论文部分内容阅读
【摘要】随着资本全球化的发展，国际金融市场的联系也越来越密切，随之而来的便是金融风险也越来越受到人们的关注。在刻画金融资产价格波动率方面，高频数据有着低频数据无法比拟的信息优势，能够更准确的刻画出金融市场上波动率的相关特征，从而对具有金融风险有更准确的度量。在众多模型中，VAR模型作为一种广为应用的度量模型，在金融风险度量中起到非常重要的作用，也是本篇论文使用和探讨的度量方法。在介绍VaR模型的基础上，本文将其应用于股票实数的实证研究中。
【关键词】金融风险 高频数据 VAR模型 实证分析
一、引言
随着经济全球化、金融一体化联系逐渐加强，国际金融市场对我国的金融市场的影响也在逐步加强，我国的金融市场发生了根本性变化。Andersen和Bollerslev对金融高频数据的研究起到了先导性作用，根据数据特征他们提出了“已实现”波动率[1][2]。来升强[3]等针对粗集分类方法因离散化而损失数值型变量提供的高质量信息，提出一种基于Bayes概率边界域的粗集分类方法，能够直接处理数值型数据，并将研究成果应用到高频数据方面，通过统计图表的方式方便直观的让人了解，并没有正面讨论高频数据。徐国祥等[4]通过衡量残差密度函数的参数和非参数估计值之间的紧密程度介绍了ACD模型，给出了ACD扩展模型，对采用更好的模型进行高频数据的研究工作提供了帮助。唐勇等[5]基于日内波动特征，给出考了“日历效应”的加权已实现极差波动，并说明了已实现极差波动知识加权已实现极差波动的特例，对于金融资产定价、投资组合、风险管理有着重要意义。韩冬等[6]研究了流动性的“周内效应”和“日内效应”后发现，当控制波动性、交易量和股价等对流动性有重要影响的变量时，效应依然存在，在此基础上，深入分析造成这一现象的原因，并且提出了相应的政策建议。对于股票指数中的主流品种，如何有效利用股票指数来度量金融市场的金融风险显得尤为重要，是摆在众多学者面前的一道巨大难题。本文从高频数据的角度出发，对股票指数进行深入研究，对金融风险的研究和管控有着重要的意义。
二、模型简介
VaR是指在一定的市场条件、置信水平及持有期下，某一金融资产或者投资组合可能发生的最大损失，VaR为：
其中：α为置信水平，t为持有期，rt为可能的损失
则，资产的收益和损失为分布函数F：
其中：F-1为分布函数的反函数，α一般取0.05或0.01
在市场条件Xt下，资产或者资产组合Yt的风险价值就是条件VaR。在时间段[t，t+h]中，对数收益率为：
由此可见，要想得出条件VaR实际就是确定条件分为点的值。
三、实证过程
（一）数据来源
本文选取沪深300指数为研究样本，样本选取的区间2016年3月8号至2016年3月16号，为1分钟采样的高频数据，共1677个，数据来源于“WIND资讯”。
（二）收益率的平稳性检验
用Eviews做出收盘价价格走势图（图4.1）：
从价格走势图我们可以看到收盘价的价格起伏还是表较大的，单纯比较价格变化情况无法与前1分钟的价格相联系，孤立的存在，也不能得出有效结论。需引进一个更加合适的变量来反映各个价格之间的联系和变动情况，因此，引进“收益率”这一指标。
收益率公式：
进行ADF检验，得出该序列在99%置信水平下该序列是平稳序列。
（三）收益率期望值为0检验
由于样本数据是高频数据，时间间隔短，对于收益率r（t）的期望值应近似为0。即：
Er（t）=μ=0
因此，可以设原假设H0：μ=0，则备择假设H1：μ≠0。
在H0为真下，采用T检验（μ=0），取检验统计量为：
则拒绝域为
下面以每一天的数据为基础，通过计算检验统计量的值来判断每一天收益率期望值收益率是否为0。
当α为0.05时，结果如下：
从表4.2中我们看出，在0.05的置信水平下，表中p值都大于α，即：不应拒绝原假设，认为μ=0成立。也就是说，每一天的收益率的期望值都为0，与我们前面所说的结论相符。
（四）VaR值与α值的对应
根据公式：
rt≤VaR的概率为1-α，则rt>VaR的概率就为α，这样就建立起VaR值与α值之间的一个对应关系，而在概率论与数理统计中，假设事件A出现的次数为n，总的事件次数为N，则将的比值作为事件A发生的概率。如果将rt>VaR看做事件A，自己設定一个VaR值，通过前面计算得出的收益率的值，能够方便的计算出事件A发生的概率，也就是说VaR值与α值的对应关系也就找到了。
下面是对应关系表（N=1677）：
