风险度量研究

风险度量研究（共12篇）

风险度量研究 篇1

摘要：本文重点研究CVaR在投资组合理论中的运用, 首先简单介绍现代证券投资风险度量方法及其缺点, 然后对CVaR风险度量方法的概念、计算、性质等作了探讨。其次, 对基于CVaR的投资组合优化模型进行了介绍和扩展, 并利用沪深股市股票对模型进行了实证分析, 通过分析结果来验证新模型对证券投资风险的评估效果。

关键词：证券风险,CvaR,Markowitz模型,投资组合

一、证券投资组合优化模型概述

1、证券投资风险计算方法研究。

目前国内外较为引人注目的风险管理模型包括有:均值—方差 (MV) 模型、指数模型、均值—风险价值 (Va R) 模型、均值—条件风险价值 (CVa R) 模型。

2、CVa R模型的提出与应用。

Va R作为风险计量方法不仅具有概念简单、易于沟通和理解的优点, 而且为不同金融工具构成的复杂的投资组合提供了一个统一的、综合性的风险测量框架。因此, Va R目前广泛应用于各金融机构, 并正在成为计量金融风险的国际标准。下面主要针对此方法进行修正。

先分析Va R方法的缺陷:其一, Va R不满足一致性公理, 这意味着利用Va R计量风险, 投资组合的风险不一定小于或等于该组合中各种资产分别计量的风险值之和, 这与风险分散化的市场现象相违背;其二, Va R应用的前提必须是股票收益率服从正态分布, 而许多实证研究表明, 股票收益率不服从正态分布。为克服Va R的缺陷, Rockafeller等提出了条件风险价值———CVa R的风险计量技术。CVa R是指投资组合的损失大于某个给定的Va R值的条件下, 该投资组合损失的平均值。CVa R通常也译为条件风险价值, 也称为平均超额损失、平均短缺或尾部Va R, 其含义可解释为:在一定置信水平下, 损失超过Va R的潜在价值, 更为精确的讲就是指损失超过Va R的条件均值, 反映了超额损失的平均水平。

研究表明, CVa R具有Va R的优点, 同时在理论上又具有良好的性质, 如CVa R满足次可加性、正齐次性、单调性及传递不变性, 因而CVa R是能满足一致性的风险计量方法;并且, 无论股票收益率服从何种分布, CVa R均可适用。而且在投资组合优化决策时, 以CVa R作为优化目标, 可以采用线性规划的方法进行求解, 求解过程还可以顺便得到投资组合的Va R。CVa R的性质是针对一致性风险度量来分析的, CVa R具备了一致性风险度量的标准。

二、基于CVa R的投资组合优化模型

结合中国证券市场的实际情况, 提出一种新的单期投资组合优化模型。假设有n种不同金融工具组成的投资组合, 其中包括一无风险资产 (现金或银行账户) 。记x0= (x10, x20, …, xn0) T为资产的初始权重向量, 即已投资在各资产上的比例。x= (x1, x2, …, xn) T为使用优化算法将要得到的最优投资组合的权重, 即将投资在各备选资产上的比例。y= (y1, y2, …, yn) T为组合的收益向量, 服从某一联合分布, 且与x相互独立。由于组合的损失等于负收益, 则本期的损失函数为:f (x, y) =-y Tx=- (x1y1+x2y2+…+xnyn) 。显然上式中损失函数关于x是线性的。

由于越来越多的金融机构使用Va R测量市场风险, 且监管部门使用Va R确定风险限额, 因此在投资选择时, 通常需要考虑Va R约束。既然CVa R叟Va R, 这种要求通过约束不同置信度下投资组合的CVa R能得到满足。CVa R的下界能作为最大的Va R值。因此以CVa R提供的风险约束也是有意义的:准α (x) 燮w。w为允许的风险限度。损失函数对x是线性的 (从而也是凸的) , 因此CVa R函数对x也是凸的。线性约束集为:

综上所述, 在CVa R约束下, 使组合损失最小的优化问题可表示为:

式 (1) 为目标函数, 使损失最小化 (期望收益最大化) ;式 (2) 为CVa R约束;式 (5) 表示不允许买空;式 (3) 、 (6) 表示计算CVa R时需要考虑的超过Va R的损失。通过解这一线性规划问题, 得到最优的向量x*, 对应的Va R等于ζ*。最大的期望收益则为∑ni=1E[yi]xi。通过解不同风险约束下的最优问题即能得以收益—CVa R有效前沿。

三、实证分析与效果评估

1、实证研究即证券投资风险的评估效果。

虽然本模型能够处理包含多种证券的组合的风险度量和优化, 但为了简便起见, 本文仅选取了上证和深证指数中的几支典型股票, 时间从2006年4月17日至2007年4月17日, 共221个交易日。将这221个日收益率数据作为历史收益率情景并计算其日期望收益率。在考虑交易成本时, 各股票的初始权重都设为10%。本文选取的时间跨度为221个交易日, 即选取的情景总数为221, J=221。选取的单只收益率计算方式是用当日的收盘价与开盘价的对数差, 即:Yij=LN (第i种股票的收盘价/第i种股票的开盘价) , j=1, …, J。考虑到数据的可比性, 所有的收益率数据都是复权后得到的。

(1) Markowitz均值—方差模型的实证分析。为了便于和下文的试验结果进行类比, 我们这里只选取000001S深发展A, 600000浦发银行和600688S上石化进行计算。

取方差最小的目标规划, Markowitz均值—方差模型如下:

对原始数据进行分析:利用公式在Excel中直接计算出三只股票各自的日收益率, 并根据公式可以求出每支股票的平均日收益率 (见表1) 。之后用Matlab进行数据运算, 在Matlab中得到各支股票间的协方差σij (i, j:1~N) , 即表2。

根据Markowitz模型, 利用Matlab的二次优化函数quadprog, 选取E[rp]=0.2%的收益率水平, 运算得出投资组合的各权重结果为0.3072, 0.2982, 0.3947;对应的函数值为1.7828×10-4。

由以上结果可得, 在0.2%收益率水平下的最优组合为用总资本的30.72%买入S深发展A, 总资本的29.82%买入浦发银行, 总资本的39.47%买入S上石化, 此时的整个投资组合的收益率方差达到最小, 为1.7828×10-4, 此时的实际收益率为0.4263%。

取0.3%, 0.4%, 0.5%收益率水平时, 也可以得到相应的投资组合。我们不难发现随着期望收益率水平的不断提高, 权重的分布逐渐向具有较高收益率的个股倾斜, 而具有较高收益率的个股往往伴随着较高的收益率方差, 因此具有高期望收益率水平的组合也拥有较高的收益率方差。

我们使用Matlab画出该证券投资组合的有效前沿图形。有效前沿图形曲线的变量, 即E (r) 和σ2的关系如下:σ2 (Rp) =X'∑X= (r, 1) A-1 (r, l) ', 其中A= (E (r) , i) '∑-1 (E (r) , i) , i= (1, I, …, I) 。

Markowitz均值—方差模型有效前沿图形如图1所示。

(2) 引入CVa R约束的Markowitz均值—方差模型的实证分析。选取000001S深发展A, 600000浦发银行和600688S上石化进行计算, 根据投资组合最优化模型, 设所有的情景yij都是等概率, 证券的收益率可在Excel中直接得出见上文, 风险限额ω为0.001, 置信水平α为0.9, 证券种数n为3, 情景总数J为221, 在Matlab中用线性优化模型linprog编程可得:三种证券权重x为0.3513, 0.1127, 0.5887;对应的Va Rζ*为1.1806×10-12。此时最大的期望收益虽然实际收益率和上面的MV模型稍微有所差别, 但是其风险远远小于没有引入CVa R约束的Markowitz均值-方差模型。

2、计算结果及比较。

通过求在给定风险限额下, 最大化收益率得到最优组合。分别取不同的给定风险限额, 最大为0.01, 最小为0.001。计算收益率时, 需要首先给出置信水平。可以在Matlab中画出两者的图形。图2给出了两种置信度下的均值—CVa R有效前沿。在组合的CVa R值相同时, 较高的置信度表示较低的风险水平, 其所得的期望收益率也最低。图中上方线条表示较低置信度 (80%) 下CVa R模型所得的有效前沿位于较下方线条表示的高置信度 (90%) 下CVa R模型所得的有效前沿的上方, 与高风险对应高期望收益的理论结果相一致。

结果表明:在均值—CVa R模型中, 所考虑的损失是超过Va R时的条件期望, 顾及到了小概率发生但是损失巨大的事件, 在应用于投资组合风险管理的时候比MV方法更加稳健。但是需要注意的是, 这毕竟只是在用情景分析法和小样本所得到的初步结论。当不假定证券收益率服从正态度分布时, 计算相对复杂。若是在相同收益率下, CVa R最优组合比MV最优组合具有更低的风险。而且, 置信度越高时, 二者的差别也会越大。

四、结论

经过上述研究, 我们可以发现光是单一的用方差或个股Va R等指标并不能很好地对未来证券市场的风险进行准确预测, 而需要综合参考各指标, 才能做出大致准确的判断, 因此说明这些指标在理论上并没有很全面地考虑各种市场因子对证券市值的影响, 建议只作为对证券风险度量过程中的参考之一。

本文重点研究了CVa R在投资组合理论中的运用, 对基于CVa R的投资组合优化模型进行了介绍和扩展。本文将CVa R风险度量模型用在了构造投资组合上, 即用CVa R来度量证券的风险, 针对中国证券市场的实际情况, 考虑了证券的不允许买空卖空, 构造了投资组合模型, 完善了投资组合的内涵。并且, 利用线性规划的方法, 运用股票历史数据和Matlab科学计算软件进行了模拟, 对模型做了实证分析, 分析了结果, 得出了均值—CVa R模型的有效前沿。结果表明:在均值—CVa R模型中, 所考虑的损失是超过Va R时的条件期望, 顾及到了小概率发生但是损失巨大的事件, 在应用于投资组合风险管理的时候比其他方法更加稳健。但是需要注意的是, 确定一个有效的资产组合是一个非常复杂的决策过程, 在实际操作中, 投资者还要综合考虑到通货膨胀、市场操纵、投机等多种因素对已做出的投资组合方案进行调整, 才能得到最优的资产组合方案。

参考文献

[1]Markowitz H M.Portfolio selection[J].Journal of Finance, 1952, 7 (1) .

[2]叶中行、曹奕剑:Hurst指数在股票市场有效性分析中的应用[J].系统工程, 2001, 19 (3) .

[3]Thierry Post, Pim van Vliet.Downside risk and asset pricing[J].Journal of Banking&Finance, 2005 (6) .

[4]程盛芝、吴恒煜:金融市场风险测量的VaR方法及其应用[J].商业研究, 2002 (22) .

[5]菲力普、乔瑞著, 张海渔等译:VaR:风险价值——金融风险管理新标准[M].中信出版社, 2001.

