VaR理论

VaR理论（共7篇）

VaR理论 篇1

一、引言

随着近些年来金融市场的迅猛发展, 尤其是这两年股票市场的火爆, 使得金融机构面临的主要风险已从信用风险转向了市场风险。VaR (Value at risk) 产生的根源在于20世纪90年代初发生的一系列重大金融灾难 (如巴林银行倒闭、美国加州澄县的财政破产等金融事件) , 这些事件的共同教训是对金融风险的监管不力所导致的灾难, 同时也使人们进一步认识到传统的风险管理案发已无法准确地定义和度量新形势下的金融风险。VaR理论正是在这样的一种背景下由.T.P.Morgau在1994年提出的, 由于VaR方法能简单清晰地表示市场风险的大小, 并以系统的概率统计理论作为依托, 因而得到了国际金融界的认可并在实际中得到广泛应用。

二、VaR的基本原理

1、VaR的定义

VaR (Value at Risk) 按顾名思义, 就是“处在风险中的价值”, 其含义指:市场正常波动下, 某一金融资产或证券组合的最大可能损失。更为确切的是指, 在一定概率水平 (置信度) 下, 某一金融资产或证券组合价值在未来特定时期内的最大可能损失。用公式表示为:

Prob (△P﹥VaR) =1-α

其中Prob为资产价值损失小于可能损失上限的概率;△P为某一金融资产在一定持有期△t的价值损失额;VaR为置信水平下α的风险价值;α为给定的概率——置信水平。

如果收益率是服从正态分布的, 那么可以简化VaR的计算, 在标准正态分布下, Zα为相应置信水平下α的分位数, 用δ表示收益率r的标准差, 则最小回报率r*可表示为:r*=Zαδ+μ, 假设参数d, m都是同一天时间间隔上计算出来的, 则时间间隔为△t的相对VaR=VοZαδ

2、VaR的计算方法

目前, 估计组合风险因子收益分布的方法主要有三种, 分别为历史模拟法 (Historical Simulation Method) 、蒙特卡罗模拟法 (Monte Carlo Simulation) 和方差——协方差法 (Variance——Covariance Approach) 。除了几种常用的计算VaR值的方法之外, 还有一些参数或非参数甚至是半参数的方法, 如现在较流行的以“极值统计理论”计算VaR值的方法。

方差——协方差方法是VaR计算中最为常用的方法, 是参数法的一种。它假定风险因子收益的变化服从特定的分布 (通常是正态分布) , 然后通过历史数据分析和估计该风险因子收益分布的参数值, 如方差、相关系数等, 再通过估计出的参数值得出在给定置信水下整个投资组合的VaR值。计算公式的基本形式为:

其中α为资产收益率的标准差, Zα为置信水平α的分位数, T表示持有期。例如当我们使用日收益率方差来计算10天期的VaR时, Dt=10。

三、用VaR对中国股票市场风险的实证分析

本文以上海证券综合指数作为研究对象, 来揭示中国股票市场的市场风险状况。通过对VaR方法主要计算模型的分析, 我们知道上证综合指数变动的实际分布状态, 将直接影响我们对VaR计算模型的选择及VaR计算的准确性, 因此我们首先要计算上证指数日变动数的实际分布情况。本文选用的数据通过大智慧股票分析软件输出exce数据功能得到, 选取了上证指数从1995年1月3日至2008年12月12日共3267个交易日的实际指数, 总共产生3267个样本值。收益率是采用对数一阶差分形式, 即设第t日的收益率Rt=ln (Pt/Pt-1) , Pt是t日上证指数的收盘价, 以下模型中的参数估计均是用Eviews5.0统计软件实现的。

上证综合指数对数日收益率的平稳性检验

上图为上证综指对数日收益率的时间序列散点图, 通过图可以直观的看出日收益率是一条是围绕其平均值上下波动的曲线, 因此初步判断日收益率是平稳的时间序列。

另外还采用了ADF方法来检验时间序列的平稳性, 最后通过eveiws5得到的ADF统计值为-56.35113, 远远小于显著性水平1%、5%、10%下的临界值, 因此拒绝存在单位根的零假设, 表明收益率序列是平稳的, 可以进行下一步分析。

2、上证综合指数对数日收益率的描述性统计数据

通过上面的描述性统计数据我们可以看出, 日收益率的偏度为-5.05, 小于0, 峰度为156.39, 显著大于3, 说明日收益率分布为偏态分布, 具有尖峰厚尾状的特征。JB统计量也远大于任意水平下的自由度为2的卡方检验的临界值, 说明收益率序列显著异于正态分布。另外DW值为1.96极为接近2, 这也说明了日收益率的自相关很弱。

3、上证综合指数的VaR计算结果及分析

(1) GARCH模型

根据以上分析, 上证指数对数日收益率为平稳序列, 且不存在自相关, 所以收益方程为一般均值回归方程。建立GARCH类模型之前, 用AIC与SC信息准则, 经反复试算, 判断滞后阶数 (p, q) 为 (1, 1) 比较合适, 所以以下模型均为GARCH (1, 1) 类模型。所以, 上证指数VaR的GARCH (1, 1) 模型如下:

收益方程为:r=a+μt, 其中a是日收益率的无条件期望值, μt是残差。

GARCH (1, 1) 方程为:σt2=ω+αμ2t-1+βσ2t-1

(2) GARCH模型回归的计算结果

由图4-4的回归结果可以看出, GARCH模型为

回归的对数似然统计量很大, 表明模型能够比较好的描述收益波动的时间相关性, 参数基本上都通过了t检验。

(3) 计算VaR

由回归得到的参数估计值, 根据前面GARCH模型中的方程计算条件方差, 从而得到时变的标准差。并通过VaR=Zαδ计算VaR值, 另外在正态分布下, 置信水平95%对应的分位数是1.645, 置信水平99%对应的分位数为2.327。

(4) 后验测试

后验测试是检验VaR模型的计算结果对实际损失的覆盖程度, 本文选取了全部3267个交易日内的VaR值同实际的收益率R进行对比, 计算出溢出天数E, 并计算溢出率e, 并将e值同显著性水平进行比较, 来判定模型的准确性。

由后验测试结果可以看出, 在5%的显著性水平下, 溢出率e<5%, 表明模型的预测结果覆盖了实际的损失, 在95%的置信水平下模型是有效的;在1%的显著性水平下, 溢出率e>1%, 表明模型略微低估了风险。总的来说, GARCH模型计算出来VaR值拟合程度还是较好的, 达到了我们研究的目的。

五、结论与建议

本文用GARCH (1, 1) 模型计算了上证综合指数日对数收益率的VaR值, 通过把上证综合指数看作是只有系统风险的市场组合, 探讨了股票收益与风险波动变化的动态关系, 在一定的假设分布前提下计算出VaR值。从最后的测试结果我们可以看出, 在95%的置信水平下, GARCH (1, 1) 模型能够较好适用于中国股票市场风险的度量。

参考文献

[1]张净.VaR方法的应用比较以及相关的实证分析[M].江苏大学, 2002.

[2]曹建美.VaR方法在中国股票市场风险度量中的应用[M].东北财经大学, 2007.

[3]周俊玲, 黄小荣.证券投资市场风险的VaR方法实证分析[J].财经界, 2007, (03) .

[4]肖春来, 宋然.VaR理论及其应用研究[J].数理统计与管理, 2003, (22) .

VaR理论 篇2

本文选取香港上市的汇丰控股数据,采用POT方法做实证分析,对序列取门限值(Threshold),对超过门限的样本数据进行建模,极限点渐进分布服从GPD分布。

1 在险价值(VaR)[2]

假设在时间指标t,我们感兴趣的是接下来的l段中一个金融头寸的风险,令ΔV(l)表示金融头寸中,从时刻t到t+l资产价值的变化,这是一个随机变量,用Fl(x)表示ΔV(l)的积累分布函数(CDF),定义一个多头头寸在持有期l中的概率为p的VaR为:

对于任意一元的Fl(x)与概率p,满足0

2 极值理论简介[3]

2.1 Fisher-Tippett理论

Fisher-Tippett理论是极值理论的核心,它给出了样本最大值的渐近分布。令x1,x2…xn是一列独立同分布的随机变量,x(n)=max(x1,x2…xn),寻找两个序列{βn},{αn},满足x(*n)=(x(n)-βn)/αn的分布当n趋于无穷时收敛到一个非退化分布。则x(*n)的极限分部为:

其中β>0,1+ξx>0,ξ称为形状参数。当ξ>0时,即为Frechet分布,它具有厚尾性。当ξ<0时,即为Weibull分布;当ξ=0时,为Gumbel分布。FisherTippett理论表明,无论样本服从的分布如何,其最大值的渐近分布必属以上三种之一。

2.2. 广义Pareto分布

给定一个高门限μ,讨论超越量x-μ的分布,记为:

利用式(2),可以得到式(3)的渐近分布,称为广义Pareto分布(GPD),当门限取足够大时,Fμ(y)趋近于GPD,如下:

式(4)中,ξ为形状参数。

3 基于极值理论的POT方法[4]

3.1 POT方法参数估计和分位数确定

由式(3),可得:

当X>μ时,可以记为x=y+μ,式(5)即:

对于门限μ,没有超过μ的概率分布可以用样本经验分本来拟合,,其中Nμ表示样本中超过门限μ的数目,n表示样本容量。表示超越率。代入式(6),可得

参数ξ,β可以通过最大化这个似然函数的对数求得。

给定概率q>F(q),尾端分位数xq∧可被估计为:

这即为VaR。

4 基于极值理论POT方法的实证分析[5]

4.1 数据平稳化处理

选取汇丰控股2008年12月03日至2010年02月22日的日交易收盘价,用ln Pi+1-ln Pi表示对数收益率,Pi,Pi+1分别表示t交易日和t+1交易日的收盘价,将这些数据扩大100倍,即变换成(ln Pi+1-ln Pi)×100,完成数据平稳化处理。

4.2 门限(阈)选取及参数确定

从平均超限图中可以看到,在阈值u>3.5的一个范围内是近似线性的,所以选取3.5为阈值。同时根据Loretan和Philips[6](1994)的建议,超限点的数目一般不要超过样本长度的10%。以3.5作为阈值,有30个数据超过该阈值,本数据样本数为300,刚好达到10%。

