇储备通过进行不同货币的投资组合,可以在有效提高收益的同时,大大降低外汇市场中存在的汇率风险。
2007年8月,美国次贷危机爆发,进而在两年内迅速演变成全球性的金融危机。与此同时,我国外汇储备的风险管理也随着危机的爆发而面临着更为严峻的挑战。朱孟楠、陈晞(2009)在研究次贷危机后我国外汇储备管理策略中定性描述了次贷危机后我国汇率风险增加的事实。正是基于此,本文决定应用极值理论和VaR模型定量分析次贷危机对我国汇率风险造成的影响。
二、研究假设和数据来源
㈠研究的基本假设
1、我国外汇储备币种类型假设
假设我国外汇储备总共有四种货币构成:美元、欧元、日元以及港币。出于国家金融安全的考虑,中国人民银行和国家外汇管理局只定期发布我国外汇储备余额的相关数据,并不发布我国外汇储备的币种结构,包括币种的类型和相应比重以及具体的资产表现形式。即便如此,除了以上四种币种,出于经济或政治方面的需要,在我国的外汇储备构成体系中还有其他币种。而在本文的分析中,只考虑美元、欧元、日元以及港币,主要是基于以下两方面的考虑:一、简化问题的需要。虽然我国外汇储备币种较多,但是许多研究表明在外汇储备的所有币种中美元、欧元、日元、英镑以及港币所占比例几乎达到100%,为此选取美元、欧元、日元、英镑和港币作为外汇储备的具体币种就很好地代表了我国外汇储备的货币构成情况。二、数据的可得性。2006年8月1日起国家外汇管理局才开始公布英镑对人民币的汇率价格,而本文研究所需要的数据区间则是2005年7月21日至今,因此出于对样本容量的保证,本文舍弃了对于英镑的分析,所占份额用港币来代替。另外总结以往对我国外汇储备币种结构的研究可知英镑和港币以及其他币种(不包括美元、欧元、日元)在外汇储备资产中所占比例不高于10%,这就说明即使在具体分析中用港币来取代英镑的原有比重,并不会对最终结果产生实质性的影响,这为合理简化币种结构找到了现实依据。
2、我国外汇储备币种所占比重假设
如假设⑴中所提到的那样,虽然政府部门并未公布我国外汇储备的币种结构方面的信息,但国内学者出于研究的需要还是利用国内外各种数据估计了我国外汇储备的币种结构。李政勤、孙瑜(2003)根据美国财政部的数据推测出2003年6月我国外汇储备的近似组合为:美元占70%、欧元占15%、日元占10%、英镑占5%。另外,李成、杜志斌(2005)又在前人的研究基础上推测出2004年9月我国外汇储备的近似组合:美元占60%、欧元占20%、日元占13%、英镑占7%。虽然这些研究已距今五六年,但是美元资产在我国外汇储备中还是占了绝大多数比重,这可以从近些年许多学者还在不停地呼吁应该降低我国外汇储备的美元资产得到佐证。为了使得研究更加严谨并为后续分析做准备,本文决定在前人的研究基础上对我国外汇储备中的美元资产作分组讨论。一般认为,我国外汇储备中美元资产所占比重在60%—70%之间,故将美元比重分三组进行讨论:美元资产分别占60% 、65%和70%,而欧元、日元、港币等其它币种根据以往三种货币之间的大致比例即3﹕2﹕1进行本文的研究分析。为研究方便,本文将美元资产占60%、 65%、70%这三组外汇储备结构分别定义为组1、组2和组3。
㈡数据收集
本文研究中使用美元、欧元、日元和港币兑人民币的汇率中间价等四项时间序列数据,数据起始时间为我国人民币汇率形成机制改革之日即2005年7月21日,截止时间为2009年7月31日。在此需要说明的是,为使数据分析具有可比性,分析中所需要的汇率数据均是汇率形成机制改革之后的数据,而且研究所用数据均来自于国家外汇管理局网站。
三、研究方法与模型
㈠风险VaR
VaR(Value at Risk)风险价值是指:在一定持有期Δt内,一定置信水平α下,投资组合P的最大损失值,具体用数学公式表示为:
其中表示组合P在持有期内的价值变动量
由于VaR能够定量地、综合地、通俗地反映金融市场的风险,因此它获得了广泛应用,范围涉及证券公司、投资银行、商业银行、养老基金及其非金融企业等。估计VaR的方法大致可以分为两大类:参数模型与非参数模型。参数模型指通过假定收益率服从一定的分布来估计VaR;而非参数模型则不需对收益率的分布作任何假定,它通过对已有历史数据的分析和模拟来估计VaR的值。经典模型方差—协方差法、历史模拟法、蒙特卡罗模拟法逐步确立, 已成体系。但是经典模型覆盖尾部事件能力的欠缺, 且小概率事件对于金融机构的市场风险管理有着莫大的意义, 由此压力测试等风险管理方法逐步受到重视, 尤其是把极值理论和VaR结合起来研究风险得以兴起。