风险度量研究 篇2

一、传统信用卡信用风险管理模型信用评分模型一直在我国商业银行度量信用卡透支信用风险管理中处于垄断地位。该方法是指将影响顾客信用品质的项目细分，依其重要程度分别给予不同加权值，评估完成后将每个项目的得分加总，求得代表该客户信用总分，依临界点决定是否核准申请。信用评分的设计，即评分项目的选取除依靠经验外，可利用统计方法就历史资料中按优劣等随机抽取样本，分别分析其属性，从而选取其中有显著效果的若干项。但随着《新巴塞尔资本协议》的签订，一方面更加强调风险控制机制，资本金的需求与信用卡的信贷资产质量紧密挂钩；另一方面，监管机构也将加大对发卡行风险管理制度的检查和监督力度，以确保发卡行稳健经营。这使得信用评分方法不能够满足新巴塞尔协议的时代要求，传统的信用风险度量模型严重滞后于信用卡业务发展的矛盾更加突出。因此我们需要对国外信用风险管理中的新模型进行深入研究，以求找到适用我国信用卡信用风险管理的更好方法。

二、国外信用风险度量新模型1.KMV模型。该模型是KMV公司于1993年开发的CreditMonitor Mode（l违约预测模型）。该模型的理论基础是默顿将期权定价理论运用于有风险的贷款和债券估值中的工作，债券的估价可以看作是基于公司资产价值的看涨期权，当公司的市场价值下降至一定水平以下，公司就会对其债务违约。KMV模型通过计算一个公司的预期违约率来判断他的违约情况。2.Credit Metrics模型。J.P.摩根公司和一些合作机构于1997年推出Credit Metrics方法（信用度量术）。该模型是通过度量信用资产组合价值大小进而确定信用风险大小的模型，给出了一个测量信用资产价值大小的具体方法，并由此判定一个机构承担风险的能力。该模型以信用评级为基础，计算某项贷款或某组合贷款违约的概率，然后计算该贷款同时转变为坏账的概率。该模型通过计算风险价值数值，以求反映出银行某个或整个信贷组合一旦面临信用级别变化或违约风险时所应准备的资本金数值。该模型的核心思想是组合价值的变化不仅要受到资产违约的影响，而且资产等级的变化也对其价值产生影响。3.CPV模型。该模型是麦肯锡公司在1998年开发的CreditPortfolio View（信贷组合审查系统）。该方法是分析贷款组合风险和收益的多因素模型，它运用计量经济学和蒙特·卡罗模拟来实现，最大的特点是考虑了当期的宏观经济环境，比如GDP增长率、失业率、汇率、长期利率、政府支出和储蓄等宏观经济因素。模型认为信用质量的变化是宏观经济因素变化的结果。CPV模型将宏观经济因素与违约和转移概率相联系，进而计算出风险价值。4.Credit Risk＋模型。CSFP(瑞士信贷银行金融产品部)开发的Credit Risk＋（信用风险附加）模型，应用了保险业中的精算方法来得出债券或贷款组合的损失分布。该模型是一种违约模型，只考虑债券或贷款是否违约，并假定这种违约遵从泊松过程，与公司的资本结构无关。实质是将信用风险的不确定性分解为违约率的不确定性、违约损失率的不确定性及违约波动率的不确定性。

风险度量研究 篇3

关键词：地方政府债券 信用利差 KMV模型 Knight不确定性

一、引言

2009年底希腊债务危机爆发，很快演变成为整个欧洲的债务危机，给正在从金融危机影响下复苏的全球经济增添了重大的不确定性。继希腊危机之后，我国地方债务问题也开始显现。我国从 2009 年开始正式发行地方政府债券。2011年10月20日，财政部发布了《2011 年地方政府自行发债试点办法》（下称《办法》）。《办法》规定，上海市、浙江省、廣东省、深圳市成为地方政府自行发债试点，自此发行地方政府债券的模式由“中央代理发债”转为“地方自行发债”。随着地方政府自行发债的全面放行，地方债的风险特征也越来越受到市场和投资者的关注。

金融风险度量方法研究综述 篇4

关键词：一致风险度量,VaR,ES,失真函数,Shannon熵,累积剩余熵

现在,度量和控制风险是所有现代人类活动最为关心的一项主要事情。金融市场由于其对经济和政治环境的高度敏感性,自然也不例外。金融市场的一项主要功能实际上是允许经济界的不同参与者交易其风险,而近二十年来,由于受经济全球化和金融一体化、现代金融理论及信息技术、金融创新等因素的影响,全球金融市场迅猛发展,金融市场呈现出前所未有的波动性,金融机构面临着日趋严重的金融风险。近年来频繁发生的金融危机造成的严重后果充分说明了这一点。本文的主要目的就是介绍为适应现代金融市场而提出的度量金融风险的比较有代表性的模型及各自的特点和关系,进而进行对比研究。

一、波动性方法

自从1952年Markowitz提出了基于方差为风险的最优资产组合选择理论后,方差(均方差)就成了一种极具影响力的经典的金融风险度量。方差计算简便,易于使用,而且已经有了相当成熟的理论。方差作为一种风险度量,显然具有次可加性,但是因它不具备后面将要介绍的一致性中的平移不变性和单调性,故不是一致性风险度量。此外,它还存在以下缺点:(1)把收益高于均值部分的偏差也计入风险,这显然与事实不符;(2)以收益均值作为回报基准,也与事实不符;(3)只考虑平均偏差,并没对人们普遍关注的收益的左尾问题给予充分的考虑,因此不适合用来描述小概率事件发生所导致的巨大损失,而金融市场中的“稀少事件”产生的极端风险才是金融风险的真正所在。

二、Va R模型(Value at Risk)

风险价值模型产生于1994年,比较正规的定义是:在正常市场条件下和一定的置信水平a上,测算出在给定的时间段内预期发生的最坏情况的损失大小X。在数学上的严格定义如下:设X是描述证券组合损失的随机变量,F(x)是其概率分布函数,置信水平为a,则:Va R(a)=-inf{x|F(x)≥a}。该模型在证券组合损失X符合正态分布,组合中的证券数量不发生变化时,可以比较有效的控制组合的风险。因此,2001年的巴塞耳委员会指定Va R模型作为银行标准的风险度量工具。但是Va R模型只关心超过Va R值的频率,而不关心超过Va R值的损失分布情况,且在处理损失符合非正态分布(如后尾现象)及投资组合发生改变时表现不稳定。

三、灵敏度分析法

灵敏度方法是对风险的线性度量,它测定市场因子的变化与证券组合价值变化的关系。对于市场因子的特定变化量,通过这关系种变化关系可得到证券组合价值的变化量。针对不同的金融产品有不同的灵敏度。比如:在固定收入市场的久期;在股票市场“β”;在衍生工具市场“δ”等。灵敏度方法由于其简单直观而得到广泛的应用但是它有如下的缺陷:(1)只有在市场因子变化很小时,这种近似关系才与现实相符,是一种局部性测量方法。(2)对产品类型的高度依赖性。(3)不稳定性。如股票的“贝塔”系数存在不稳定的缺陷,用其衡量风险,有很大的争议。(4)相对性。敏感度只是相对的比例概念,并没有回答损失到底有多大。

四、一致性风险度量模型(Coherent measure of risk)

Artzner et al.(1997)提出了一致性风险度量模型,认为一个完美的风险度量模型必须满足下面的约束条件:(1)单调性;(2)次可加性;(3)正齐次性;(4)平移不变性。次可加性条件保证了组合的风险小于等于构成组合的每个部分风险的和,这一条件与我们进行分散性投资可以降低非系统风险相一致,是一个风险度量模型应具有的重要的属性,在实际中如银行的资本金确定和最优化组合确定中也具有重要的意义。目前一致性风险度量模型有:(1)Cva R模型(Condition Value at Risk):条件风险价值(CVa R)模型是指在正常市场条件下和一定的置信水平a上,测算出在给定的时间段内损失超过Va Ra的条件期望值。CVa R模型在一定程度上克服了Va R模型的缺点不仅考虑了超过Va R值的频率,而且考虑了超过Va R值损失的条件期望,有效的改善了Va R模型在处理损失分布的后尾现象时存在的问题。当证券组合损失的密度函数是连续函数时,CVa R模型是一个一致性风险度量模型,具有次可加性,但当证券组合损失的密度函数不是连续函数时,CVa R模型不再是一致性风险度量模型,即CVa R模型不是广义的一致性风险度量模型,需要进行一定的改进。(2)ES模型(Expected Shortfall):ES模型是在CVa R基础上的改进版,它是一致性风险度量模型。定义为:设X是描述证券组合损失的随机变量,F(x)=P[X≤x]是其概率分布函数,令F-1(p)=inf{x|F(x)≥p},则ES(a)(X)可以表示为:

,如果损失X的密度函数是连续的,则ES模型的结果与CVa R模型的结果相同,如果损失X的密度函数是不连续的,则两个模型计算出来的结果有一定差异。(3)DRM模型(Distortion Risk-Measure):DRM通过一个测度变换得到一类新的风险度量指标,定义为:设g是一个变换函数,满足:g∶[0,1]→[0,1]是一个增函数,且g(0)=0,g(1)=1。则F*(x)=g(F(x))定义了一个新的概率分布函数。当变换函数连续时,DRM模型的度量指标就是一致性风险度量指标。DRM模型包含了诸如Va R、CVa R等风险度量指标,它是一类更广义的风险度量指标。(4)谱风险测度:2002年,Acerbi对ES进行了推广,提出了谱风险测度(Spectral Risk Measure)的概念,并证明了它是一致性风险度量。谱风险测度定义为:,称为主观风险厌恶函数。当φ满足非负性、非增性和L1下的模||φ||时,φ称为可容许谱。谱风险测度Mφ(X)的优缺点:一般情形下,谱风险测度Mφ(X)是一致的,故一致性的四条公理它都满足,除此之外,它还满足同单调可加性、法则不变性和随机占优的性质。同时它采用了主观风险函数,对坏的事件赋予较大的权重,这与人们避险的事实相符,可直接计算。但是实际计算的难度很大,维数过高时,即使转化成线性规划问题,计算也相当困难。

五、信息熵方法

由不确定性把信息熵与风险联系在一起引起了众多学者的研究兴趣,如Maasoumi,Ebrahim,Massoumi and Racine,,Reesor.R,分别从熵的不同角度考虑了风险的度量;另外,在我国也有如李兴斯、邱菀华、秦学志等学者运用信息熵解决金融问题。熵是关于概率的一个单调函数,非负,计算量相对较少,熵越大风险越大。目前利用熵建立的风险模型有:李英华的信息熵-标准差模型,李华的均值-叉熵模型,邱菀华的期望效用-熵模型。熵度量方法使不同金融系统之间的比较成为可能,这也是现有度量风险方法鲜有的功能;而且在利用最大熵原理或最小叉熵原理拟合风险变量分布时又有许多目前多数风险度量方法不具备的特点,着眼于金融系统整体的风险度量。