在u=-1到u=6之间均匀地选取100个值分别作为阈值,用GPD估计得到100组参数值(∧σ,∧ζ),结果如图2所示。可以看到选取u=3.5作为阈值是合理的。

图2在不同阈值下,GPD模型参数(σ,ζ)的极大似然估计及相应的95%置信区间如下:

σ的极大似然估计为1.97,95%置信区间=[0.866 677 3,3.082 366]。

ζ的极大似然估计为0.14,置信区间=[-0.291 027 6,0.579 439 4]。

利用估计结果,我们可以进一步作出广义Pareto分布的诊断图。

4.3 模型检验

从图3的结果可以看出利用GPD模型拟合这组汇丰控股数据的尾部基本上是合适的。上图的重现水平图就是不同置信度(通过适当的变换)的VaR。重现水平的置信区间说明数据与模型的偏离不大,因为经验重现水平在估计的重现水平的95%置信区间内。

在α=0.05时,VaR的估计值为12.08。

5 小结

以极值理论为基础的POT方法可以准确描述金融时间序列的尾部特征,避免了整体拟合失真而导致对风险值的过高或过低估计现象,同时,很好地处理了时间序列的厚尾性。

参考文献

[1] 朱庆国,张维,长小薇,等.极值理论应用研究进展评析.系统工程学报,2001;16(1):72—77

[2] Tsay R S. 金融时间序列分析.北京:机械工业出版社,2006;4:201—203

[3] Gencay R, Selcuk F.EVIM:a software package for extreme value analysis in MATLAB. Studies in Nonlinear Dynamics and Econometrics, 2001;5(3):213—239

[4] Coles S.极值统计建模导论.世界图书出版社.2008;1:20—93

[5] 薛毅,陈立萍.统计建模与R软件.清华大学出版社.2007:20—90

VaR理论 篇3

目前理论界对股指期货的研究逐渐从股指期货市场与现货市场的联动关系研究、推出股指期货的可行性必要性研究转到了具体的风险控制层面上, 近期研究集中于预测分析。本文试图通过对香港恒生股指期货的实证分析来对股指期货风险进行有效测量, 从而为日后我国股指期货的风险控制提供一些定量计算的策略。

二、模型介绍及实证分析

1. 数据选取和研究方法:

本文选取香港恒生股指期货每日收盘价格作为样本数据。为了便于建立模型和预测将数据分为两部分:第一部分为1992年4月1日—2006年4月3日, 该部分数据用于建立模型, 然后预测出2006年4月4日—2008年11月28日的置信水平为5%的每日VAR值;第二部分数据范围为2006年4月4日—2008年11月28日, 通过“失败率”法来检验预测的精度。扣除节假日共有4184个数据。这里为了研究的方便对数据作了处理, 这里用:

(pt+1表示t+1期的收盘价格, pt表示t期的收盘价格)

2. 模型的建立

(1) 利用Eviews软件将第一部分数据转化成收益率数据并进行正态性检验, 从数据处理结果可以看出股指期货每日收益率时间序列的Skewness为0.744144大于0而Kurtosis为17.61763大于3, 很明显不服从正态分布。

(2) A R C H效应的检验

序列是否存在A R C H效应, 最常用的方法是拉格朗日乘数法, 即L M检验。检验的最终结果如下:

通过表格第二行可以看出LM统计量Obs*R-squared值为746.4 8 7, 伴随概率为0, 小于显著显著性水平0.0 5, 所以否定原假设, 即残差序列A R C H (1) 效应明显存在。

(3) 模型的参数估计

方程 (*) 和 (**) 分别是rt的均值和波动率方程。当参数求出时, 可以用上面两个方程得到的条件均值与条件方差的1步向前预测具体地我们有

如果进一步假定εt是高斯的, 则给定t时刻可得信息的条件下, rt+1的条件分布是, , 从而用Va R计算的这个条件分布的分位数可以很容ε易得到, 置信水平为5%的分位数为

(4) 实证分析结果

一步向前预测为:

通过上面的一步向前预测公式可以计算出从2006年4月4日至2008年11月28日 (除去节假日共有654个观测值) 的每日VAR值。从中我们可以看到每日股指期货价格的收益率超过V A R值的天数为4 6 4天, 因此利用“失败率”法很容易算出预测的准确度为29%。

(5) 结果分析

从上面的结论可以看出, 运用利用基于V A R理论的A R M A (1, 1) —GARCH (1, 1) 法对香港恒生股指期货风险的预测效果不是太理想预测的精度只有29%, 产生这种问题的根源主要有以下几点:

一、模型中的主方程引入的变量太少, 只考虑了股指期货价格滞后一期的收益率, 加之数据时间跨度比较长, 变量的解释能力也不尽如人意。

二、可能还有其他的宏观经济变量没有考虑进去, 比如政策变量、现货价格指数、基差等这也是模型需要继续改进的地方。

虽然模型的预测精度不是太高, 但它为股指期货的风险预测提供了一种简便可行的方法, 从而为我国推出股指期货后的风险控制提供了一种定量计算的策略。

参考文献

[1]Duffie D, Pan J.An overview of Value-at-Risk.The Journal of Derivatives.1997, (3) :7～49