㈡极值理论
极值理论主要是对分布两端极端值的分布情况,即尾部数据的分布情况来进行建模,它可以在总体分布未知的情况下,依靠样本数据得到总体中极值的变化性质,具有超越样本的估计能力,这样就避免了模型风险带来的估计偏误。本文的研究对象是次贷危机前后的汇率风险,因此只研究汇率收益率的下尾部(即负收益的上尾部)。次贷危机的爆发必定波及汇率市场,使得汇率市场极端值出现的可能性增加,这样用极值理论来度量汇率风险变得更有实际意义。
极值理论中有两种方法研究极端事件:一种是对最小值或最大值的分布直接建模(分块样本极大值模型);另一种是对一个特定阈值的超过数进行建模的POT(peaks over threshold)模型。尽管Fisher-Tippett定理表明广义极值分布可以用来拟合样本极大值分布,但是样本极大值模型需要大量的数据,实际中往往不能满足这一条件,因此本文选择POT模型进行建模。
POT模型是极值理论的一个分支,它的主要特点是对样本中超过某一个充分大的阈值的所有观测值进行建模,巴塞尔市场风险资本修正协议认为,它是实际应用中最有用的模型之一。以下将简要介绍一下POT理论。
首先定义超额数(超过阈值u)的分布为如下的条件概率
可以证明对于足够大的u存在一个非负函数使得超额数分布可以用广义Pareto分布来很好地近似
以上函数当。这里是尺度参数,而是形状参数。当,就是通常的Pareto分布,这种分布具有厚尾的特点;当时,广义Pareto分布即指数分布,具有正常的尾部;当时,即ParetoII分布,具有较薄的尾部。
由极大似然估计可以得到的估计。设是样本中超过阈值u的个数,因为服从二项分布,所以的极大似然估计为。由式(1)可以得到回报水平(VaR)的表达式为:
四、VaR模型计算与极值理论
㈠数据描述
1、计算外汇收益率
⑴计算各币种外汇日收益率
本研究使用美元、欧元、日元以及港币这四种货币兑人民币的汇率等四项时间序列数据。将各时间序列数据应用公式(2)转换成收益率序列数据后再加以分析:
式(2)
其中:
⑵计算外汇整体日收益率
按照之前的对于我国外汇储备中各组成币种的权重假设,应用公式(3)计算外汇的整体收益率:
式(3)
其中:我国外汇储备中的权重。
2、 外汇收益率图形描述
⑴各币种外汇收益率图形描述
①次贷危机前(2005年7月21日—2007年7月31日)各币种日汇率收益率
图1 次贷危机前各币种的日汇率收益率
通过对以上各币种日收益率波动图的分析可知:自我国人民币汇率形成机制改革以来,美元较其它货币日汇率收益率更稳定,只是在临近次贷危机正式爆发期间,美元的日汇率收益率才开始出现大的波动;而欧元和日元在我国汇改以来,日汇率收益率波动便远远高于美元和港币;至于港币,因其汇率紧盯美元,故日汇率收益率的波动较美元相差无几。
②次贷危机后(2007年8月1日—2009年7月31日)各币种日汇率收益率
图2 次危机贷后各币种的日汇率收益率
通过对图2与图1的比较,可以清晰地看到,自2007年8月次贷危机正式爆发以来,美元的日汇率收益率波动较次贷危机爆发前更加剧烈,直至2008年第四季度才开始减缓;而欧元则刚好相反,在次贷危机爆发前以及在危机爆发后的开始阶段较为平缓,从2008年第四季度开始,其日汇率收益率开始急剧波动;至于日元,其日汇率收益率的波动性在次贷危机之前和次贷危机爆发后的开始阶段没有明显变化,但从2008年第四季度开始,收益率波动开始变大;港币因其汇率与美元挂钩,因此其日汇率收益率波动性与美元大致相同。
另外,通过对次贷危机后,各个币种日汇率收益率的比较,可以发现:当次贷危机爆发导致美元日汇率收益率出现剧烈波动时,欧元与日元的日汇率收益率的波动性不仅没有随之提高,反而趋于平缓或基本保持不变;而当2008年第四季度开始的美元的日汇率收益率的波动性逐渐减弱时,欧元与日元的波动性却开始显著提高。其原因有可能是此次在美国爆发的次贷危机或者说金融危机会逐渐蔓延至全球,对全球主要经济体造成巨大冲击,而当风险转嫁给其他经济体后,美国经济的复苏潜力又高于这些经济体,从而使投资者对美元的信心回升致使美元日汇率收益率波动反而趋于平缓。
⑵我国外汇整体日收益率图形描述