六、未来的发展趋势

近年来行为金融学逐渐兴起,它将心理学的研究成果引入到标准金融理论的研究,弥补了标准金融理论中存在的一些缺陷,将投资心理纳入到证券投资风险度量,提出了两者基于行为金融的认知风险度量方法,并讨论了认知风险与传统度量方差的关系。2004年Murali Rao给出一种新的不确定性度量-累积剩余熵。累积剩余熵是用分布函数替换了Shannon熵的概率分布律或密度函数,它具有一些良好的数学性质,这个定义推广了Shannon熵的概念让离散随机变量和连续随机变量的熵合二为一,也许会将风险度量的研究推向一个新的台阶。

总之,金融风险的度量对资产投资组合、资产业绩评价、风险控制等方面有着十分重要的意义。针对不同的风险源、风险管理目标,产生了不同的风险度量方法,它们各有利弊,反映了风险的不同特征和不同侧面。在风险管理的实践中,只有综合不同的风险度量方法,从各个不同的角度去度量风险,才能更好地识别和控制风险,这也是未来风险度量的发展趋势。

参考文献

[1]MarkowitzH .Portfolios election[J].Journalo fF inance,1952,7:71～91

[2]李英华 李兴斯 姜昱汐等:信息熵度量风险的探究[J].运筹与管理,Vol.16,No.5 Oct.2007:111～116

[3]Jiping Yang Wanhua Qiu:A measure of risk and a decision-making model based on expected utility and entropy[J].European Journal of Operational Research,164(2005):792～799

[4]蔡坚学 邱菀华:基于信息熵理论的实物期权定价模型及其研究[J].中国管理科学,2004,12(2):22～26

[5]秦学志 应益荣:基于鞅和熵原理的资本资产定价方法[J].系统工程理论方法应用,2004,5:460～463

[6]李华 何东华 李兴斯:熵-证券投资组合风险的一种新的度量方法[J].数学的实践与认识2003,(6):16～21

风险度量研究 篇5

对高校体育课运动函变参数的度量研究① 作者：张雷

来源：《科技创新导报》2012年第13期

摘 要:体育课运动函变参数主要是指体育课的练习密度和运动量。本文通过对河南省5所高校76次体育课的练习密度和运动量的测试、统计、分析,论证了普通高等学校公共体育课练习密度和运动量的合理安排标准。

关键词:高校体育体育教学练习密度运动量

风险度量研究 篇6

关键词：中小企业私募债券 融资风险 信用评分模型

中小企业私募债券现状概述

中小企业私募债是我国中小微企业在境内市场以非公开方式发行的，发行利率不超过同期限银行贷款基准利率的3倍，期限在1年（含）以上，对发行人没有净资产和盈利能力的门槛要求，完全市场化的公司债券。

自2012年5月22日，中小企业私募债券试点成功。截至2012年12月31日，沪市中小企业私募债券通过备案100只，备案总金额126.52亿元；截至2013年5月31日，深市中小企业私募债券通过备案146只，完成发行98只，募集资金115亿元，平均票面利率为9.25%。

中小企业私募债也被称作中国版高收益债券（即“垃圾债券”），发展如此迅速、收益如此之高，促使投资人不得不关注其风险问题。

中小企业私募债券的主要风险及度量

（一）主要风险

中小企业私募债券所面临的风险，根据能否分散，分为系统性风险和非系统性风险。其中，系统性风险主要体现为利率风险，此外还包括宏观经济风险、其他市场波动风险等。非系统性风险主要体现为债券发行人的信用风险，此外还包括信用评级下调风险、回售性风险等。

（二）主要风险的度量方法

1.利率风险的度量

中小企业私募债券的利率风险主要来自银行基准利率变动所带来的债券收益率变化。久期是常用的利率风险度量指标，其值越高，利率风险也就越大。1938年麦考利提出久期概念，其计算公式如下：

其中，D是麦考利久期，ct是债券未来第t次支付的现金流，T是债券在存续期内支付现金流的次数，P是债券价格，PV（ct）代表债券第t次现金流用债券到期收益率贴现的现值。

2.信用风险的度量

信用风险的衡量方法包括专家评价法、信用评分模型和现代风险违约概率模型等。

专家评价法中最具代表性的是传统的5C或者7C法则，即品质、资本、能力、抵押、经营环境以及后面加入的现金流、企业持续性或者控制力。由于该法则主要依赖于专家对信用风险的评估，主观性较强，无法形成较为统一的评价。

信用评分模型是通过统计及数学的方法设计出各种统计概率模型来评估信用风险，其中比较著名的有Z-Score评分模型。

近几十年来，随着科学技术的高速发展，债券市场尤其是高收益债券市场的蓬勃发展大大推动了各类限贷风险违约概率模型的发展，出现了包括如风险中性定价以及死亡概率等针对单一对象的风险模型，以及包括Credit Metrics，Credit Portfolio View以及Credit Risk等针对投资组合的风险模型。

考虑到数据的可得性以及我国债券市场的发展现状，本文选用美国经济学家奥尔特曼提出的信用评分模型对信用风险进行度量。其模型如下：

Z=1.2X1+1.4X2+3.3X3+0.6X4+0.999X5

式中：X1=流动资本/总资产；

X2=留存收益/总资产；

X3=息税前利润/总资产；

X4=优先股和普通股市值/总负债；

X5=销售额/总资产。

Z值越大，说明企业的财务状况越好，其所发债券的信用风险也越小。

判断规则为：若Z>2.99，公司债务较为安全；若 1.8≤Z≤2.99，属于违约中性；若Z<1.8，则公司破产概率大。

对信用风险度量方法的检验

虽然我国债券市场并未出现违约事件，但不乏信用风险事件。例如，上海超日太阳能科技股份有限公司（以下简称上海超日公司）连续两年亏损，其发行的“11超日债”也已暂停上市。鹏元资信于2013年4月11日下调上海超日公司主体长期信用级至BBB+，下调“11超日债”信用等级至BBB+（见表1）。

表1 上海超日历次评级调整

发布日期主体评级评级展望债项评级评级机构

2011-07-13AA稳定AA鹏元资信

2013-01-08AA-负面AA-鹏元资信

2013-04-11BBB+负面BBB+鹏元资信

根据上述信用评分模型，利用上海超日公司公布的季度财务数据，计算其Z值（见表2）。

表2 上海超日的Z值

日期X1X2X3X4X5Z

2011-06-300.820.00730.01951.17870.2472.01

2011-09-300.810.010.03711.14290.362.15

2011-12-310.610.0095-0.00920.72490.301.45

2012-03-310.720.010.00510.56410.0741.31

2012-06-300.660.0092-0.01890.5620.131.21

2012-09-300.680.0105-0.00240.570.291.59

2012-12-310.440.0126-0.28670.1880.273-0.015

2013-03-310.420.0132-0.04610.1460.0160.474

从表2中可以看出，上海超日在2011年底Z值已经由违约中性区域落入公司破产区域，“11超日债”存在明显的违约风险，且随后违约可能性越来越大。相较评级公司下调其信用级别的时点，信用评分模型对“11超日债”的信用风险起到了较为明显的预警作用。

作者单位：云南师范大学经济与管理学院

责任编辑：王秉坤 刘颖

参考文献

[1]陈湘玲.中小企业集合债券的信用风险度量研究[D]，中南大学，2010（11）.

[2]施同亮，董晖.高收益债券的风险计量模型[J]，中国债券，2012（5）.

[3]游春，左成学.我国高收益债券信用评级问题的研究[J]，征信，2012（11）.

[4]陈华强.中小企业私募债制度剖析与风险防范[J]，金融与会计，2013（2）.

金融风险度量的指标体系研究 篇7

一、金融系统风险测评视角选择

风险的本质属性在于风险的负面性;风险的负面性是指风险的消极、负面影响。根据以上分析，它主要应包括以下几个方面内容：(1)损失的概率，是指损失发生的可能性;(2)可能损失的数量，是指损失一旦发生，损失的数量或程度有多大;(3)损失的不确定性或易变性，是指在损失域内损失的易变程度。风险负面性三方面的内容，对风险的描述并不是同等重要的。可能损失的数量处于最重要的位置。尽管Fishburn等指出不确定性不是风险的本质属性，但他所指出的不确定性是整个可能结果的不确定性，既包括损失，也包括收益;而这里所说的不确定性是特指损失域内的不确定性或易变性。这种不确定性是风险负面性的重要方面，也是风险的本质属性之一。除风险的负面性外，人们谈论风险时往往是针对一个特定的时间而言的，因为时间区间不同，影响投资者收益的各种因素也不相同，产生损失的可能性及其大小也不同，因此，分析风险时必须明确分析时间和区间。它包括损失的概率、可能损失的数量以及损失的易变性三方面内容，其中可能损失的数量处于最重要的位置。这种风险定义，较全面反映了风险的本质属性，克服以前定义的不足，更强调可能损失的数量在描述风险中的作用，更符合投资者对风险的真实心理感受，因此，基于这种定义的风险计量和风险计量指标的设计，对风险的描述与计量将更为全面、合理，其风险的预测和控制也更为准确和有效。

对于金融系统风险的监管一般是从三个方面：从影响所涉及的因素上看，一般从盈利能力、风险敏感度、流动性、资产质量、资本充足率几个方面考察;从政府集中监管的角度看又分为银行业、保险业、证券业;当然，从影响时期及调控范围的大小又可分为宏观系统、中观系统、微观系统。在综合分析的基础上，我们构筑了“构建金融系统稳健型三维框架图”。

二、金融风险的类型

金融市场风险。

金融市场风险是指由于金融市场因子(如利率、汇率、股价等)的不利波动而导致的金融资产损失的可能性。其中利率风险尤为重要。由于金融机构的资产绝大部分是金融资产，利率波动会直接导致其资产价值的变化，使机构的持续经营能力受到威胁，因此金融机构的风险管理中常把利率风险单独列出。

信用风险。

金融机构的信用风险是指由于借款人或市场交易对手的违约而导致损失的可能性。更一般地，信用风险还包括由于借款人信用评级的降低导致其债务市场价值的下降而引起损失的可能性。信用风险对衍生金融产品和基础金融产品的影响不同。

流动性风险。

金融机构的流动性风险主要包括两种形式：市场/产品流动性风险和现金流/资金风险。前者是指由于市场交易不足而无法按照当前的市场价值进行交易所造成的损失。流动性风险是一种综合性风险，它是其他风险在金融机构整体经营方面的综合体现。例如，市场风险和信用风险的发生不仅直接影响金融机构的资产和收益而导致流动性风险，还可能引发“金融恐慌”而导致整个金融系统的非流动性。

操作风险。

操作风险是指由于金融机构的交易系统不完善、管理失误、控制缺失、诈骗或其他一些人为错误而导致的潜在损失。包括：执行风险，即当交易执行错误或不能执行而导致的较大延迟成本或受到惩罚，以及由于机构后台操作出现的一系列相关问题;由于诈骗和技术问题而导致的风险，诈骗风险是指交易员故意提供错误信息;技术风险是指交易系统的错误操作或崩溃而导致的损失，也包括由于无法预料的自然灾害或关键人员出现事故而造成的损失。风险定价过程中的模型风险，即交易人员或风险管理人员应用了错误的模型，或模型参数选择不当，导致对风险或交易价值的估计错误而造成损失的可能性。操作风险直接与机构的管理系统相关，虽然发生的概率相对较小，但引起的损失可能非常巨大。