[2]Stephen Figlewski.Hedging Performance and Basis Risk in Stock Index Futures.The Journal of Finance.1984, (36) :657～669

浅议VaR方法及其应用 篇4

关键词：风险价值,置信度,风险矩阵,VaR方法

一、Va R方法的背景及定义

1. Va R产生的背景。

近年来, 金融风险的危害在逐步加大, 人们对金融风险的认识也越来越深入。在金融市场价格比较稳定的背景下, 人们更多地注意的是金融市场的信用风险, 而几乎不考虑市场风险的因素。然而, 自20世纪70年代初布雷顿森林体系崩溃以来, 浮动汇率制下汇率、利率等金融产品价格的变动日益趋向频繁和无序, 20世纪80年代后金融创新及信息技术日新月异的发展, 世界各国金融自由化的潮流使金融市场的波动更加剧烈。当金融衍生工具越来越多地被用于投机而不是保值的目的时, 出于规避风险的需要而产生的金融衍生工具本身也就孕育着极大的风险。于是, 如何有效地控制金融市场尤其是金融衍生工具市场的市场风险, 就成为各种拥有金融资产的机构所面临的亟待解决的问题。Va R法就是在这样的背景下出现的。

2. Va R的定义。

G30, J.P.Morgan提出的Va R风险控制模型在1995年世界银行巴塞尔委员会上被认可采纳之后广泛应用于国外金融机构的风险管理中。Va R即Value at Risk的简称, 译为“风险价值”。某种资产或投资组合的Va R是如下定义的:在一段时间内, 该项资产的价值损失 (可以是绝对值, 也可以是相对值) 不超过Va R的概率必须等于预先确定的值 (即统计学上的置信度) 。用公式表示为:

P (X

二、Va R的优点和局限性

1. Va R的优点。

首先, Va R可以用来简单明了的表示市场风险的大小, 单位是美元或其他货币, 没有任何专业背景的投资者和管理者都可以通过Va R值对金融风险进行评判。再次, 它可以事前计算风险, 不像以往风险管理的方法都是在事后衡量风险大小。因此, 有关高级管理人员事后就少了一个申辩自己不了解风险大小的理由, 得到了监管部门的青睐。最后, 它不仅能计算单个金融工具的风险, 还能计算由多个金融工具组成的投资组合风险, 这是传统金融风险管理所不能做到的。

2. Va R的局限性。

(1) Va R模型着重从分析过去来预测将来, 但是, 市场风险因素过去的变化并不总能精确的预测一个交易组合将来的变化。1998年著名的对冲基金长期资本管理公司出现巨额亏损濒临破产, 就是因为市场波动出现了大幅偏离以往经验值的状况。 (2) 难以精确的模拟所有交易组合的市场风险因素。 (3) 公开的Va R值反映过去的交易头寸, 而将来的风险取决于将来的头寸。 (4) Va R模型若使用一天作为时间基准, 不能准确捕捉到那些无法在一天内清算或规避的头寸的市场风险。 (5) 亚洲金融危机还提醒投资者:Va R法并不能预测到投资组合的确切损失程度, 也无法捕捉到市场风险与信用风险之间的关系。

三、Va R方法的应用领域

目前, Va R方法广泛应用于信息披露、资源分配、绩效评价、金融监管等各种不同的目的。非金融类公司和资产管理者可以利用Va R控制金融风险, 而对于需要集中控制风险的机构, Va R方法更是一种有效的工具。Va R的主要应用领域如下:

1. 内部风险管理与控制。

目前国外已有很多银行、保险公司、投资基金、养老金基金及非金融公司采用Va R方法作为金融衍生工具风险管理的手段。利用Va R方法进行风险控制, 可以使每个交易员或交易单位都能确切地明了他们在进行有多大风险的金融交易, 并可以为每个交易员或交易单位设置Va R限额, 以防止过度投机行为的出现。如果推行严格的Va R管理, 一些金融交易的重大亏损也许就可以完全避免。

2. 业绩评估与资源分配。

Va R方法作为绩效评估工具, 既可用来评估交易员的投资绩效, 也可用来评估模型绩效和针对不同的投资领域进行绩效评估。如果用于不同投资领域的绩效评估, 它可以帮助我们决定将有限的资本资源配置在哪些方面, 这样Va R系统就可为公司提供一种竞争优势, 即适时改变战略, 重点发展那些经Va R值调整后收益值增加的部门。

3. 金融监管。

鉴于其在国家经济中的重要地位, 金融机构的监管一直以来就是一个热门话题。目前国际比较流行的以“资本充足性”为基础的监管框架, 简单明了, 标准一致, 管理上较为方便, 适用于大小不同的金融机构。但是, 以Va R为基础的金融监管模型近年来引起了诸多监管部门的注意。Va R模型比较适合金融机构本身的风险管理要求, 它的缺点是模式比较复杂, 成本高, 且只能计算市场风险部分, 同时, 如果金融机构计算Va R的动机, 不在于风险控制而在于降低资本需求, 对于经营不善的券商反而会加重其经营危机;Va R模式要求主观机关需逐一审查券商所使用的模式及所设定的置信区间, 管理上有一定难度。