在计算我国整体外汇日汇率收益率时,本文采用了分组讨论的方法,即在美元资产分别占60%、65%和70%情况下,计算我国整体外汇日汇率收益率。图3反映了当美元资产占65%情况下我国整体外汇汇率日收益率的波动情况,发现次贷危机后我国外汇日汇率收益率的波动性较次贷危机前明显增加。本文通过研究当美元资产分别达到60%和70%时,也能得到同样的结论,在此不再给出相关图形。
图3 以65%美元资产比重计算的我国外汇整体日汇率收益率
3、极值理论应用的合理性分析
由于极值理论主要是对分布两端极端值的分布情况,即尾部数据的分布情况来进行建模,因此它能够很好地捕捉金融数据的厚尾性特征。在用极值理论进行建模之前,本文先用QQ图来描述一下次贷危机前后各币种日汇率收益率的尾部特征。
由图4、图5中各币种在次贷危机前后日汇率收益率的QQ图可以看出,各币种在次贷危机前后都有不同程度的厚尾性,因此使用极值理论来建模是一个合适的选择。
图4 次贷危机前各种币种日汇率收益率QQ图
图5 次贷危机后各种币种日汇率收益QQ图
㈡极值理论与VaR计算
1、VaR计算流程
利用极值理论中的POT模型计算VaR的步骤如下图所示:
图6 利用极值理论求VaR流程图
2、使用软件说明
本文对如何运用S-PLUS软件在极值理论基础上计算VaR模型进行了深入探讨与编程分析,具体参见附录。
五、模型求解及分析
根据基于极值理论的VaR模型求解结果,可以从以下几点进行分析:
㈠由表1可知,无论是次贷危机前还是次贷危机后,美元日汇率风险VaR在所有货币资产中都是最小的。这意味着即使次贷危机爆发,美元与主要国际货币相比仍保持强势。美元强势不仅反映了美国经济整体实力所具有的潜力,同时也反映了各国与美国经济实力的差距。虽然目前美国经济衰退严重,还未渡过金融危机,但与西方其他国家相比经济发展潜力仍较大,一旦渡过金融危机,经济复苏的潜力就会释放出来,而欧洲国家和日本经济衰退后的复苏能力相对脆弱。因此美元在国际货币体系中的地位依然不可取代,美元资产的国际储备地位仍然牢固。
表1 各币种次贷危机前后的汇率风险VaR比较
币种 | 次贷前各币种的汇率风险VaR | 次贷后各种币种的汇率风险VaR |
美元 | 0.1240373 | 0.2174079 |
欧元 | 0.7308158 | 1.2887520 |
日元 | 0.7516693 | 1.3605500 |
港币 | 0.1356197 | 0.2068729 |
㈡由表1可以进一步得出所有币种的风险VaR在次贷后均不同比例地增加了,其中美元的汇率风险VaR在次贷后增加了75.28%,其它币种,如欧元、日元和港币的汇率风险VaR分别增加了76.34%、81.0%和52.54%。因此所有币种在95%的置信水平下日汇率最大损失都增加了,这样我国整体汇率风险VaR增加也就理所当然了。再从我国整体汇率风险VaR来看,当我国外汇储备币种结构为组1时,整体汇率风险VaR从次贷前的0.2354增加到次贷后的0.2829。这就是说在95%的置信水平下,日汇率最大损失从次贷危机前的23.54%上升至次贷危机后的28.29%。当我国外汇储备的币种结构为组2、组3时,整体汇率风险在次贷后也都增加了(具体数值见表2)。究其原因,主要是因为次贷危机致使国际金融市场大幅震荡,投资者对于持有各种货币资产的不确定性增加,我国整体汇率风险也随着外汇市场的不稳定而有所提高。
表2 次贷危机前后汇率整体风险VaR比较
币种比例 | 次贷前汇率整体风险VaR | 次贷后汇率整体风险VaR |
组1 | 0.2353981 | 0.2828556 |
组2 | 0.1970690 | 0.2492457 |
组3 | 0.1698929 | 0.2194651 |
㈢通过对表2,即次贷危机爆发前后组1、组2、组3这三种不同币种结构的风险值的比较可知,无论是次贷危机爆发前还是次贷危机爆发后,随着美元资产在整个外汇储备中所占比重的提升,我国整体外汇风险都会降低。这从另一角度印证了美元资产的汇率风险较其它货币都要小。
图7 次贷危机后汇率整体风险增加比例图
通过对图7,即分别对组1、组2、组3这三组不同币种结构在次贷危机爆发前后的风险值的变化程度的分析可知,随着美元资产在整个外汇储备中所占比重的提升,次贷危机这一突发事件所导致的风险波动幅度增加。换言之,由于美元资产本身的汇率风险较其它币种更低,因此其在整个外汇储备中的比重的增加会使得外汇储备的整体性风险下降。但是当发生诸如次贷危机等突发事件时,美元资产在外汇储备中的过高比重则会导致此时的风险波动性增强。其中的关键便是次贷危机的爆发和深化导致美国政府动用了大量的财政和信贷资源用于救市,从而加剧了美元贬值的可能性,致使我国外汇储备的风险波动性随着美元资产比重的提高而增强。