通过图4.4，我们也清楚的看到VaR值和α值之间的对应关系，VaR值越大对应的α值越小。
四、总结
我国金融市场迅猛发展，资产面临的风险日趋复杂。采集金融高频数据对金融市场微观结构进行分析，有利于了解资产波动。本文所做工作主要有：第一，相关理论知识介绍。如VaR模型理论知识。第二，实证分析。以沪深300指数为基础，采用VaR模型对数据进行稳定性分析，最后给出VaR值和α值之间的对应关系。
在正常市场条件下，基于高频数据的VaR，金融风险的度量具有充分的综合性以及有效性，成为大部分投资者及金融机构首选的风险度量方法。但是风险价VaR值是非一致性风险度量模型，本身存在一个不可忽略的缺点，当市场上出现极端事件时，模型想有效性就大打折扣，失去其有效性和实用性。对于风险度量VaR模型进行改进，提高风险预测效果，可以做更深层次的研究。
参考文献
[1]Andersen T.G，Tim Bollerslev，F.X.Dieblod，et.al.Exchanhe rate Standardized by Realized volatility are（nearly） Gaussian[J].Multinational Finance Journal，2000，4：159-179.
[2]Andersen T.G，Tim Bollerslev，F.X.Dieblod，et.al.The Distribution of realized Exchanhe rate volatility[J].Journal of the American Statistical Association，2001，96：42-55.
[3]来升强，谢邦昌，朱建平.基于Bayes概率边界域的粗集分类方法及其在高频数据中的应用[J].统计研究，2010，03：76-82.
[4]徐国祥，金登贵.基于金融高频数据的ACD模型非参数设定检验[J].统计研究，2007，04：15-18.
[5]唐勇，张世英.高频数据的加权已实现极差波动及其实证分析[J].系统工程，2006，08：52-57.
[6]韩冬，王春峰，岳慧煜.流动性的“周内效应”和“日内效应”——基于指令驱动市场的实证研究[J].北京航空航天大学学报（社会科学版），2006，02：5-8.
[7]杜玉.基于高频数据的VaR金融风险度量的研究[D].武汉理工大学，2013.
作者简介：岳贞贞（1994-），女，山东威海人，山东科技大学硕士研究生，统计学专业。
【关键词】金融风险 高频数据 VAR模型 实证分析
一、引言
随着经济全球化、金融一体化联系逐渐加强，国际金融市场对我国的金融市场的影响也在逐步加强，我国的金融市场发生了根本性变化。Andersen和Bollerslev对金融高频数据的研究起到了先导性作用，根据数据特征他们提出了“已实现”波动率[1][2]。来升强[3]等针对粗集分类方法因离散化而损失数值型变量提供的高质量信息，提出一种基于Bayes概率边界域的粗集分类方法，能够直接处理数值型数据，并将研究成果应用到高频数据方面，通过统计图表的方式方便直观的让人了解，并没有正面讨论高频数据。徐国祥等[4]通过衡量残差密度函数的参数和非参数估计值之间的紧密程度介绍了ACD模型，给出了ACD扩展模型，对采用更好的模型进行高频数据的研究工作提供了帮助。唐勇等[5]基于日内波动特征，给出考了“日历效应”的加权已实现极差波动，并说明了已实现极差波动知识加权已实现极差波动的特例，对于金融资产定价、投资组合、风险管理有着重要意义。韩冬等[6]研究了流动性的“周内效应”和“日内效应”后发现，当控制波动性、交易量和股价等对流动性有重要影响的变量时，效应依然存在，在此基础上，深入分析造成这一现象的原因，并且提出了相应的政策建议。对于股票指数中的主流品种，如何有效利用股票指数来度量金融市场的金融风险显得尤为重要，是摆在众多学者面前的一道巨大难题。本文从高频数据的角度出发，对股票指数进行深入研究，对金融风险的研究和管控有着重要的意义。
二、模型简介
VaR是指在一定的市场条件、置信水平及持有期下，某一金融资产或者投资组合可能发生的最大损失，VaR为：
其中：α为置信水平，t为持有期，rt为可能的损失
则，资产的收益和损失为分布函数F：
其中：F-1为分布函数的反函数，α一般取0.05或0.01
在市场条件Xt下，资产或者资产组合Yt的风险价值就是条件VaR。在时间段[t，t+h]中，对数收益率为：