4. 信息披露。

市场风险的定量性披露有助于整个金融系统的稳定, 所以目前金融市场上信息的披露业就越来越重要了, Va R顺应了以盯市报告 (mark to market) 为基础的信息充分披露这一现代趋势。Va R方法将多维风险以一个简单的一维数值来表示, 简单明了, 如果成为能够提供有意义的信息的披露工具, 将会大大增加金融机构操作的透明程度, 投资者、存款人、贷款人及交易双方就可以对金融机构施加强大的纪律约束, 促进他们以谨慎的态度管理交易行为。

5. 非金融类公司。

由于现在企业实施跨国经营和多元化经营的现象比比皆是, 它们往往持有多种资产以分散风险, 因此, 非金融机构所受的威胁丝毫不逊于金融机构, 以一家跨国经营石油开采和冶炼的企业为例, 公司的风险将来自于利率、汇率、石油及天然气的价格变化等等。

四、小结

随着社会主义市场经济体制下的金融市场的建立和完善, 金融市场上的行政干预会逐步让位于市场调节, 市场风险的重用性也会日益突出。将Va R法引入中国, 不仅能够为金融机构和投资人提供一种行之有效的市场风险管理工具, 也能够为中央银行、证监会等金融监管部门提供一个风险管理的标准。

另外, 中国经济国际化程度正逐步提高, 中国在境外上市的公司不可避免地被要求执行国际风险管理标准, 把Va R法引入中国的金融风险管理领域, 对于中国的金融市场建设也有重大的现实意义。

参考文献

[1]杜海涛.VaR模型在证券风险管理中的应用[J].证券市场导报, 2000, (8) :57-61.

[2]秦拯, 邹建军.VaR模型在金融领域的应用分析[J].长沙电力学院学报, 2002, (3) :47-49.

[3]王春峰, 万海晖, 张维.金融市场风险测量模型—VaR[J].系统工程学报, 2000, (1) :67-75.

[4]张维然, 田常浩.VaR模型及其在国际银行风险管理中的应用[J].技术经济与管理研究, 2001, (4) :41-42.

[5]张国良.VaR及其基本原理[J].沈阳航空工业学院学报, 2001, (3) :82-84.

[6]陈之楚, 王永霞.金融市场风险之测定工具—VaR法的原理及应用[J].现代财经, 2001, (7) :15-20.

浅议VAR方法的应用 篇5

关键词：VAR方法,优缺点,应用

0 引言

当今世界是一个金融趋于自由化的世界, 金融自由化的趋势导致了金融市场上剧烈的波动, 使人们更加关注金融市场风险, 尤其此次金融危机更把金融机构的风险管理提到了前所未有的高度上来, 其中风险的计量是一个重点, 而VAR方法就应用于风险的计量。

1 VAR的计算方法

VAR是指在正常情况下, 一定时期内, 一定的置信水平下, 某种资产组合面临的最大损失不会超过VAR的值。P (△w>VAR) =1-α, 其中, △w为证券组合在持有期内的损失, VAR为置信水平下处于风险中的价值, VAR有两个重要参数:资产组合的持有期和置信水平。这两个参数对VAR的计算及应用都起着重要的作用。

2 VAR的应用

目前, VAR方法广泛应用于金融机构内部, 如内部风险管理与控制、业绩评估与资源分配以及外部关于金融机构的风险测量;一些金融监管和信息披露, 甚至一些非金融类公司和资产管理者也可以利用;VAR方法可以控制自身公司所涉及到的一些相关金融风险。具体来讲, VAR的主要应用领域如下:

1) 内部应用:内部风险管理与控制、业绩评估与资源分配。目前, 国外已有商业银行、保险公司采用VAR方法作为金融衍生工具风险管理的手段。金融类公司利用VAR方法进行风险控制, 可使每个交易员或交易单位都能了解交易头寸的风险价值, 并可为每个交易员或交易单位设置VAR限额, 以防止过度投机行为, 很多先进的银行采用非常严格的VAR管理, 比如采取前台、中台和后台分离的风险管理机制, 前台业务中交易员实时了解交易头寸的风险价值;中台风险管理对前台交易风险进行综合性测量;后台主要工作是风险资本限额的确定、分配和调整, 风险调整的绩效评估, 基于风险的投资决策, 这样严格的风险管理基本可使金融交易的重大亏损被完全避免。另外, 对于非金融类公司, 它们往往持有很多金融资产, 这样金融风险也可能影响这些公司, 也需要应用VAR方法控制相关的金融资产的风险。此外, VAR方法作为绩效评估工具, 有助于资源配置的决定, VAR系统可为公司提供一种竞争优势, 即适时改变战略, 重点发展那些经VAR值调整后收益值增加的部门。目前, 国际上流行使用一种叫做风险调整资本收益率方法 (Risk Adjusted Return on Capital, 简称RAROC) 来进行业绩评估。RAROC是资本收益与当期资本VAR值的比值。使用这种方法进行绩效评估的银行在对其资金使用进行决策的时候, 不是以盈利的绝对水平作为评判基础, 而是以该资金投资风险基础上的盈利贴现值作为依据, 如果交易员从事高风险的投资项目, 那么即使利润再高, 由于VAR值较高, RAROC值也不会很高, 其业绩评价也就不会很高。RAROC方法用于业绩评估, 可以较真实地反映交易人员的经营业绩, 并对其过度投机行为进行限制, 有助于避免大额亏损现象的发生, 这种经过改进的VAR应用方法更适用于业绩评估与资源分配。

