基于GARCH模型的VaR计算及在我国股票市场的运用
发布时间:2018-10-24 10:30:51
发布时间:2018-10-24 10:30:51
基于GARCH模型的VaR计算及在我国股票市场的运用作者:谢博文来源:《消费导刊》2017年第08期
摘要:本文使用GARCH模型的条件方差来计算中国股票市场收益率的VaR,对上证指数与深证成指的风险进行了分析。得到以下结论:在我国股市,运用基于GARCH模型的VaR方法进行风险管理,是有效的;深圳股票市场的风险比上海股票市场大。
关键词:VaR GARCH模型 金融风险
一、引言
(一)VaR的定义
VaR是指在给定置信水平下,金融资产在未来一定时间内,可能发生的最大损失。用公式表示为:
p(Δp≤VaR)=1-c
其中,p( )表示事件发生的概率,Δp为在这段时间的实际损失额,c为给定的置信水平。
VaR的定义非常简单,其大小取决于三个方面:金融资产未来收益的分布特征,所选取的置信水平和持有期大小。只有这三个方面确定了,才可以接着进行VaR的计算。而其中最为困难的当属金融资产收益分布的确定,根据对该分布的推算方式不同,VaR计算方法分为三类:历史模拟法;方差-协方差法;蒙特卡洛模拟法。
VaR的方差-协方差法最为简单快捷,也最为常用的方法。因此,本文实证部分将采用方差-协方差法。现实市场中,金融资产收益率往往存在尖峰厚尾的性质,这将导致所得的VaR值实际低估了风险。但是,如果我们计算VaR值时,使用GARCH模型中的条件方差,则可以较好地满足这一特征,因此,本文将使用GARCH模型来估算两种指数的VaR值。
(二)GARCH模型
1982年,恩格尔在研究英国通货膨胀时,提出了自回归条件异方差模型,即ARCH模型,该模型有效体现出金融时间序列的时变性特点,模型的基本思路在于,在t时刻,其扰动项的条件方差依赖于t-1,t-2,……期的扰动项。但是,在金融领域,常常会出现这样一种情况,扰动项的条件方差依赖于很多期之前的扰动项,这会使待估参数数量变得很多,准确性大大降低。1986年,波勒斯列夫在恩格尔的ARCH模型基础上创立了广义自回归条件异方差模型,即GARCH模型,与ARCH(q)模型相比,GARCH(p,q)用少量的条件方差的滞后项代替大量的扰动项的滞后项,如此,我们可以用低阶GARCH模型来代表高阶ARCH模型,这样就使待估参数得数量大大减少,提高了准确性。其中,GARCH(1,1)模型是应用最为广泛的GARCH模型。