法律风险。

法律风险是指当交易对手不具备法律或监管部门授予的交易权利时而导致损失的可能性。法律风险往往与信用风险直接相关。法律风险还包括合规性风险和监管风险———违反国家有关法规如市场操纵、内幕交易等导致的风险。由于各国的法规不同以及对不同类型的金融机构的监管要求不同，因此，不同交易对手的法律风险也存在较大的差异性。

三、金融风险度量指标体系的构建

银行业指标体系的选取主要从银行财务指标来评价银行的风险程度，主要分为四个方面：盈利性、流动性、安全性、营运性。上市银行只有保持良好的盈利性，才能稳定股价吸引投资者。流动性是指商业银行能及时兑现各种资金需求或是回收资金的能力，它对商业银行尤其重要，可以说是银行的生命线。商业银行的安全性是指银行资产、信誉、收入以及其它所有经营发展条件免遭损失的可靠程度，是商业银行经营考虑的首要因素。商业银行的安全性取决于两个方面，即资产的安全性和资本的充足性。商业银行的营运性则体现银行运用本身资本和有效控制成本扩大利润的能力。

证券业指标体系的选取主要从系统风险和非系统风险两方面来看。系统风险即市场风险(价格风险)是最大的风险，也是控制的重点，用不确定性来反映，即方差大小。非系统风险包括市场操作风险、信用风险、法律风险、财务风险。

保险业指标体系的选取主要分为三个方面：流动性、盈利性、经营能力。

从“特征维”出发，参考各类指标划分，综合各种影响因素，依据多指标综合评价体系的原则：全面系统性原则、简明科学性原则、灵活可操作性原则、可测性原则。本着“多指标，可量化，独立性”原则，构建了金融风险测评指标体系。

四、金融风险度量方法的比较研究

传统或经典的金融市场风险度量，就是测量由于市场因子的不利变化而导致的金融资产(证券组合)价值损失的大小。最初的金融市场风险测量方法———名义量法非常简单，名义量法认为进入交易的证券组合都处于风险之中。但现实中只有极少的情况下，整个证券组合才能全部损失，多数情况下只有部分处于风险状态。因此名义量法是一种粗略的估计方法，无法满足日趋复杂和竞争激烈的金融市场管理风险的要求，为此人们引入了更为精确的风险测量方法。

根据经典的市场风险度量的含义———测量由于市场因子的不利变化而导致的证券组合价值损失的大小，市场风险测量可以有两种基本方法：一种是测量市场因子的变化与证券组合价值变化间的关系，如Delta、Beta、久期和凸性等;另一种方法是测量由于市场因子的变化而导致的证券组合收益的波动性———收益偏离平均收益的程度，常用统计学中的标准差表示。

第一种方法实质上是测量证券组合价值对其市场因子的敏感性，所以称为灵敏度方法。灵敏度方法由于简单、直观而在实际中获得广泛应用，针对不同类型的金融资产产生了不同形式的灵敏度，如针对债券等利率性金融产品的久期和凸性，针对股票的Beta，针对衍生金融工具的Delta、Ganmma、Vega等。灵敏度方法在测量市场风险时存在以下主要问题：近似性;对产品类型的高度依赖性;对于复杂金融产品的难理解性;相对性，灵敏度不能回答某一证券组合的风险损失到底是多大，市场因子的变化是随机的。

第二种方法是一种统计方法，反映的是证券收益的波动性，因此称之为波动性方法，用标准差和协方差描述。这种方法“似乎”解决了风险测量问题，可以得到其收益的平均波动。但这种波动性的描述同样没有解决风险度量问题，表现为以下方面：波动性只是描述了收益的不确定性———偏离平均收益的程度;另一方面，波动性也并没有确切指明证券组合的损失到底是多大。由于市场因子的随机性，证券组合的收益变化是一个随机变量，证券组合市场风险的度量，应该通过证券组合收益的概率分布进行描述———一定概率水平(置信度)下的可能损失。这就引入了市场风险度量的Va R方法。

Va R是指一定的概率水平下(置信度)，证券组合在未来特定一段时间内的最大可能损失。Va R描述的是市场正常波动下的最大可能损失，现实中金融市场出现剧烈波动的极端市场情形大量存在，会导致致命的风险。因此引入压力试验和极值方法作为Va R的补充，压力试验的核心在于产生、模拟一些违背Va R模型假设的极端市场情景，并评价这些极端情景对证券组合价值的不利影响;极值方法则采用统计方法，通过描述价值变化的尾部统计特征，给出极端条件下Va R与概率水平的准确描述。Va R方法最大优点在于测量的综合性，可以将不同市场因子、不同市场的风险集成为一个数，较准确测量由不同风险来源及其相互作用的潜在损失，较好适应了金融市场发展的动态性、复杂性和全球整合性趋势。因此，Va R方法在风险测量、监管等领域获得广泛应用，成为金融市场风险测量的主流方法。

参考文献

[1]刘涛.金融稳健指标体系评述[J].西南金融, 2008 (3) .

[2]郭宣辉.浅谈上市公司信息披露制度[J].企业导报, 2009 (4) .

供应链金融信用风险度量的研究 篇8

1供应链金融的概念提出

“供应链管理”这一管理方式由Michael Porter提出。 自此之后, 这个概念很快进入实践探究。学者从企业和银行角度对其展开研究, 企业也逐步引入这一先进的管理概念, 不断在实践中探索完善。在此基础上, 供应链管理理论也不断成熟完善, 逐步融入公司的企业文化和战略管理当中。面对竞争日益激烈的市场, 企业在前进中逐步开拓自己的视野, 不再只从自己的利益角度看。而是把采购、生产、流通、销售、支付等环节看成一个整体的价值链, 从产品角度、行业角度去看待发展问题。此时的供应链不仅仅是物品转移的价值链, 更是一条增值链。通过对价值链上物流、资金流和信息流的有效控制筛选, 一切以最终的产品和服务为目标, 供应链上的各方整合资源、优势互补, 达到各方共赢的局面。

随着国内外先进企业在物流、信息流和资金流集成管理实践方面的发展, 供应链金融这个概念被学者从国外引入并得到广泛研究。这对于解决小微企业融资具有巨大的现实意义。供应链金融针对小微企业信用和抵押物不足的特点, 跳出商业银行传统的信用评级模式, 创新性的引入对供应链交易的评级理念。可以说这是专为小微企业量身定做的一个融资模式。

2供应链金融模式分类

供应链金融来源于物流银行。物流企业在物资运送过程中, 能够基本准确的了解到这笔交易上下游企业的运营情况, 对所运物资的价值也有充分的了解。基于此, 物流企业可以利用自有资金或者是银行的授信额度, 对交易上下游企业进行授信, 解决小微企业短期流动资金的短缺情况。

因而在抵押物形式上, 我们可以将供应链金融模式分为三类:

1保兑仓融资。保兑仓以银行承兑汇票为结算工具, 在卖方承诺回购的前提下, 由银行控制货权, 买方即融资方向银行申请以银行所控制货权的既定仓单为质押的贷款额度。

2融通仓模式。基于存货质押的融资模式。销售企业为应对客户需要, 必须备存一定的存货, 而在存货销售给客户前, 销售企业可以将其质押给银行, 获得流动资金的融通。

3应收账款融资模式。小微企业可利用交易合同寻求授信。因其交易对手方往往是资信很好的中大型企业, 这就为合同的正常履行提供了强大的担保。

3供应链金融信用风险评价

在近几年的研究中, 国内的供应链金融信用风险评级主要用到的方法主要是主成分分析法。传统的信用评级指标主要关注以下几点:企业素质、经营能力、获利能力、偿债能力、履约情况、发展前景、行业特征等。

而这些仅仅是供应链金融授信中关注的一个方面。除此之外, 银行还会关注核心企业资质、行业风险因素、供应链运营状况这三个方面, 这也是供应链金融的特点和优势所在。

上表中“应收账款特征”根据不同的业务可替换为“预付账款特征”和“存货特征”。

根据以上指标, 对每项进行打分, 得到初始的数据矩阵, 标准化后, 计算出相关系数矩阵, 选取方差贡献率大的主成分计算最终的主成分得分。此得分在[0, 1]区间内, 越接近1, 该企业信用越好, 越接近0越差。此评级方法基于商业银行常用的信用评级指标, 应用方便、灵活。但同时也具有相对主观的弊病, 对评级人员的要求较高。

供应链金融针对的主要是短期的流动资金进行授信, 因而相应的我们也可以不那么关注贷款企业自身的一些状况, 毕竟这也是其短板。重点在于交易:应收账款、预付账款和存货。而其中包含的核心还是交易中的商品可以作为抵押物。 只要是能够以市场价格度量的商品、原材料就都可以用类似于证券估值的办法进行信用评级。如Va R法, 基于相应的存货在期货市场上的价格波动, 计算相应资产的Va R值。而国外学者的思路是将供应链融资的资产证券化, 在交易价格的基础上利用KMV模型、Credit Risk+模型、Creditmetrics模型等等成熟的信用评级模型对打包的证券化资产进行度量, 或是基于CDS信用违约互换, 使用权证的估值原理进行资产价值度量。在有足够的数据支持下, 建立风险违约数据库, 再用得到的结果与数据库进行比对, 得到违约可能性的评级结果。

这些思路在国外成熟的金融市场能够很好的进行研究, 实践时间长、数据完备, 但在国内却有很大的局限性。首先, 只有部分原材料如钢、铜、铝等才有相应的期货交易数据, 而对于其他的原材料以及无法准确度量价格的成品、半成品, 价格数据几乎无法获取。其次, 资产证券化在国内的开展范围十分有限, 数据也难以获取, 国内的研究还主要限于先行的法规和模式探究。

长期来看, 使用国外的先进模型度量信用风险是必然的方向, 也符合国内金融市场不断发展前进的趋势。但是短期内, 依赖于银行信贷专家人员的综合性的打分评级系统相对来说还是更加适应国内市场, 并且在主成分的计算上也有很大的改进空间, 比如结合Logistic模型、Mann-Whitney检验、Copula函数等, 在国内也开始有相应的探索。

商业银行的融资业务是经济的活力源泉, 通过探讨最新的融资模式理论, 激发人们对现有的融资模式的深思, 不断的调整改进原有模式, 使其适应我国经济的发展, 建立一个成熟、稳定又充满活力的商业银行融资体系, 充分地服务于广大的中小微企业, 为我国的经济腾飞做出贡献。

参考文献

[1]雷小清.UPS商务服务同步的一个实例及其对我国供应链金融的启示[J].物流科技, 2011, (5) .

[2]熊熊, 马佳, 赵文杰, 等.供应链金融模式下的信用风险评价[J].南开管理评论, 2009, (4) .

[3]唐凌云.基于VaR的供应链金融操作风险度量研究[J].中国市场, 2010, (15) .