㈣由表3可知,通过对次贷危机前后整体汇率风险与按币种比例加权的风险比较,发现无论是次贷危机前还是次贷危机后,我国外汇储备的整体汇率风险都要小于按币种比例加权的汇率风险。所以我们推断可能是货币汇率波动之间具有某种相关机制,使汇率整体风险要小于不考虑货币汇率波动相关性的加权风险。至于这种相关机制的产生原因、表现形式以及作用则有待后续的进一步研究。
表3 次贷危机前后整体汇率风险与按币种比例加权风险比较
币种比例 | 次贷前日汇率整体风险VaR | 次贷前按币种比例加权的风险VaR | 次贷后日汇率整体风险VaR | 次贷后按币种比例加权的风险VaR |
组1 | 0.2353981 | 0.3298289 | 0.2828556 | 0.5833549 |
组2 | 0.1970690 | 0.3041434 | 0.2492457 | 0.5376836 |
组3 | 0.1698929 | 0.2783964 | 0.2194651 | 0.4918970 |
㈤无论是次贷危机前还是次贷危机后,按币种比例加权的汇率风险都要大于外汇储备的整体汇率风险。根据表4,两者之间的差异程度随着次贷危机的爆发而进一步扩大,从而可以推断:次贷危机强化了币种汇率波动之间的相关机制。
表4 两种风险差异程度在次贷危机前后的比较
次贷前两者的差异程度 | 次贷后两者的差异程度 |
40.12% | 106.24% |
54.33% | 115.72% |
63.87% | 124.13% |
六、研究结果及政策建议
㈠次贷危机爆发后,无论是我国外汇储备的整体性风险还是各个币种的汇率风险都增加了。为此我国应未雨绸缪,在未来严格控制外汇规模的过快增长,以防国际经济动荡对我国造成过高的汇率风险。通过对我国外汇储备规模的研究,国内外学者得到的结论十分一致:中国的外汇储备规模已超过了适度区间。而外汇储备管理的难度又与规模成正相关,换言之,过快增长的外汇储备增加了央行执行货币政策的难度和复杂性,使得我国在危机爆发时难以有效控制汇率风险。理论证明,适度的外汇储备在维持一国国际收支平衡、干预外汇市场、维持外部均衡以及配合国内经济政策的实施中起着重要的作用,但是超额的外汇储备则会造成投资资产的闲置和机会成本的上升。更为重要的是,作为连接国际收支和货币供给的宏观经济变量,超额的外汇储备会导致利率、汇率、物价上涨率和产出量之间产生激烈的冲突,损害货币政策独立性和有效性,致使国家宏观调控政策失效。在当前国际金融危机尚未完全见底、世界经济走势有可能出现复苏迹象但态势不明朗的情况下,世界各主要币种涨跌的不确定性更大,汇率风险也可能将进一步加大。因此我国的外汇管理应该控制外汇规模的过快增长,减少在汇率整体风险增大的形势下给我国外汇管理带来的压力。
㈡在对我国外汇储备各个币种的汇率风险比较中,我们发现无论是次贷危机前还是次贷危机后美元汇率风险较欧元及日元都更小。所以,正如许多外国中央银行和其他非居民投资者在次贷危机爆发后、美国国债收益率一路下降的情况下,依然在迅速积累美国国债那样,在当前美元作为国际中心货币的地位依然稳固的情况下,我国外汇管理当局仍应将美元资产作为长期性占优外汇储备。
㈢美元资产比重的增加会导致我国整体外汇汇率风险在危机到来时的波动性增强。从这一角度看,近些年许多专家学者不断提议我国政府应适时适额地降低美元资产在我国外汇储备中的比重是很有道理的。随着近年来我国外汇储备规模急剧扩大,持有外汇储备的机会成本已经到了不容忽视的地步,不进则退,所以我国外汇储备管理的目标正在从“零风险、低收益”逐步向“低风险、中收益”乃至“中风险、高收益”转移。至于具体的管理措施,可以从目前各国央行的外汇储备管理和运用的发展趋势中一见端倪,即将外汇储备划分为流动性组合和投资型组合,在保证外汇储备流动性需求的基础上,通过投资性组合追求高报酬。但是需要注意的是,在设置流动性组合与投资性组合追逐“低风险、中收益”乃至经济平稳运行下的“中风险、高收益”目标时,有一个重要的前提,就是币值的相对稳定性,具体而言就是货币汇率风险的波动性较小。