金融统计论文.docx

《金融统计论文.docx》由会员分享，可在线阅读，更多相关《金融统计论文.docx（12页珍藏版）》请在第一文库网上搜索。

1、学校：西南财经大学课程：金融统计分析学生姓名：何雨芹学号：41108065我国银行间同业拆借市场利率风险度量基于VaR模型的实证研究摘要本文利用VaR模型通过2013年1月4日至2014年10月30日我国银行间同业拆借市场每日加权平均利率进行实证研究，建立了基于GARCH模型的我国银行间同业拆借市场利率风险测度GARCH族模型(GARCH(1,1)TARCH(1,1)EGARCH(1,1),得出以下结论：t分布不适合描述我国银行间同业拆借利率序列的分布状况,广义误差分布能较好刻画我国银行间同业拆借利率序列的分布;根据样本数据，现阶段我国银行间同业拆借利率风险也较低。关键词：VaR模型同业市场拆

2、借利率GARCH族模型一、文献综述同业拆借市场是金融机构之间进行短期、临时性头寸调剂的市场，是货币市场的重要组成部分。1996年以来，我国银行同业拆借市场在中国人民银行的监督管理下稳步发展，目前己形成全国统一的银行同业拆借市场格局，生成了全国统一的中国银行间同业拆借利率(Chinainter-bankofferedrate,CHIBOR),它是我国货币市场最早市场化的利率，也是目前唯一直接的市场利率，能够十分灵敏的反应市场上货币资金的供求状况，因此可视为我国货币市场上的基准利率。随着利率市场化的深人，利率结构体系的完善和合理，我国金融市场的成熟，金融衍生工具的丰富，各商业银行在利率风险管理方面

3、经验的逐渐成熟。商业银行可以逐步向先进的利率风险度量模型演进。从而跟国际先进风险管理水平接轨，增强自身的市场竞争力和抵御风险的能力。而银行间同业拆借是我国利率市场化改革的前沿阵地，银行间同业拆借市场利率市场化改革始于1996年，同业拆借利率市场化程度已经较高，具备了运用VaR模型的客观条件。再加上VaR模型己经是一个比较成熟的模型，用它来研究我国银行间同业拆借市场应当是有一定研究价值的。VaR模型源自马科维兹于1952年创立的基本均值一方差模型，蒂尔.古尔迪曼被视为风险价值这一术语的创立者，该理论一经提出就迅速得到学者的关注。国外己有很成熟的关于VaR的理论研究和实证研究，JeremyBerk

4、owitz(1999)提出了新的评价VaR的方法，Tean-Phi1ippeBouchaud和MarcPoters(1999)提出了如何利用金融资产波动的正态性去简化计算更杂的非线性组合VaR；大部分学者在计算风险价值VaR值时，都以金融时间序列数据服从正态分布和无条件方差为假设前提，但是大量的实证研究表明，金融时间序列数据并不严格符合这一假定，为了解决这一问题，随着研究的不断深入，又有学者提出了半参数模型和广义条件异方差模型(GARCH模型)等模型，大大丰富了VaR的计算方法。KeesKoedijk(2001)将VaR风险管理模型应用于资产组合选择和资本资产定价，并指出由于资产组合收益率呈现

5、出尖峰肥尾的特征，这会导致传统的均值-方差模型存在低估风险资产组合所面临的风险，可能会导致投资风险。在国内，近几年关于VaR的实证研究已经越来越丰富和深入，早在2000年初，国内就有学者王春峰、万海辉和李刚指出用蒙特卡洛模拟法计算VaR值所存在的缺陷，并提出基于马尔科夫链蒙特卡洛的计算方法。之后也有一批学者相继提出了对VaR计算方法的改进，同时，VaR方法的应用研究开始受到重视。杜海涛(2000)在VaR方法在证券风险管理中的应用一文中在市场指数风险度量、单个证券的风险度量、基金管理人员绩效评价及确定配股价格等方面运用了VaR方法。他认为沪深两市的指数。单个证券、投资基金的收益都服从正态分布，

6、在这一前提下去计算资产的VaR值并进行模型检验，得出了较好的结果。以他的研究为代表，早期的关于VaR的实证研究多集中在证券市场。迄今为止，将VaR方法运用于银行间同业拆借市场的研究还不太丰富，但就我刚才所说，在我国面临重大金融市场改革的前提下，银行间的同业市场越来越重要，对它进行风险度量分析时非常必要的。现有研究下，郑尧天和杜子平(2007)选择隔夜拆借利率为研究对象并分别用组合正态VaR方法和蒙特卡罗模拟法对其进行建模，经后验区间检验发现蒙特卡罗模拟法的估计结果更为理想；冯科和王德全(2009)以2002年6月4日至2009年3月31日期间我国银行同业拆借利率为研究对象分别建立了隔夜拆借和7

7、天拆借品种的预测模型，并度量了其利率风险。得出通过选择适当滞后阶数的ARMA-GARCH类模型，可以有效地刻画同业拆借利率的动态特性：t-分布和g-分布下的模型能更好地捕捉同业拆借利率序列的尖峰厚尾性，同业拆借利率存在显著的自相关性、风险溢价效应和波动的反杠杆效应，即利率上升时的波动更大，VaR方法可以有效地预测同业拆借利率风险。多数研究都是围绕GARCH模型展开的拓展性研究，并且得出了不同的结论。二、我国银行间同业拆借市场利率现状的分析与模型建立1996年6月1日，中国人民银行取消了对同业拆借利率的上限管理，同业拆借利率由交易双方根据市场资金的供求状况自行确定，开始了我国同业拆借市场市场化改