[4]吴敏惠, 马丽丽.信用违约期权在应收账款信用风险管理中的应用[J].莆田学院学报, 2010, 17, (4) .

[5]Gregor N.F.Wei?.Copula-GARCH versus dynamic conditional correlation:an empirical study on VaR and ES forecasting accuracy[J].Review of Quantum Finance Accounts, 2013, (41) .

[6]Cristina Martinez-Sola, Pedro J.Garcia-Teruel, Pedro Martinez-Solano.Trade credit and SME profitability[J].Small Business Economy, 2013, (10) .

风险度量研究 篇9

关键词：银行系统性风险,风险成因,风险度量

2008年金融危机中, 雷曼兄弟公司、北岩银行等大型金融机构陷入困境甚至破产, 重创了全球金融体系, 并对实体经济产生了负面影响。这场国际金融危机使各国监管者、金融机构和研究者都深刻的认识到, 原有的金融监管只关注单个金融机构的稳健运营, 在维护整个金融体系稳定方面存在重大不足。中国人民银行也在2010年的《金融稳定报告》中提出防范系统性风险是宏观审慎管理的根本目标。目前, 银行业系统性风险成为国内外学术界和金融监管改革的一个热点问题。本文就此针对金融危机后银行系统性风险的国内外相关文献进行系统梳理, 并对度量方法进行评述, 为进一步研究如何度量和监管银行系统性风险作参考。

一、银行系统性风险研究现状

(一) 银行系统性风险的定义

由于系统性风险本身具有复杂性, 处于一个动态发展的过程中, 目前学术界对系统性风险的定义还没有形成统一、精确的认识, 这些不同主要集中在系统性风险的触发原因和引起的结果上。但这些定义普遍认同系统性风险为一个触发事件引起了具有外部性的坏的结果。

从触发原因和引起的结果, 对银行系统性风险的定义大致可以分为三类, 关注系统整体层面、关注冲击的传递层面和综合性定义。第一类研究对系统性风险的定义专注于整个系统的层面, 关注的是银行的同质化倾向带来的风险。如我国学者翟金林 (2001) 认为系统性风险是由于银行系统性事件的大规模冲击导致了大量的银行机构或市场的逆效应诱发银行系统性危机的可能性。第二类更加关注微观层面, 关注的是风险在银行间的传递效应。如美国联邦储备委员会 (FRS, 2001) 把系统性风险定义为一个金融机构到期债务的不能偿还会导致其债权人也无法偿还债务, 不断扩散后, 其他金融机构、存款机构及实体经济都会遭遇严重的支付困难。包全永 (2005) 认为系统性风险是系统中个别单位或几个单位受到其他不利冲击, 其损失给系统中的其他单位带来的负外部性, 当这种负外部性累积到一定程度时, 整个系统的基本功能就会受到影响甚至完全丧失。第三类定义较为综合, 既关注系统性风险的来源也关注传染渠道, 是由较多金融监管者提出的定义。国际货币基金组织、金融稳定理事会和国际清算银行 (2009) 在《系统重要金融机构、市场和工具评估指引:初步考虑》中将系统性风险定义为由于金融体系整体或局部受到破坏导致金融服务中断、对实体经济具有潜在负面影响的风险。我国学者范小云 (2005) 对银行业系统性风险的识别提出了较为具体的途径, 即特征判断和过程分析。其中特征是指“外部性”特征、风险与收益的不对性特征、传染性特征、损害实体经济的特征和投资者信心。过程分析主要考察风险发生的不同传染渠道。

结合此次金融危机的发生, 本文认为银行系统性风险的产生既与广泛的外部冲击事件相关, 也与银行系统内部的传染机制相关, 所以对银行系统性风险的定义更倾向于第三种定义, 这也是下文分析系统性风险度量方法的出发点。

(二) 银行系统性风险的成因

从对系统性风险的定义可以看出, 系统性风险的来源具有多样性。对系统性风险成因的研究, 一方面集中于金融系统外的影响因素分析, 另外一方面集中于金融系统本身的脆弱性和关联性。

金融系统外的影响因素是影响银行系统性风险的共同因素, 对系统内所有银行都产生影响, 对系统性风险的发生具有预测意义。对金融系统外的影响因素分析, 大部分在经验分析的基础上, 通过回归研究进行, 研究表明银行系统性风险的发生与经济的慢速增长、市场恐慌、高通货膨胀率、高真实利率、高波动性、低资本收益率、油价波动、汇率变动、房地产行业的超额收益率等有关 (高国华, 2011;于蓓, 2012) 。

由于金融系统外部因素对于金融机构和金融机构监管者而言可控性较低, 所以相对于金融系统外部因素的研究, 关于金融系统自身的研究对于风险控制和监管的意义更大。总结这方面的研究又分为基于金融系统脆弱性的风险产生的研究和基于微观金融机构关联性的风险传染研究。对于银行系统性风险产生的原因, 针对金融系统本身主要有以下几种解释:

1. 信息不对称造成的银行挤兑引发风险。

在金融交易中, 交易双方在信息占有上具有不对称性, 不对称信息在交易前后将分别导致逆向选择和道德风险问题。根据DD模型, 在信息不对称的情况下, 当一家银行陷入流动性困难, 造成该银行一些存款人的存款损失, 其他银行的存款人, 出于对影响状况的不了解和对自身利益的担心。一旦有其他存款人到银行取出存款, 存款人根据利益最大化原则就取出存款, 造成银挤兑存款, 由于银行的准备金不是100%计提, 即使经营良好的银行, 也会在存款人大规模提存时陷入流动性不足的支付危机中, 从而引发系统性风险。过度金融创新, 特别是衍生金融交易产品的出现, 加剧了信息不对称的程度, 引发了高系统性风险。

2. 金融系统的不完全理性和顺周期性加剧风险。

根据明斯基提出的金融脆弱性理论, 由于贷款人存在遗忘痛苦的趋向同时面临竞争压力, 所以当经济上行时, 市场产生的过分乐观情绪会提高银行的利润预期, 激起过度投资行为。而经济下行时, 借款企业的经营不善和资产价格下跌, 会导致贷款银行也面临困境的同时面临微观审慎监管约束要求的抛售资产, 导致资产价格进一步下跌。所以在信息不对称性和金融市场不完善条件下, 金融体系自身具有顺周期性的特点。金融加速器机制、微观审慎监管的资本约束监管机制以及金融机构自身的行为都导致信贷供给更为严重的顺周期性。

3. 系统重要性银行的道德风险助长系统性风险。

对于单家金融机构上, 巴塞尔委员会 (2011) 提出以规模、关联性、可替代性、复杂性和跨司法管辖区活动, 来分析单家银行对系统性风险的潜在影响。其中具有系统重要性的银行, 因为其资产规模大、联系紧密会导致风险的聚集、加速风险传染。从信息不对称理论分析, 在由监管者和系统性重要银行组成的信息模型中, 系统性重要银行在危机中面临“太大而不能倒”“太关联而不能倒”的选择, 会造成道德风险, 进而加剧系统性风险。

(三) 银行系统性风险的度量

金融危机后, 关于银行系统性风险度量在研究重点上由关注单家银行倒闭的可能性转移到银行的倒闭对金融系统以及全球经济造成多大影响来衡量;在研究数据上, 由较多依赖财务报表和银行内部数据过渡到利用金融市场数据等的可得性较高的数据上;在模型上, 越来越多的度量模型被应用到系统性风险的度量中。目前关于系统性风险度量的文献非常丰富, 主要方法有:

1.衡量系统性风险在银行间市场传染的模型。为监测银行系统性风险, 2009年IMF在《全球金融稳定报告》中重点介绍了四种评估金融机构关联性的定量模型:网络模型 (Network Approach) 、Co-R isk模型、危机依存度矩阵模型 (Distr ess Dependence Matr ix) 、违约强度模型 (Default Intensity Model) 。网络模型是基于银行间的实际业务往来, 利用银行间双边信贷敞口和支付结算信息构建矩阵, 假设外部冲击导致某一银行或者一组银行出现破产或流动性危机。基于以上关联矩阵, 计算与其相关联的银行可能的资本损失和风险传染路径。IMF (2009) 利用网络模型分析了银行风险在各个国家之间的传染, 并得出资产降价出售会增加银行间的风险传染, 美国、英国银行系统在风险传染中具有重要地位。中国人民银行 (2010) 基于银行间支付结算信息, 构造了我国的金融网络结构模型, 分析了银行风险在不同性质银行之间的传染, 得出大型商业银行在网络中占据核心地位。我国学者贾彦东 (2011) 通过构建“系统风险曲线”, 利用2007~2010年44个月的支付结算数据, 测算了我国主要商业银行的系统重要性水平和排序。Co-Risk为共同风险模型, 主要利用分数位回归以及金融机构的信用违约互换 (CDS) 数据来考察金融机构之间的非线性联动关系。危机依存度矩阵模型方法将银行系统当做一个由银行组成的投资组合, 利用金融机构的信用违约互换数据和多元密度函数来构建银行间的困境联合概率分布, 以衡量当一家银行处于困境时, 另外一家银行处于困境的概率。违约强度模型使用Moody公司的违约数据来拟合事先设定的模型, 刻画了违约聚集, 即一家银行的违约会对其他银行的信用状况产生影响, 提高系统的违约强度。最后再通过数值模拟方法预测未来一段时间内系统中违约事件的数量。后三种方法由于都需要信用违约互换等数据, 我国金融市场不够发达, 数据可得性较差, 所以目前国内研究较少。

2.衡量极端尾部风险的压力测试。压力测试是为金融机构衡量潜在但可能发生异常时的损失的模型, 关注的是极端情况下的尾部风险。在设置情景时, 考虑到历次系统性危机的爆发, 不是由单个银行或银行组面临某一冲击造成的, 而是对所有银行同时造成冲击的共同冲击造成的 (Upper, 2007) , 分别设置“宏观经济情景压力测试”和“整体及重点领域信用风险敏感性压力测试”, 弥补了网络模型中冲击没有考虑宏观经济的影响的弊端。但由于对数据要求较高, 大部分为监管者所用。彭建刚 (2012) 认为在宏观经济因子冲击下不同金融风险会表现出一定的相关性, 这些不同风险的共同作用会导致系统性风险。所以可以运用宏观压力测试来衡量系统性风险。臧敦刚 (2013) 以贷款违约率表示商业银行系统性风险, 通过宏观压力测试度量了我国商业银行系统性风险的变化。