2) 外部应用:金融监管和信息披露。金融机构的监管一直以来就是一个热门话题, 09的国际金融危机之后更是尤其如此, 目前, 国际比较流行的是以巴塞尔委员会提出的“资本充足性”为基础的监管框架, 简单明了, 标准一致, 管理上较为方便, 适用于大小不同的金融机构, 但是, 以VAR为基础的金融监管模型近年来也成为研究的一个热点, VAR模型比较适合金融机构本身的风险管理要求, 只是由于管理的难度在实际生活中应用得还很少。此外, VAR方法能够计算出风险价值的数值, 很适用于披露金融机构面临的风险状况, 大大增加了金融机构操作的透明程度, 投资者、借款人、贷款人及交易双方能非常直接的了解金融机构的风险状况。

3 VAR在实际应用中的缺陷

虽然VAR方法在风险计量方面具有很多优点, 但在实际应用中还存在诸多缺陷:

1) Va R方法着重从分析过去来预测将来, 对未来的损失的预测是基于历史数据得出的, 并假定变量间关系在未来保持不变, 实际情况是假设很难成立, 另外, 就我国而言金融市场发展的历史短, 历史数据相当有限, 并且获取也面临难题, 即便获取了也可能是由于历史原因形成的虚假数据或者由于采集工作不到位形成的不准确数据, 这些都造成VAR应用的阻碍。

2) VAR对数据要求比较严格, 基本使用一天作为时间基准, 这样使得VAR方法对于交易频繁、每日市场价格容易获取的金融工具的风险衡量效果比较好, 而对于缺乏流动性的资产, 如银行的贷款等, 由于缺乏每日市场交易价格数据, 其衡量风险的能力受到很大的局限。

3) 用VAR来度量市场风险, 存在模型风险, VAR模型可用历史模拟法, 方差一协方差和蒙特卡罗模拟法等不同的方法得到不同的VAR值, 造成VAR的可行性难以把握。正是这种局限性, 巴塞尔银行监管委员会要求使用返回检验来检验VAR模型的有效性。

4) VAR是计算一定置信度 (一般为99%) 内的最大损失, 并没有排除高于VAR值的损失发生的可能性 (1%的可能性) , 这种风险被称为“尾部风险”。VAR对尾部数据的处理不够精确, 虽能以较大的概率保证损失不超出分位数, 但对极端事件的发生却缺乏预料与控制, 在极端情况发生时, VAR无法预知结果会如何。

5) VAR方法对人才的要求。由于VAR模型计算的复杂性, 因此要求专业人才来进行操作, 这对于一些小银行的应用是一个阻碍。

6) 使用VAR来度量市场风险, 基本前提是假设市场完全放开, 即假设金融资产的收益率是成正态分布的, 这是许多金融模型计算的基础, 但是, 我国目前利率、汇率还没有完全市场化, 市场风险还可能来自人为因素, 我国金融资产的价格波动并不完全遵循着市场定律, 这影响了VAR方法应用的准确性。

4 VAR方法的改进

VAR模型对我国金融风险管理具有重大的意义。首先, 利率市场化、资本项目开放以及衍生金融市场的建立这些发展趋势都将增大我国金融机构所面临风险的复杂性, 这为综合度量市场风险的VAR模型的应用提供了广阔的发展空间。其次, VAR模型不仅具有综合衡量市场风险的功能, 而且在信用风险计量模型发展到一定阶段后, 还可以将市场风险VAR模型和信用风险VAR模型结合起来, 综合反映金融机构承担各种市场风险和信用风险的情况, 这样既有利于金融机构内部风险的识别与控制, 也为金融机构之间衡量风险水平提供了可以相互比较的市场标准, 也有助于监管部门的统一监管。总之, VAR方法非常有应用前景, 我国应该就以下几个方面做出努力, 以便在不远的将来为VAR模型在我国各金融机构中的广泛应用打下坚实的基础。

4.1 数据信息化建设

从上文可看出VAR方法对于数据的要求很严格, 因此, 加强我国金融机构数据信息化建设是必要的, 外国的数据信息化建设较完善, 如标准普尔建立的数据系统从1962年开始收集在美国和加拿大上市的各公司的相关数据, 外国各中央银行基本都开发出基于这些数据库系统的先进的信用评估体系, 而我国商业银行则做得很不到位, 我国商业银行应尽快开发并完善数据信息化处理系统, 收集、整理分散在各部门、各机构的历史数据, 并且实现由各分支行到总行业务数据和管理信息在物理和逻辑上的同步集中, 建立综合数据库。

4.2 考虑VAR的改进方法CVAR方法排除尾部风险

CVAR (Conditional Value—at—Risk) , 其含义是损失超过VAR的条件均值, 反映了超额损失的平均水平, CVAR能够对尾部风险进行良好控制。CVAR较之VAR更能体现投资组合的潜在风险, 能够对尾部风险进行良好控制, 此外, 假设两种资产的VAR值相同, 而超过VAR值的损失却不相同, 此时VAR就无法来度量这两种资产的风险, 而CVAR却可以解决这一问题。由此可见, 采用CVAR度量风险, 会取得更好的效果。