由此可见，要想得出条件VaR实际就是确定条件分为点的值。
三、实证过程
（一）数据来源
本文选取沪深300指数为研究样本，样本选取的区间2016年3月8号至2016年3月16号，为1分钟采样的高频数据，共1677个，数据来源于“WIND资讯”。
（二）收益率的平稳性检验
用Eviews做出收盘价价格走势图（图4.1）：
从价格走势图我们可以看到收盘价的价格起伏还是表较大的，单纯比较价格变化情况无法与前1分钟的价格相联系，孤立的存在，也不能得出有效结论。需引进一个更加合适的变量来反映各个价格之间的联系和变动情况，因此，引进“收益率”这一指标。
收益率公式：
进行ADF检验，得出该序列在99%置信水平下该序列是平稳序列。
（三）收益率期望值为0检验
由于样本数据是高频数据，时间间隔短，对于收益率r（t）的期望值应近似为0。即：
Er（t）=μ=0
因此，可以设原假设H0：μ=0，则备择假设H1：μ≠0。
在H0为真下，采用T检验（μ=0），取检验统计量为：
则拒绝域为
下面以每一天的数据为基础，通过计算检验统计量的值来判断每一天收益率期望值收益率是否为0。
当α为0.05时，结果如下：
从表4.2中我们看出，在0.05的置信水平下，表中p值都大于α，即：不应拒绝原假设，认为μ=0成立。也就是说，每一天的收益率的期望值都为0，与我们前面所说的结论相符。
（四）VaR值与α值的对应
根据公式：
rt≤VaR的概率为1-α，则rt>VaR的概率就为α，这样就建立起VaR值与α值之间的一个对应关系，而在概率论与数理统计中，假设事件A出现的次数为n，总的事件次数为N，则将的比值作为事件A发生的概率。如果将rt>VaR看做事件A，自己設定一个VaR值，通过前面计算得出的收益率的值，能够方便的计算出事件A发生的概率，也就是说VaR值与α值的对应关系也就找到了。
下面是对应关系表（N=1677）：
通过图4.4，我们也清楚的看到VaR值和α值之间的对应关系，VaR值越大对应的α值越小。
四、总结
我国金融市场迅猛发展，资产面临的风险日趋复杂。采集金融高频数据对金融市场微观结构进行分析，有利于了解资产波动。本文所做工作主要有：第一，相关理论知识介绍。如VaR模型理论知识。第二，实证分析。以沪深300指数为基础，采用VaR模型对数据进行稳定性分析，最后给出VaR值和α值之间的对应关系。
在正常市场条件下，基于高频数据的VaR，金融风险的度量具有充分的综合性以及有效性，成为大部分投资者及金融机构首选的风险度量方法。但是风险价VaR值是非一致性风险度量模型，本身存在一个不可忽略的缺点，当市场上出现极端事件时，模型想有效性就大打折扣，失去其有效性和实用性。对于风险度量VaR模型进行改进，提高风险预测效果，可以做更深层次的研究。
参考文献
[1]Andersen T.G，Tim Bollerslev，F.X.Dieblod，et.al.Exchanhe rate Standardized by Realized volatility are（nearly） Gaussian[J].Multinational Finance Journal，2000，4：159-179.
[2]Andersen T.G，Tim Bollerslev，F.X.Dieblod，et.al.The Distribution of realized Exchanhe rate volatility[J].Journal of the American Statistical Association，2001，96：42-55.
[3]来升强，谢邦昌，朱建平.基于Bayes概率边界域的粗集分类方法及其在高频数据中的应用[J].统计研究，2010，03：76-82.
[4]徐国祥，金登贵.基于金融高频数据的ACD模型非参数设定检验[J].统计研究，2007，04：15-18.
[5]唐勇，张世英.高频数据的加权已实现极差波动及其实证分析[J].系统工程，2006，08：52-57.
[6]韩冬，王春峰，岳慧煜.流动性的“周内效应”和“日内效应”——基于指令驱动市场的实证研究[J].北京航空航天大学学报（社会科学版），2006，02：5-8.
[7]杜玉.基于高频数据的VaR金融风险度量的研究[D].武汉理工大学，2013.
作者简介：岳贞贞（1994-），女，山东威海人，山东科技大学硕士研究生，统计学专业。