3.评估系统性重要银行的指标法。指标法主要是通过选取影响系统性风险的指标, 利用历史数据分析系统性风险发生前后各经济指标的波动特征, 以达到跟踪和预测系统性风险的目的。第一种方法是指数法, 通过构建宏观指数来评估整个银行体系的系统性风险。选择指标时主要运用的方法有主成分分析、因子分析、AHP层级分析等。在研究方面, Illing, Liu (2006) 、Hakkio, Keeton (2009) 、Gr imaldi (2010) 基于宏观指数构建了系统性风险预警指标体系分别用来衡量加拿大、堪萨斯城和欧元区的系统性风险情况。Balak r ish nan, Danninger (2012) 利用指标法研究了系统性风险从发达经济体到新兴经济体的传导情况。第二种方法主要是由监管者提出的, 关注单家银行或金融机构对系统性风险的影响, 重点在于找出系统性重要金融机构。巴塞尔委员会 (2011) 发布《全球系统重金融inance NO.1, 2015 (Cumulativety NO.576) 要性银行:评估方法与附加资本吸收要求》提出了G-SIBs的评估方法, 即规模、关联性、可替代性、跨境业务量和复杂性。金融稳定理事会 (FSB) 分别于2011年和2013年发布了全球系统性重要金融机构名单。由于公众无法收集到银行的深度数据, 所以这种方法对公众而言几乎不可能。Bramer、Gischer (2013) 利用可获得的银行报表数据, 构建了一个修改模型, 来衡量澳大利亚的系统性重要银行。中国银监会 (2011) 在《中国银行业实施新监管标准的指导意见》中提出中国系统重要性银行的评估标准, 规模、关联性、可替代性和复杂性, 剔除了G-SIBs中的跨境业务指标。郭卫东 (2013) 按照银监会指标体系评估了我国上市银行的系统重要性。巴曙松, 高江建 (2012) 借鉴Bramer和Gischer的思想, 将国民信心加入国内系统重要性的指标中, 并由此定义我国的系统重要性银行。

4.条件在险价值法Co Va R。Co Va R方法是目前学界较为流行的方法, 不同于以上三种方法, Co Va R方法不再依赖资产负债表数据, 而是利用资本市场数据进行研究, 数据更容易获得。该方法由Adr ian和Br unner meier (2010) 在Va R的基础上提出, 在Co Va R在度量系统性风险时采用的是“自下而上”的分析方法, 以单个金融机构的破产倒闭为条件来估计整个金融体系的系统性风险。将单个金融机构的系统性风险贡献定义为处于危机状态下的整个金融系统的Co Va R和该机构常态下整个金融系统Co Va R之间的差额。在国内, 李志辉 (2011) 利用分数位回归和Co Va R模型衡量了我国商业银行的系统性风险溢价。高国华 (2011) 基于GARCH模型用Co Va R方法测度了我国上市商业银行的系统性风险贡献度并分析了其影响因素。郭卫东 (2013) 通过Co Va R方法研究了中国上市银行的系统性风险贡献系数、风险价值和溢出值, 并按照溢出值大小进行排序。虽然Co Va R方法能够度量金融机构对整个系统的边际风险贡献, 但是由于其运用的是分数位回归法, 不能很好的捕捉门限值以下极端情况的尾部风险。并且不具有可加性, 难以通过单个金融机构的风险贡献加总来估计整体系统性风险。

5.系统期望损失SES、边际期望损失MES和系统性风险指数SRISK模型。SES和MES模型也是目前学界较为流行的度量方法, 同样也是利用资产市场数据度量系统性风险, 它在度量金融机构系统性风险时采用的是“自上而下”的分析方法。该方法是由Acharya (2010) 年基于期望损失理论 (ES) 提出的, SES是在系统陷入危机时, 某金融机构权益资产低于目标资产时产生的损失, 用来衡量系统性危机中金融机构对总体的期望贡献。MES是在市场表现最差的极端状况下单个金融机构的收益率, 衡量的是此时单个金融机构对系统整体风险的贡献。Acharya通过理论推导得出SES是MES和杠杆率的线性组合, 并通过实证分析证明相较于波动率、期望损失、beta值等传统风险度量方法, MES和杠杆率的组合在预测SES上表现更好。Brownlees, Engle (2011) 在Acharya (2010) 的基础上, 用引入动态的DCC-GARCH模型推导出了机构短期边际期望损失 (MES) 以及长期边际期望损失 (LRMES) 的计算公式, 更加动态化的衡量系统性风险。同时提出通过SRISK, 即SES占系统整体SES的比例来比较金融机构的系统重要性。我国学者范小云 (2011) 借鉴Acharya的度量方法, 通过实证研究验证了我国MES和杠杆率较高的金融机构在危机中边际风险贡献也较大, 并测算了我国金融机构的系统风险贡献。方意 (2012) 用DCC-GARCH模型和随机模拟法对我国金融机构的系统性风险进行了测度, 并分析了系统性风险的影响因素。SES和MES模型能较好的捕捉尾部风险, 但MES计算的假设条件为金融市场为有效市场, 其在中国市场的有效性仍有待商榷。

6.夏普利值法Shapley。夏普利值法也是一种“自上而下”的分析方法, 由Tarashev, Nikola, Claudio (2010) 基于博弈理论提出的, 结合在险价值Va R和期望损失ES, 根据每家银行加入子银行系统时, 所引起的子系统的Va R或ES的变化的均值作为该银行的Sh apley值。Sh apley值满足可加性, 且考虑了总的系统性风险的大小。来测度银行在系统性风险中的贡献度。我国学者贾彦东 (2011) 基于银行间支付结算数据, 用Shapley值分析了我国金融机构的系统重要性。张娜娜、张超 (2012) 基于期望损失的变化, 用Shapley值对中国上市银行进行了系统性风险的实证检验。夏普利值法虽然满足可加性, 但组合情况会随着银行数量的增加呈现指数增长, 所以只适用于小规模的银行系统或包含少量同质子组合的系统。

二、结论与展望

金融危机后系统性风险成为新的研究热点, 在认识和度量上都有了更加丰富和深入的研究。通过梳理文献可以发现:第一, 对系统性风险的定义虽然没有达成一致, 但定义有一定的共通之处, 那就是一个触发事件引起了具有外部性的坏的结果。第二, 系统性风险的发生具有复杂性和多样性, 尤其是随着新的金融产品的出现, 触发原因也在不断变化。目前的研究较少的分析系统性风险的影响因素, 较多的关注于银行破产对金融系统的影响。对影响因素的分析较多的集中于国内宏观经济指标和银行系统内部风险传染, 较少考虑国外经济和金融波动的影响。第三, 目前关于系统性风险度量方法的研究十分丰富, 且不断深入, 尤其是关于银行的倒闭对金融系统以及全球经济造成影响的衡量。但目前国内研究讨论的热点集中于国内系统性重要金融机构的识别, 对如何预测系统性风险的研究较少。

综上所述, 关于系统性风险的研究, 首先由于系统性风险随着金融市场的不断发展, 它的触发原因是在不断变化中的, 如现在互联网金融的出现对银行业流动性产生的影响, 也有可能触发传统商业银行的系统性风险, 所以研究者需要用更加广泛的视角全面的看待系统性风险。其次, 我国银行业在不断走向国际, 继中国银行后, 工商银行也被纳入全球系统重要性银行, 这就使得我们在研究银行业系统性风险时, 不得不考虑国际金融市场波动的影响。最后, 由于我国金融市场的特殊性, 市场数据的可得性和连续性不够, 国外的模型如何运用到金融实践和监管中还需要进一步的研究。

参考文献

[1]吴卫星, 张琳琬, 颜建晔.金融系统风险的成因、传导机制和度量:一个综述[J].国际商务:对外经济贸易大学学报, 2014, (1) :34-42.

[2]胡海峰.后金融危机时代系统性风险及其测度评述[J].经济学动态, 2012, (4) :41-46.

[3]范小云, 王道平, 方意.我国金融机构的系统性风险贡献测度与监管——基于边际风险贡献与杠杆率的研究[J].南开经济研究, 2011, (4) :3-20.

[4]Adrian, Tobias and Markus Brunnermeier[R].Co Va R, Working Paper, Federal Reserve Bank of New York, 2009.

风险度量研究 篇10

1. GARCH类模型

在广义自回归条件异方差模型简称GARCH模型中, 同时考虑条件均值和条件方差两个设定。

在标准化的GARCH (p, q) 模型中:

为了保证GARCH过程的平稳性, 要求 。

通常, 运用最广泛的是GARCH (1, 1) 模型, 能够描述许多金融时间序列的条件异方差问题:

在金融应用中, 人们通常认为金融资产的收益应当与其风险成正比, 即风险越大, 预期收益越高, 所以将条件方差 (标准差) 作为外生变量或前定变量引入到均值方程中, 得到:

被称为GARCH-M模型

在现实中, 金融时间序列的波动通常呈现出一种非对称性特征, EGARCH和PARCH模型可以反映这种非对称效应。EGARCH (1, 1) 模型的条件方差变为:

这样, 非对称效应就是指数形式而非二次型的, 所以条件方差预测值一定是非负的。杠杆效应的存在能够通过 的假设得到检验。只要 , 冲击的影响就存在非对称性。

PARCH (1, 1) 模型的条件方差方程形式为:

其中, , 参数 用来捕捉非对称效应, 只要 , 非对称效应就会出现;标准差的幂参数δ用来评价冲击对条件方差的影响幅度。

2. Va R值的风险度量分析

鉴于金融资产波动的非对称性, 资产持有者的多头头寸和空头头寸具有明显不同的Va R值, 需要分别考虑左右尾部情况。

采用的多头头寸的Va R值为:

而空头头寸的Va R值为:

其中α为给定的显著性水平, 分别为模型中rt的条件均值和条件方差的向前1步预测值, 分别为εt分布的左尾和右尾α分位数。

二、实证分析

1. 样本数据的选取及说明

从五种外汇汇率的相关性 (见表2-1) 可知外汇资产持有者可通过构造合适的资产组合达到有效降低汇率风险的目的。

由于外汇汇率序列常常用一种特殊的单位根过程——随机游动模型描述, 所以对原数据进行对数处理, 生成各汇率数据的对数序列。

2. GARCH类模型的选择与估计

在IGARCH (1, 1) 、IGARCH-M (1, 1) 、GARCH (1, 1) 、GARCH-M (1, 1) 、EGARCH (1, 1) 、EGARCH-M (1, 1) 、PARCH (1, 1) 、PARCH-M (1, 1) 等备选模型中, 同时兼顾模型参数的显著性、修正后的R2、对数自然值、AIC值、SC值优选适合五种序列的模型, 结果如表2-2。

运用Eviews5.0软件分析上述优选模型, 在三种不同分布假设下对相应的汇率对数序列进行拟合分析, 如下表所示:

注:D.F.为t-分布的自由度, γ为g-分布的尾部参数, 括号内为Z统计量 (下同)

从上表中各模型的估计结果来看, 各模型的参数均在5%的显著性水平下显著, 所以各模型的拟合效果较好。进一步对各模型的残差分别做异方差效应的LM检验, 发现条件异方差现象均得到有效消除, 所以上述各模型均能够较好地反映相应外汇汇率对数序列的异方差现象, 进而准确地估计其波动特性。

3. Va R值的估计结果

接下来运用Va R计算方法对汇率的风险价值进行分析。首先运用Eviews5.0求取公式 (2.2.1) (2.2.2) 确定的优选模型的条件均值和条件方差的向前1步预测值 , 并计算各汇率对数序列的Va R上下限。所选样本区间内实际损失超过Va R上限的为多头失败天数, 超过Va R下限的为空头失败天数, 并分别求出失败率。下表为不同模型、不同置信水平下的结算结果。