如若某种货币在经济较平稳时汇率风险较小,但是一遇到诸如金融危机等突发性事件便会出现较大波动,那么就会通过直接影响外汇储备中的流动性需求,进而影响到投资性组合所能达到的高收益的目标,给一国外汇储备管理目标的实现提出严峻挑战。美元正是如此,通过本文分析可知,其在经济平稳时汇率风险较其它主要币种是最小的,因此可以说持有高比重的美元资产在经济平稳运行时是最保险的,而这也正是次贷危机前后我国增持美元资产的主要原因之一。但是一旦美国经济发生危机,高比重的美元资产因其风险波动性较大将会给外汇储备管理带来更为严重的挑战。故而本文研究认为应在美元低风险性与风险的高波动性之间做权衡,使得美元储备资产的规模符合我国外汇管理的目标。
㈣通过对次贷危机前后整体汇率风险与按币种比例加权的风险的比较,我们推断:各个货币汇率风险之间存在某种相关机制,且这种相关机制会随着次贷危机的到来而得到强化。因此外汇管理当局应该在以后具体的外汇管理过程中进一步研究这种相关机制,进而达到利用这种相关机制控制风险的目的。
七、需要进一步研究的问题
㈠由于我国政府部门仍未对外公布我国外汇储备中的币种结构,因此对我国外汇储备币种构成及其相应权重的非精确性的假设可能会弱化本文研究成果的说服力。
㈡通过研究可知,货币汇率之间有某种相关机制,但本文并未对该相关机制的产生原因、表现形式以及产生的作用和结果作详细的分析,将来需要时可以做进一步的分析。
参考文献
1. 余为丽,基于极值理论的VaR及其在中国股票市场风险管理中的应用[D],博士学位论文2006 ,华中科技大学
2.朱孟楠、陈晞,次贷危机后的中国外汇储备管理策略[J] ,《上海金融》,2009 年第1期
3.雷强、黄登笑,人民币/ 美元汇率收益率的统计特性和非线性特征研究[J] ,科学技术与工程,2009年5月第9卷第10期
4.李胜朋、王洪礼、李栋,外汇风险的极值相关模型[J],系统工程理论与实践,2007 年第10期
5.王东,美元资产评估与国际货币体系改革[J],金融教学与研究,2009年第3期
6.徐明圣,极值理论(EVT)在金融机构操作风险建模中的应用和改进[J],数量经济技术经济研究,2007年第4期
7.王旭,史道济,极值统计理论在金融风险中的应用[J],数量经济技术经济研究,2001年第8期
8.邓兰松,平稳收益率的极值VaR研究[J],数量经济技术经济研究,2004年第9期
9.朱孟楠、喻海燕,中国外汇储备风险集中与控制策略——基于中国外汇储备高速增长的思考[J],厦门大学学报,2007年第6期
10.马杰、任若恩,VaR方法在外汇风险管理中的应用[J],北京航空航天大学学报,2000年第3期
11.焦志文,新视角下中国外汇储备风险与控制策略[J],国际经济合作,2008年第10期
12.Thomas C.Chiang ,Foreign Exchage Risk Premiums and Relative Asset Return Differentials[J], International Research Journal of Finance and Economics,Issue8(2007)
13.Eric Zivot and Jiahui Wang,Modeling Fianancial Time Series With S-PLUS[M],Second Edition ,Springer, (2005)
14.Ramazan Gencay, Faruk Selcuk,Extreme value theory and Value-at-Risk:Relative performance in emerging markets[J],International Journal of Forecasting 20 (2004)
15. Nicholas Bloom,The Impact OF Uncertainty Shocks[J], Econometrica, Vol. 77, No. 3 (May, 2009)
附录
次贷前各币种汇率风险VaR计算程序
td1<-timeDate(exrate1[,1],in.format='%Y-%m-%d') %数据归集
us.ts<-timeSeries(pos=td1,data=exrate1[,2])
ret.us<-getReturns(us.ts,type='discrete',percentage=T) %求日汇率收益率