4.3 风险管理人才建设

由于VAR方法对操作人才的高要求, 各家银行应加大风险管理人才的选拔和培养力度, 保证从业人员能在现实风险的分析中熟练应用金融风险的度量模型, 建立一支高效、精干的风险管理团队, 从而提高商业银行风险管理水平。

4.4 完善金融市场法律、制度建设

相对完善的金融市场法律体系以及制度建设对于推广VAR模型在我国的应用是必要的, 也是最基础的, 因此, 我国离VAR模型大规模推广还是有段路要走的。

参考文献

[1]赵丽娟, 安琪.VAR的改进方法CVAR在组合投资风险中的应用[J], 商业经济, 2009 (17) .

[2]刘静.VAR应用分析以及对我国的启示[J].南开经济研究, 2002 (3) .

风险价值VaR模型与算法 篇6

VaR是一种利用统计技术来度量有价证券金融市场风险的方法。P.Jorion给出了一个比较权威的定义:VaR是指在正常的市场波动条件下, 资产组合在给定置信度和一定的持有期内可能的最大损失。用数学公式描述如下:prob (-Δp>VaR) =α, 其中Δp为证券组合在持有期Δt内的损失;α为预先给定的置信度;VaR为在置信度α下处于风险中的价值。

VaR本身是一个数字, 属于统计概念的范畴, VaR回答了:发生损失大于给定的VaR的概率小于α, 也就是我们可以用1-α的概率保证损失不会超过VaR。例如, 某公司每天交易的有价证券的日VaR值在95%的置信水平下为50万美元, 这就是说, 在正常的市场条件下, 在今后24小时内发生大于50万美元亏损的可能性为5%, 或者说该公司能以95%的把握保证在今后24小时内损失不会超过50万美元。这一数据不仅给出了公司市场风险暴露的大小, 同时也给出了损失的概率。

2 VaR的计算

2.1 历史模拟法

在使用历史模拟法计算VaR时, 是将一个资产组合映射为一个历史的价格分布, 这样一来, 对每一天都可以计算其在该分布之下的利润或损失, 并可以将这个序列简单的排序, 相应于事先给出的理想的置信区间的收益率就是所要计算的VaR值。这意味着:如果事先指定的置信区间为99%时我们可以挑选1000个样本数据点中的第10个数据作为VaR的估计值。

2.2 蒙特卡罗模拟法

蒙特卡罗模拟法, 主要思路是反复模拟决定金融工具价格的随机过程, 每次模拟都可以得到组合在持有期末的一个可能值, 进行大量的模拟, 那么组合价值的模拟分布将收敛于组合的真实分布, 这样通过模拟分布可以逼近真实分布, 从而求出VaR。

第一步, 情景产生。选择市场因子变化的随机过程和分布, 估计其中相应的参数, 模拟市场因子的变化路径, 建立市场因子未来变化的情景。

第二步, 组合估值。对市场因子的每个情景, 利用定价公式或其他方法计算组合的价值及其变化。

第三步, 估计VaR。根据组合价值变化的模拟结果的分布, 计算出给定的置信度下的VaR。

在实际金融市场中, 投资促和通常包括多个市场因子, 因此需要模拟多变量情况。多变量随机模拟的基本原理和单变量相同, 只是随机数产生的方法不同。考虑n个变量 (市场因子) , 如果变量间完全不相关, 可以分别独立产生随机数序列。如果变量间存在相关性 (假定其协方差矩阵为∑) , 那么在模拟中需要产生一个n维随机变量序列Z, 使得其协方差矩阵为∑。假设n个市场因子服从联合正态分布, 则Z的产生方法如下:

产生一个n维随机向量X= (X1, X2, …, Xn) T, Xl～N (0, 1) , 且Xl与Xj相互独立;

对协方差矩阵进行分解∑=AAT, 得到下三角矩阵;令Z=AX, 得到所需要的Z。根据定价公式, 得到证券组合的多个可能价格, 由此计算出损益, 根据给定的置信度, 计算分位数, 就可以得到证券组合的VaR。

金融风险是与金融活动相伴随的。我国的证券市场仍属于新兴市场, 金融市场潜在的风险很大, 随着金融市场的逐步对外开放, 国际金融市场的动荡对我国金融市场的影响将更加直接。

VaR方法质押率管理应用研究 篇7

关键词：VaR,仓单质押,贷款质押率

1 引言

随着物流金融在我国的发展, 仓单质押作为物流金融的一种运作模式, 被物流企业、贷款企业、金融机构运用得越来越多。在运作过程中, 金融机构会设定一个质押贷款的质押比率, 即贷款额与仓单价值的比率 (通常小于1) , 以控制仓单价值下跌而带来的风险。过高的质押比率会增大金融机构的风险, 而过低的质押比率则意味着融资效率的损失。从而, 设定合理的质押比率是有效开展仓单质押贷款业务的关键。