比较不同分布下的同种模型的Va R值和失败率, 尽管其大小有差异, 但是趋势相同, 现象相同。对于美元/人民币汇率、港币/人民币汇率来说, 其风险主要来自于多头市场, 空头头寸几乎都落在区间之内, 因此, 投资者如选择美元和港币作为投资对象时, 应当特别注意其升值带来的风险。相反的, 英镑和日元的汇率风险更多的反映在空头市场, 多头市场大多比较稳定, 投资者要关注其货币的贬值。欧元汇率无论是空头头寸还是多头头寸, 失败率都很高, 说明有其波动较大, 并且波动因素不在我们的控制和预期之内, 投资者应当谨慎选择。

参考文献

[1]王德全:外汇风险度量研究——基于GARCH类模型及VaR方法, 南方金融, 2009 (08)

[2]韦艳华张世英:多元Copula-GARCH模型及其在金融风险分析上的应用, 数理统计与管理, 2007, (03)

风险度量研究 篇11

关键词 马尔科夫链蒙特卡洛模拟；贝叶斯估计；改进广义帕累托分布；地质灾害

中图分类号 O213.2 文献标识码 A

The MGPD Model Based on MCMC Simulation

and Its Application in Geological Disaster Risk Measure

OUYANG Difei1，YANG Yang1， GAN Liu2， LI Yingqiu1

（1.School of Mathematics and computing Science， Changsha University of Science

and Technology， Changsha，Hunan 410004，China；

2. School of treasury and finance， Hunan University of Commerce， Changsha， Hunan 410205，China）

Abstract We used Bayesian estimation based on Markov Chain simulation to optimize the meliorated Generalized Pareto Distribution model （MGPD）， and obtained the estimation of the Value at Risk（VaR） and Conditionl Value at Risk（CVaR）. The empirical study and adaptability test of the model were based on geological disasters loss data of Loudi City in Hunan Province. The conclusion shows the optimized model has not only excellent ability in describing the data， but also extensive applicability.

Key words Markov Chain Monte Carlo simulation； Bayesian estimation； meliorated generalized Pareto distribution model； geological disaster

1 引 言

地质灾害是指在地质作用下，地质自然环境恶化，造成人类生命财产损毁或人类赖以生存与发展的资源和环境发生严重破坏的过程或现象.据国土资源部统计，2013年，全国共发生各类地质灾害15403起，造成481人死亡、188人失踪、264人受伤，造成直接经济损失101.5亿元.死亡人数与上年相比，同比增加7.5%.地质灾害风险评估作为一项极具现实意义的重要研究课题和减轻灾害损失的非工程性重要措施，其研究成果已经引起了社会的广泛关注.这其中涉及一系列与统计理论相关的方法，通过对地质灾害风险进行评估及管理来刻画地质灾害风险，对政府及保险机构防范风险、稳定经营、降低破产概率就显得至关重要.

地质灾害风险导致索赔的统计数据数量不多、质量不高，因此在进行风险研究时采用传统的精算方法很难准确预测未来损失和管理风险.极值理论常用于研究随机变量，或一个随机过程的随机性质，最常见的是指在特殊情况下发生极端事件的概率.因此，在分析解决地质灾害风险等随机问题时，极值理论大有用武之地.极值统计中主要有两类模型，一类是区块极值模型（BlockMmaximum Model，简称为BMM），这种模型主要对组最大值建模.另一类是基于广义帕累托（Generalized Pareto）分布的模型（简称GPD模型），它是对观察值中所有超过某一阈值的数据建模.由于GPD模型充分利用了数据中的极值信息，因此针对地质灾害风险导致统计数据数量不多、质量不高的情况，采用GPD模型将更有用[1].

经 济 数 学第 32卷第2期

欧阳迪飞等：基于MCMC模拟的MGPD模型及其在地质灾害风险度量中的应用

以湖南省娄底市地质灾害为例，利用MGPD实证得到了当地的地质灾害损失的在险风险值和条件在险风险值.首先，根据QQ图和经验平均超出函数图对原始数据进行诊断并选取阈值，结果显示样本数据具有厚尾的特征；其次，选择扩展Burr XII分布对这类数据进行描述，并基于MCMC贝叶斯估计确定分布函数中的参数估计值；最后，利用所得到的分布函数检验了模型的适应性以及测算了不同置信水平下的在险风险价值损失、条件在险风险价值损失，并据此说明了研究结论和实际意义.

2 MGPD模型

2.1 扩展Burr XII分布

MGPD模型将所有超出给定充分大阀值的观测值作为观测样本，进而研究观测值的渐进分布.MGPD模型基于扩展Burr XII分布.

4 结 论

首先，MGPD模型能很好地描述地质灾害损失数据，对尾部极值数据的捕获能力较高.其次，基于MCMC模拟的贝叶斯估计对模型的适应性具有较好地改善，能够保证一定程度下的数据波动不会对模型造成明显的干扰.其次，实证得出在99%置信水平下认为未来某一次的地质灾害在险风险损失为197.103万元，显然，为规避巨灾损失，我国势必需要加强对地质灾害的防治与预警力度.

nlc202309031229

地质灾害在中国乃至全世界都是一个无法回避的问题，如何有效地规避地质灾害风险，尽可能的降低地质灾害给国家、政府以及人民带来的影响是一个在很长时间内都需要面对的问题.一方面应该做好地质灾害的预防工作，避免因为相关设施的落后、反应机制的不健全，造成不必要的人员财产损失.另一方面，即在灾害发生之后，如何有效、高效地减轻地质灾害带来的负面影响，于国于民无疑是有重要意义的[10].显然，只有综合考虑这两个方面，才能防患于未然，我国有必要加快地质灾害防治体系的完善，尽可能降低地质灾害给国民经济和人民生活带来的不利影响.

参考文献

[1] 欧阳资生. 地质灾害损失分布拟合与风险度量[J]. 统计研究， 2012， 28（11）： 78-83.

[2] Shao Q， Wong H， Xia J， et al. Models for extremes using the extended threeparameter Burr XII system with application to flood frequency analysis[J]. Hydrological Sciences Journal， 2004， 49（4）： 685-702.

[3] 欧阳资生. 极值估计在金融保险中的应用[M]. 北京：中国经济出版社， 2006： 127-129.

[4] I USTA. Different estimation methods for the parameters of the extended Burr XII distribution[J]. Journal of Applied Statistics， 2013， 40（2）： 397-414.

[5] G MATTHYS， J BEIRLANT. Estimating the extreme value index and high quantiles with exponential regression models[J]. Statistica Sinica， 2003， 13（3）： 853-880.

[6] 刘睿， 詹原瑞， 刘家鹏. 基于贝叶斯MCMC的POT模型——低频高损的操作风险度量[J]. 管理科学， 2007， 20（3）： 76-83.

[7] 李应求， 田琴， 戴志锋. 基于鲁棒均值下半偏差模型的供电公司购电组合策略[J]. 经济数学， 2014， 31（4）： 14-19.

[8] 李应求， 甘柳， 魏民. 一类多险种复合PoissonGeometric过程风险模型研究[J]. 统计与决策， 2010 （7）： 53-55.

[9] 李应求， 刘薇， 陈文锋. 聚类分析视角下地区保险业发展差异研究—基于湖南省各地市的截面数据分析[J]. 时代金融， 2009（1）：117-119.

[10]李应求， 刘朝才， 彭朝晖. 不确定条件下企业的投资规模决策[J]. 运筹学学报， 2008， 12（2）： 121-128.

风险度量研究 篇12

近年,上市公司对外担保行为越来越普遍,涉及的金额越来越大,为企业的发展起到了积极的作用,但其中蕴含的风险也是不容忽视的。截至2007年底,沪深两市共461家上市公司对外提供担保,担保余额总计1008.120亿元,平均2.286亿元/家,其中保证担保所占比例为92.31%。担保违约以及由此引发的诉讼案日益增多,危害金融市场的安全。因此,我们有必要对上市公司担保的违约风险进行度量。

由于我国上市公司在担保行为的选择中,具有明显的保证担保偏好,尤其是连带责任担保,故本文主要探讨的是上市公司连带责任保证担保,下文简称为担保。

对外担保面临的最主要最直接的风险是代偿风险,这实质上是一种信用违约风险。纵观国内外有关文献,直接引入数学模型对企业信用担保风险作定量研究的仍不多见。我国学者对担保风险的定量研究一般从两方面入手:一是研究上市公司对外担保的经济后果,主要包括担保公告的市场反应、担保与公司绩效的关系、担保与财务困境的关系等;二是选取一系列指标,建立担保风险评估体系,碍于数据的可获得性,一般仅限于评价被担保企业的财务风险。如王良健、王颖(2002),何祖玉、韩启华;陈坚(2007)等。鲜有研究以第三方担保人———上市公司为研究对象来度量对外担保的违约风险。

鉴于对外担保是引起相依违约的形式之一,一旦被担保企业违约,担保企业的违约风险势必会受到影响。考虑到风险的可传染性和担保代偿风险实质上是违约风险,本文将从担保方的角度,以相依违约的角度切入,运用违约风险模型,着重研究担保风险发生的概率。

二、模型

1、模型的选择

巴塞尔委员会将信用风险度量模型划分为结构化模型与简约化模型。结构化模型是典型的理论模型,但对突发事件引至的信用风险预测具有局限性;简约化模型便于操作,但缺乏深厚的理论基础,对有些问题的解释力有限。为了更好度量违约风险,国外学者在此基础上发展了混合模型。从方法论的角度来看,混合模型解决了结构化模型和简约化模型之间割裂的问题。它继承了结构模型中的直观、富有经济意义内涵,又保留了简约模型中的经验适合、易处理的优点。混合模型提供了一个不完全信息的分析框架,将关于违约的因果关系与关于违约事件的短期不确定性有机的结合起来,从而使信用预测模型更富有经济意义。

在相依违约的测度方面,由于线性相关系数不能很好地刻画金融市场的相关性,而Copula函数可以捕捉变量间非线性的相关关系,并且具有良好的兼容性与可操作性,本文采用Copula函数测度相依违约。常用的椭球copula族易于仿真,但是隐藏着不真实的违约相依的期限结构且难于分析。而具有普遍意义的阿基米德copula族却没有椭球copula族的上述缺点。我国学者常用阿基米德copula族衡量金融市场的相关性。单国莉等(2005)在文献中对阿基米德copula族中的三种copula,Clayton copula,G um bel copula,Frank copula进行了比较,并用沪深指数作实证研究。分析表明,Frank copula函数最优。司继文,蒙坚玲等(2005)的实证也得到同样的结果,所以本文选取Frank copula函数来测定两公司间的相依违约。