gpd.uslost<-gpd(-ret.us,threshold=0.11) %用GPD(广义帕累托)函数建模
riskmeasures(gpd.uslost, p = c(0.95, 0.99)) %求解VaR
eu.ts<-timeSeries(pos=td1,data=exrate1[,3])
ret.eu<-getRerturns(eu.ts,type='discrete',percentage=T)
gpd.eulost<-gpd(-ret.eu,threshold=0.6)
gpd.eulost
riskmeasures(gpd.eulost, p = c(0.95, 0.99))
jp.ts<-timeSeries(pos=td1,data=exrate1[,4])
ret.jp<-getReturns(jp.ts,type='discrete',percentage=T)
gpd.jplost<-gpd(-ret.jp,threshold=0.62)
riskmeasures(gpd.jplost, p = c(0.95, 0.99))
hk.ts<-timeSeries(pos=td1,data=exrate1[,5])
ret.hk<-getReturns(hk.ts,type='discrete',percentage=T)
gpd.hklost<-gpd(-ret.hk,threshold=0.115)
riskmeasures(gpd.hklost,p=c(0.95,0.99))
次贷前按3种币种比例计算的整体汇率风险VaR程序
ret.atotal<-timeSeries(pos=td3,data=totalret[,6])
gpd.atotal<-gpd(-ret.atotal,threshold=0.225)
riskmeasures(gpd.atotal, p = c(0.95, 0.99))
ret.btotal<-timeSeries(pos=td3,data=totalret[,7])
gpd.btotal<-gpd(-ret.btotal,threshold=0.18)
riskmeasures(gpd.btotal, p = c(0.95, 0.99))
ret.ctotal<-timeSeries(pos=td3,data=totalret[,8])
ctotal.lost<-meplot(-ret.ctotal)
gpd.ctotal<-gpd(-ret.ctotal,threshold=0.15)
riskmeasures(gpd.ctotal, p = c(0.95, 0.99))
次贷后各币种汇率风险VaR计算程序
td5<-timeDate(after[,1],in.format='%Y-%m-%d')
us.after<-timeSeries(pos=td5,data=after[,2])
ret.usafter<-getReturns(us.after,type='discrete',percentage=T)
gpd.usafter<-gpd(-ret.usafter,threshold=0.17)
riskmeasures(gpd.usafter, p = c(0.95, 0.99))
eu.after<-timeSeries(pos=td5,data=after[,3])
ret.euafter<-getReturns(eu.after,type='discrete',percentage=T)
gpd.euafter<-gpd(-ret.euafter,threshold=1.05)
riskmeasures(gpd.euafter, p = c(0.95, 0.99))
jp.after<-timeSeries(pos=td5,data=after[,4])
ret.jpafter<-getReturns(jp.after,type='discrete',percentage=T)
gpd.jpafter<-gpd(-ret.jpafter,threshold=1.15)
riskmeasures(gpd.jpafter, p = c(0.95, 0.99))
hk.after<-timeSeries(pos=td5,data=after[,5])