8、革。1996年拆借市场的交易量仅为5871.58亿元，至2003年交易量己达24113亿元，增幅惊人。银行间市场发展极为迅速。随着市场交易量的激增，同业拆借利率的不确定性增加。参与的商业银行面临巨大的利率风险。虽然拆借资金只是短期使用，但现实中商业银行的拆借资金已经拆除了调剂头寸的需求，同业拆借资金处于利率风险之中。因此，用风险价值VaR模型测度我国商业银行在同业拆借市场中的利率风险是很有价值的。（-）数据及其来源由于选取的是中国银行同业拆借市场中的隔夜拆借为研究对象，因此我选择了最新的数据，是2013年1月4日至2014年10月30日的同业拆借市场每日加权利率这457个观测值为样本数据，其中

9、有些天数的数据是缺失的（数据来源为东方财富网数据中心him：/（二）描述性统计分析在运用VaR模型测度利率风险之前，须首先对数据进行描述性统计分析和检验同业拆借利率序列的正态性、平稳性、自相关性和条件异方差性。1、描述性统计首先对数据做描述性统计分析，运用软件SPSSI7.0,得出结果如下图所示：描述统计里N极小值极大值均值标准差偏醒摩统计里统计里统计量统计里统计里统计量标准设统计里标准误同业拆借日力阱2利率有效的N（列表状态）4574571.692213.82843.1097521.11304733.66911424,529.228可以看出，同业拆借利率中最小的利率为1.6922%,最大利率

10、为13.8284%,波动幅度非常的大，这也印证前面所说同业拆借市场的风险也很大的结论。同业拆借利率的均值为3.109752%.另一方面，可以从表中看到同业拆借利率的偏度为3.669,为右偏分布；峰度为24.529,数据为尖峰分布。2、正态性检验对样本数据做正态QQ图和无趋势正态概率图如下，通过正态概率图可以看出，在正态直线以外散布着大量的点，数据点组成的线呈曲线状，且两端有摆动，说明CH1BoR的实际分布两侧具有厚尾现象。通过无趋势正态概率图可知，大多数散点并不是随机分布在通过零点的水平直线周围，而是呈现明显的抛物线形状，所以，正态QQ图和无趋势正态概率图分析，可初步得出数据服从正态分布假设不

11、成立。同业拆借H加权利率的正态Q-Q图IIIO510观测值同业拆借日加权利率的趋降正态Q-Q图15正态的偏苦0-2Iiiiii02468101214观测值对CHIBOR做单样本K-S检验，结果如下图，从结果可以看出，样本数据均值为3.109752,标准差为1.1130473,K-S的Z统计量为3.304,对应的相伴概率为0.000,小于0.05的显著性水平，因此，正态性假设被拒绝，及同业拆借利率的实际分布与正态分布存在显著性差异。单样本Ko1mogorov-Smirnov检验同墉想加N457生态参数a均值3.109752标准差1.1130473最极端差别绝对值.155正.155负-.115Ko

12、1mogorov-SmirnovZ3.304渐近显著性徼侧）.0003检验分布为正态分布。b根据数据计算得到。通过上述检验，我国银行间同业拆借利率分布是非正态的，如果仍然假设其服从正态分布，虽然可以大大简化运算，但误差会比较大。因而，我们要用其它分布形式代替正态分布以提高模型的拟合度。3、平稳性检验对CHIBOR做单位根检验，检验结果如下，可以看出ADF统计量值为-3.978563,P值为0.0017,因此拒绝原假设，这说明CH1BoR数据是平稳的。Nu11Hypothesis:CHIBORhasaunitrootExogenous:Constant1ag1ength:7(Automatic-

13、basedonSIC,max1ag=17)t-StatisticProb.*AugmentedDickey-Fu11erteststatistic-3.9785630.0017Testcritica1va1ues:1%1eve1-3.4446915%1eve1-2.86775710%1eve1-2.5701454、自相关检验自相关检验的目的是检验各期的拆借利率是否具有相关性。对于自相关检验的方法，目前主要有以DiCkey-FU1Ier检验为代表的序列相关法和以1jUng-BOX统计量为代表的序列相关检验法。运用EViews求CHIBOR序列的自相关系数和偏相关系数及1jung-Box统计量Q-

14、t结果如下：Samp1e:1457Inc1udedobservations:457Autocorre1ationPartia1Corre1ationACPACQ-StatProbII匚II1III10.8960.896369.010.00020.779-0.117648.860.00030.7020.141876.730.00040.6690.1541083.90.00050.631-0.0381268.80.00060.5970.0701434.70.00070.5760.0761589.50.000III1iI-1II匚I80,518-0.2101714.90.000I1III1CII1IIIII90.444-0.0481807.20.000100.3880.0291877.80.000110.3620.0161939.20.000120.3400.0051993.60.000130.305-0.0332037.50.000140.254-0.1052068.00.000150.2100.0342089.00.000因此求CH1BoR一阶差分序列的自相关可以看出，CHIBOR序列具有较强的自相关性,系数、偏相关系数和1jUng-BOX统计量Q-t如下图：Samp