下面把Frank copula函数与混合模型结合起来建立基于相依违约的违约风险度量模型。

假设一个公司的市场总价值为Z,它服从于漂移为无风险利率r和波动率为σ>0的几何布朗运动。那就是Zt=Z0evt,初始值Z0>0。这里Vt=m t+σWt是一个漂移为m=r-21σ2的布朗运动。Wt是标准荠-布朗运动。基于前面的首越时间,历史最小资产Mt分布函数Ψ(t,x)=P[Mt≤x]对于任何x≤0,t<0表示为:

其中Φ是标准正态分布函数。并且,对于所有的x<0,相对于资产过程V的违约阈值假设服从分布函数G(x)=ex,它的概率密度函数是g(x)=ex。

在资产和违约边界的信息不完全的情况下,投资者只能观察到违约,公司i的时间t

现假设有相依违约的公司数n=2(n>2的情况可依此类推),t时刻考虑相依违约的违约概率,用Frank copula表示为

其中C为Frank copula函数。

2、模型的适用性分析

现实中一旦被担保企业违约,担保企业将承担连带责任。若担保企业有能力代偿担保,从银行的角度来说,它的资金仍是安全的;但若担保企业资金紧张,无力代偿,亦将违约,银行便会蒙受损失。且担保违约容易导致对外担保的企业诉讼缠身,陷入财务困境,对企业投资者不利。故仅从单个公司的角度考虑违约风险并不全面。因此,我们需要从相依违约的角度来衡量违约风险。陈睿君(2006)以上市公司交叉持股为例,用实证的方法得出考虑相依违约的违约模型比未考虑相依违约的违约模型对违约风险反应更敏感,更能反应公司实际的违约风险状况。

目前,我国金融市场还不完善,股票市场没有达到弱态有效性。而信息不完全的混合违约风险度量模型放宽了完全信息的假设,相对其他违约风险模型而言,它的应用环境和我国金融市场的现实状况更接近。因此,把copula函数与混合模型结合用来衡量我国上市公司担保违约风险是合适的。

三、应用研究

1、样本选择

本文的研究仅限于被担保方和担保方均为上市公司的担保,研究期为2006年1月2日到2008年12月31日,通过预测累计三年违约概率来度量上市公司担保违约风险。样本选择所考虑的问题和由此设置的条件如下:

(1)要求上市公司对外担保比率(担保比率为担保额与净资产额之比)不小于15%;

(2)如果一个公司同时对多家公司提供大量担保,最终结果可能是受一家公司的影响,也可能是多家公司的共同作用,故在样本中剔除同时对其他公司担保的担保率大于15%的公司;

(3)由于公司间相互作用,为了剔除其他公司对被担保企业的作用,故也剔除同时被两家及两家以上公司担保且担保比率均超过15%的公司;

(4)选择样本时剔除研究期内担保额大幅变动的公司;

(5)担保双方均为非金融类公司;

(6)担保方式为连带责任担保。

基于以上限制条件,选择以下公司作为样本,见表1。

2、参数计算

运用基于相依违约的混合违约度量模型计算上市公司担保的违约概率主要有三步:估算公司价值波动率σ;运用混合模型计算担保企业和被担保企业各自的违约概率;估算相关参数a,运用Frank copula函数测定基于相依违约的上市公司担保的违约概率。主要参数的计算如下:

(1)公司价值波动率σ

本文将公司股票看作关于违约前公司价值的欧式看涨期权。期权的成交价X(t)等于短期债务(t≤1年)。期权的期限为1年。用Black-Scholes公式将股票价格S(t),公司价值V及公司价值波动率σ联系起来。而V(t)、σ均为未知变量,显然不能仅从期权定价公式求解σ,这就还需利用可以观察到的公司股票价格波动率σE与σ之间存在的关系来联立求解:

这里E为公司股权市场价值;N(d)为标准累积正态分布函数;D为公司债务面值。通过以上两个等式,就可得到公司价值波动率σ。

(2)无风险利率

按惯例,用t时刻一年期银行定存整取利率作为一年的无风险利率r。

参数v,m,γ,δ,β均可由γ和σ由根据公式(3)中参数的计算式子推算得到。

(3)相关系数α

Frank copula函数中的参数α可以用非参数法估计得到。

3、基于相依违约的上市公司担保风险测定及结果分析

(1)基于相依违约的上市公司担保风险测定

根据表1,以2005年1月4日到12月30日的股票收盘价计算样本上市公司的股票价格波动率,并根据公式(5)求解出样本公司的价值波动率,如表2所示。

运用参数估计得到三组上市公司的相关系数,可计算出三组公司的肯德尔系数。由表3看出,伊力特和新天国际的相关系数最小,这表明两家公司相关程度小;河池化工和沙隆达A的相关系数最大,表明两家公司相关性最强。

估算出相关系数后,运用Frank copula函数在各上市公司单独违约概率的基础上测定基于相依违约的上市公司担保的违约概率。对2006年1月2日到2008年12月31日三年内三组上市公司担保风险进行了度量,其违约概率如图1所示。

换言之,是运用相依违约的混合风险模型预测了2008年年底的上市公司担保的违约概率,如表4所示,到2008年12月31日,河池化工的三年累计违约概率为18.07%,是违约风险最大的公司;伊力特的三年累计违约概率为4.54%。

(2)结果分析

对比三组上市公司,按相关系数从大到小排序,河池化工和沙隆达的相关系数最大,金健米业和洞庭水殖次之,伊力特和新天国际的最小,故河池化工和沙隆达的相关程度最高。按证监会行业划分标准,河池化工和沙隆达A均属于化学原料及化学制品制造业,两者相关程度高,这与两者的相关系数最大是吻合的;金健米业和洞庭水殖属于相近行业;而伊力特和新天国际属不同行业,前者属于饮料制造业,后者属于商业经纪与代理业,因此可以解释两者的相关系数远小于其他两组。

违约概率是表征公司信用质量的主要指标。因此,可以将公司的违约概率映射到不同的信用等级上,实现对公司的信用评级。巴塞尔委员会根据国际上主要评级机构报告的违约历史数据,对每个信用风险等级推荐了三年期累积违约率长期参考值,如表5所示。

对比图1和表5,伊力特信用等级为BB(Ba)级;河池化工和金健米业信用等级均为B(B)级。

标准普尔评级体系和穆迪评级体系表明:BB(Ba)级债务的违约风险比其他投机级要低一些,不过,商业环境、财务状况或经济情况的变化很可能导致债务人无力承担责任;B(B)级债务的违约风险比BB(Ba)级稍高,不过,从债务人目前的情况来看,它仍有能力承担债务。商业环境、财务状况或经济情况的不利变化会削弱债务人偿债的能力和愿望。

综合公司基本信息来看,河池化工的被担保方沙隆达A是样本公司中财务状况最差的担保方,一旦沙隆达出现违约,河池化工有可能无力承担1亿担保额的连带责任,这与其预测的违约概率最高是一致的。伊力特的被担保企业新天国际是ST公司,是财务状况最差的被担保样本企业。而其担保方伊力特2008年上半年的主营收入和净利润同比大幅增长,资产负债率稳定在20%左右,偿债能力较强,预测的违约概率也是样本公司中最小的。即使新天国际违约,仍有整体实力较强的伊力特承担连带偿还责任,故对债权人银行而言,信贷资金仍有保障,考虑相依违约的上市公司担保的违约风险更能反映信贷资金的安全性。

预测的对外担保违约概率可给债权人银行、投资者和公司管理层规避风险提供参考。

4、敏感性分析

从基于相依违约的上市公司担保风险度量模型看出,无风险利率、波动率和相关系数等因素均能影响违约概率。

(1)波动率对担保违约风险度量的影响

假定在其他条件不变的情况下,仅改变担保方公司的价值波动率,运用基于相依违约的混合模型计算出的样本公司累计三年违约概率如表6所示。

可见,随着担保方公司价值波动率σ从0.1向0.5逐渐增大,基于相依违约的违约概率也在逐步增大,但增大的幅度越来越小。说明公司价值波动率对违约概率有较大影响。

(2)无风险利率变化对担保违约风险度量的影响

无风险利率是影响违约概率变化的一个重要因素。沿用惯例,用一年期银行定存整取利率作为无风险利率。回顾近十年来的一年期银行定存整取利率变化,发现其最高不高于10%,最低在2%左右。故选择的无风险利率变化范围在0.02到0.1之间。假定在其他条件不变的情况下,计算各公司累计三年违约概率,如表7。

表7表明:随着无风险利率值增大,违约概率逐渐减小。直观地说利率越高对债务人而言越有利,较高的利率表示债务人未来的债务现值较低,故债务人违约的机率较低。

(3)公司间相依违约变化对担保违约风险度量的影响

由于copula中表示相依结构的α的变化范围是(-∞+∞),在这个范围内,相依性的变化不易于直接表示,但肯德尔τ相关系数可由copula唯一决定,而且不影响非线性相关的表达。根据copula和肯德尔τ之间的转换关系,改变肯德尔τ来改变copula中的α值,计算不同的肯德尔τ时各样本公司考虑相依违约的累计三年违约概率如表8和表9。

表8表明,当肯德尔τ为正时,随着τ从0.005逐渐向0.95增大的过程中,各公司违约概率也在稳步上升。

表9表明,当其他条件相同时,正的相依违约的违约概率大于负的相依违约的违约概率。且负相依违约下,随着τ从-0.005逐渐向-0.5减小时,违约概率也在不断减小。

以上结果和传统的风险分散理念相符合。当因担保相连的两家企业所处行业相差很大时,肯德尔系数可能很小或为负数,使信贷资金的违约风险减小。

四、结论

本文运用基于copula函数的混合违约风险度量模型能很好的预测上市公司对外担保的违约概率,并可用于上市公司信用评级。敏感性分析表明:违约概率随着波动率增大而增大,但增加的幅度越来越小;违约概率随着无风险利率的增大而减小;违约概率随着相关系数减小而降低,且正相依违约下的违约概率大于负相依违约下的违约概率。

摘要：本文运用基于相依违约的混合模型度量上市公司担保风险,并进行了实证研究。结果表明:此模型能很好的预测上市公司对外担保的违约概率,可对上市公司信用进行评级;在敏感性分析中,违约概率对波动率、无风险利率和相依结构比较敏感,这能为风险管理提供一定的参考。

关键词：担保风险,上市公司,相依违约,Copula,混合模型

参考文献

[1]王良健,王颖.担保风险评估指标体系及评估模型研究[J].统计与决策.2002.3:10~11

[2]何祖玉,韩启华,梅强,王华伟.信用担保风险的模糊综合评审研究[J].运筹与管理,2002,11(5):71~76

[3]陈坚.信用担保风险分担机制研究[D].长沙:中南大学.2007

[4]单国莉,陈东峰.一种确定最优copula的方法及应用[J].山东大学学报(理学版),2005,40(4):66~76

[5]司继文,蒙坚玲,龚朴.国内外股票市场相关性的copula分析[J].华中科技大学学报(自然科学版),2005,33(1):114~116

[6]Giesecke,K.,and Goldberg,L.,Sequential defaults andincomplete information[J].Journal of Risk.2004,7:1~26