ret.hkafter<-getReturns(hk.after,type='discrete',percentage=T)
gpd.hkafter<-gpd(-ret.hkafter,threshold=0.17)
riskmeasures(gpd.jpafter, p = c(0.95, 0.99))
次贷后按3种币种比例计算的整体汇率风险VaR程序
td6<-timeDate(afterret[,1],in.format='%Y-%m-%d')
ret.aafter<-timeSeries(pos=td6,data=afterret[,6])
gpd.aafter<-gpd(-ret.aafter,threshold=0.23)
riskmeasures(gpd.aafter, p = c(0.95, 0.99))
ret.bafter<-timeSeries(pos=td6,data=afterret[,7])
gpd.bafter<-gpd(-ret.bafter,threshold=0.205)
riskmeasures(gpd.bafter, p = c(0.95, 0.99))
ret.cafter<-timeSeries(pos=td6,data=afterret[,8])
gpd.cafter<-gpd(-ret.cafter,threshold=0.18)
riskmeasures(gpd.cafter, p = c(0.95, 0.99))
文章中的做图程序
td3<-timeDate(beforeret[,1],in.format='%Y-%m-%d')
beforeret.ts<-timeSeries(pos=td3,data=beforeret[,2:5])
colnames(beforeret)<-c('positions','us','eu','jp','hk')
par(mfrow=c(2,2))
plot(beforeret.ts[,1],main='US Daily Returns')
plot(beforeret.ts[,2],main='EU Daily Returns')
plot(beforeret.ts[,3],main='JP Daily Returns')
plot(beforeret.ts[,4],main='HK Daily Returns')
beforeret.ts<-timeSeries(pos=td3,data=beforeret[,2:5])
afterret.ts<-timeSeries(pos=td6,data=afterret[,2:5])
par(mfrow=c(2,2))
plot(afterret.ts[,1],main='US Daily Returns After Financial Crisis')
plot(afterret.ts[,2],main='EU Daily Returns After Financial Crisis')
plot(afterret.ts[,3],main='JP Daily Returns After Financial Crisis')
plot(afterret.ts[,4],main='HK Daily Returns After Financial Crisis')
qqPlot(beforeret.ts,strip.text=s.text,main='QQ-Plots for returns on different currencies before financial crisis',id.n=FALSE)
qqPlot(afterret.ts,strip.text=s.text,main='QQ-Plots for returns on different currencie after financial crisis',id.n=FALSE)
plot(total1.ts,main='daily returns of total exchange rate before financial crisis')
plot(total2.ts,main='daily returns of total exchange rate after financial crisis')