2 仓单质押运作模式

质押模式分为权力质押及实物质押。仓单质押属于权力质押的一种, 是指借款企业以物流企业开出的仓单作为质押物向金融机构申请贷款的融资业务。仓单质押主要有三种模式。

第一种模式由借款企业、金融机构和物流企业达成三方协议, 借款企业把质物寄存在物流企业的仓库中, 然后凭借物流企业开具的仓单向金融机构申请贷款融资。金融机构根据质物的价值和其他相关因素向其提供一定比例的贷款。其步骤为: (1) 借款企业向物流企业交付货物; (2) 物流企业收到货物后向借款企业发出仓单凭证; (3) 借款企业以仓单向金融机构申请贷款; (4) 金融机构向物流企业发出对质物的价值评估请求; (5) 物流企业对金融机构的价值评估请求发出反馈; (6) 金融机构给借款企业发放贷款。

第二种模式是在第一种模式的基础上在地域上的延伸, 使借款企业可以在本地质押, 也可以运用社会仓库由物流企业进行监管。

第三种模式是金融机构根据物流企业的规模, 经营业绩, 运营现状, 资产负债比例以及信用程度, 授予物流企业一定的信贷额度, 物流企业可以直接利用这些信贷额度向相关企业提供灵活的质押贷款业务, 由物流企业直接监控质押贷款业务的全过程, 金融机构则基本上不参与该质押贷款项目的具体运作。物流企业在提供质押融资的同时, 还为借款企业寄存的物质提供仓储管理服务和监管服务。其步骤为: (1) 物流企业向金融机构申请贷款; (2) 金融机构审核物流企业资质后发放贷款; (3) 借款企业把货物交付给物流企业, 核查后入库; (4) 物流企业保留仓单凭证, 向借款企业发放贷款。

3 VaR方法

风险值 (Value at Risk, VaR) , 又被称为“在险值”、“涉险值”或“风险价值”, 指的是在正常的市场条件和给定的置信度内, 用于评估和计量任何一种金融资产或资产投资组合在既定时期内所可能遭受的潜在的最大价值损失。

VaR的定义包括了三个重要的基本参数:

(1) 持有期△t, 确定计算在哪一段时间内持有资产的最大损失值, 即明确风险管理者关心资产在一天内、一周内还是一个月内、或一年内的风险价值。持有期长短由金融资产的交易性质决定。一些流动性较强的交易头寸, 往往需以每日为周期计算风险收益和VaR值;而期限较长的资产组合, 持有期则较长, 贷款组合通常为1年。VaR随着持有期的增加而增加。

(2) 置信水平α, 这取决于决策者的风险忍耐程度、银行可利用资产水平、内部风险资本要求、监管要求等因素, 一般取值为99%、95%。选择较大的置信水平意味着对风险较厌恶, 希望以较大的把握预测结果, 要求模型对极短事件的预测准确。

(3) 未来投资组合收益率的分布特征。计算VaR最困难的是确定投资组合在既定持有期内的回报分布形式, 对同一个投资组合, 用不同方法得到的投资组合收益率分布亦不同, 计算出的VaR值也不同。

4 实例研究

4.1 质押率设定的经验方法

对于银行方面来讲, 变动的价格意味着风险的存在。如何在质押过程当中合理的规避价格风险, 重点在于对质押率的确定。众多银行在选择质押率时, 基本都采用经验值法, 最多不超过70%。下面以历史数据为例, 分析该比率的合理性。贷款期设定为六个月, 假设所有的贷款都是在贷款期允许内的最后一天还款。其中效率损失率的计算公式为undefined, 风险率的计算公式为undefined。

根据计算所得数据可知, 在以六个月为还款周期的情况中, 效率损失率最大为56.34%, 最小值为19.12%, 随价格增长的剧烈程度加剧而增长。风险率最大为80.88%, 最小为55.41%, 风险率均小于1, 即无风险。当效率损失率达到最大值时, 风险率最小。

由上述分析可以看出, 以70%这个经验值作为质押率, 使企业的融资没有最大效率的进行, 并且银行为了回避风险也减少了利息的收入。在当前情况下, 由于铝的价格在大趋势上还是上涨趋势, 设定70%为质押率略显保守, 这对于银行和企业双方面都意味着效率损失。

4.2 VaR值的计算

在时间区间2005年11月10日到2006年5月9日内效率损失值达到最大值56.34%。期间内模拟值变化值最小为-1662, 对应 =0.051506。

VaR=R′*Pt≈1117 (Pt为质押物在T时刻的价格) ,

SV=Pt-VaR-Ct=20563 (其中SV为可抵押价值;Ct为流通成本, 基本为零) , undefined。

在时间区间2007年5月10日到2007年11月9日内效率损失值达到最小值19.12%。期间内模拟值变化值最小为-274, 对应 =0.00222。VaR≈41, =18239, K=99.78%。

以上得出的质押率, 可以保证质押货物的价值高于质押贷款数。根据市场不同时期的风险以及不同企业信用的不同, 可以设置一个安全系数β, β=0.8～11[3], 则

undefined。

参考文献

[1]董佳敏.商业银行信贷风险的VaR研究与应用[D].华东师范大学, 2007.

[2]秦拯, 陈收, 邹建军.VaR模型的计算方法及其评析[J].系统工程, 2005, (7) :12-16.