不同频率数据在金融市场VaR测度中的对比研究

不同频率数据在金融市场VaR测度中的对比研究

一、引言随着全球政治经济形势日益复杂，金融企业面临的风险逐渐增大，对风险测度准确性的要求也越来越高。为此，众多学者提出了很多方法来提高测度。的准确性，高频数据的引入就是其中之一。高频数据包含了比低频数据更多的信息，能够提供更丰富的数据资源。但是，高频数据的使用也意味着更高的成本与更长的运算时间，并且高频数据的噪音还会对结果造成干扰，因此，使用高频数据能否有效提高测度的精度？值不值得花费很多资源去使用？是否使用的数据频率越高，预测精度就越高？这些问题值得我们进行深入研究，也是本文着力要解决的问题。基于高频数据计算VaR的研究并不多。在国外，Andersen和Bollerslev(2004)[1]对已实现波动率进行了预测研究，并将其应用于风险价值(VaR)的计算中。PierreGiotSL[2]研究了已实现波动率在VaR中的应用，并将其与基于ARCH模型得到的VaR进行了比较，结果发现，使用已实现波动率计算VaR并不能显著提高预测精度。Martens和Dijk(2007)[3]使用高频数据构造了实现极差。在国内，黄后川、陈浪南(2002)[4]研究了中国股市已实现波动率的不对称性和长期记忆特性。尹优平、马丹(2005)研究了高频数据下VaR的计算方法，提出了在GARCH模型失效时基于GPD分布的新方法，结果表明，使用高频数据能够很好地模拟金融风险。郭名媛、张世英(2006)将基于高频金融数据的已实现波动率引入到了VaR的计算中，并利用高频金融数据对上海股票市场VaR的持续性进行了实证分析。基于超高频数据计算VaR的研究更是少之又少，目前主要有以下三种方法：一是邵锡栋、连玉君、黄性芳(2009)[5]提出的方法，他们仿照已实现波动率对日内的超高频波动率进行加总，将超高频波动率转化为日波动率，由于转换后对数波动率近似服从正态分布，并且具有显著的长记忆性，因此文中用ARFIMA模型去拟合超高频波动率并得到了日VaR；二是DionneC、DuchesneP、MariaPacurar(2005)[6]提出的IntradayValueatRisk，他们对UHF-GARCH模型进行了扩展，并使用蒙特卡洛模拟方法得到了日内风险价值(IVaR)；三是GilbertColletaz、ChristopheHurlin和SessiTokpavi(2007)提出的方法，文中将价格运动的ACD模型与非参数的分位数回归模型合并起来构成了一个估计VaR的半参数方法，并将这种方法估计出的VaR称为IrregularlySpacedIntradayValueatrisk(ISIVaR)，该模型估计比较复杂，实证研究中使用不多。综上所述，大多数文献都只对高频数据拟合方法进行了应用研究，还没有发现将低频、高频和超高频数据方法进行对比的研究，对不同频率数据适用情况的研究也很少。本文拟在前人研究的基础上，使用规范、标准的方法，结合我国金融市场的实际情况，通过使用金融资产的低频数据、高频数据和超高频数据分别建立模型进行对比研究，以期得到一些有用的结论，并对不同频率数据的适用情况进行分析。二、理论模型VaR方法是目前应用于金融市场风险管理和金融监管的主流方法，被用来度量金融资产或投资组合在一定持有期内和给定置信水平下可能的最大损失。该指标简单清晰，理论严谨，得到了国际金融界的广泛支持和认可。本文拟使用VaR作为风险测度的指标。如果假设金融资产的收益率服从某种分布（以正态分布为例），那么VaR的计算公式为：。其中，S为初始投资额或者是购买资产的价格，μ为持有期收益率的条件均值，σ为持有期收益率的条件标准差，（α）为与概率α对应的标准正态分布的分位数。在计算金融资产的VaR时，最主要的是要选用适当的模型拟合金融资产收益率，继而预测出条件均值和条件方差，代入公式即可。低频数据、高频数据及超高频数据具有各自独特的数据特征，基于此，本文建立了基于低频数据的APARCH模型、基于高频数据的RV模型、基于超高频数据的UHFV模型，分别计算出金融资产1天的风险价值VaR，并对计算精度进行对比研究。（一）基于低频数据的SKSTAPARCH-VaR模型ARCH类模型的引入很好地解决了金融资产收益率尖峰厚尾性导致的风险低估问题，由于ARCH类模型模拟了条件方差与过去收益之间的函数关系，因此，我们很容易通过分位数将ARCH类模型转化为条件VaR模型。本文构建了ARMA(1，1)-ARARCH模型，其一般表达式可写成：（二）基于高频数据的RV-ARFIMA-VaR模型在较低频率的数据中，GARCH模型可以很好地刻画一些峰度较大的数据特征，但如果峰度达到了100以上，那GARCH模型就不能准确刻画了。高频数据指的就是频率在日以下、除分笔数据以外的等间隔交易数据，它具有复杂的数据特征，如波动率日内U型走势、日历效应、超高峰度、价格序列一阶负相关性等，也具有一般的ARCH特征，如宽尾、非正态、波动率聚集等，这些独特的数据特征决定了高频数据建模的困难性。基于此，本文使用Andersen(1998)提出的已实现波动率进行分析，已实现波动率可以近似认为是实际波动的一致估计，可用于检验波动率的各种特性，并对未来的波动率进行预测，而无需像ARCH类模型一样要模拟收益率序列进行预测和评价。下面简要介绍一下已实现波动理论。1.已实现波动率的计算。已实现波动率可以用日内收益率的平方和来构建：由于股市早上开盘时采取集合竞价机制，隔夜信息的存在会导致股市收益率在开盘时产生大幅波动，因此，基于(4)式计算的已实现波动率就会偏小。为了排除隔夜收益率的显著干扰，Martin(2001)提出了修正的已实现波动率：已实现波动率ARFIMA(p，d，q)模型的形式如下[8]：（三）基于超高频数据的UHF-GARCH-ARFIMA-VaR模型超高频数据是对金融交易的实时记录数据，由于交易发生是随机的，因此超高频数据的记录时间间隔也是随机的。超高频数据的这种特点决定了其不能使用传统的等间隔波动模型（如ARCH类模型、SV模型）和已实现波动模型进行建模。为了解决这一问题，Engle和Russel(1998)提出了ACD模型，取得了很好的效果。1.ACD模型。ACD模型认为每次交易行为均以一定的概率发生，交易的到达时间服从一个随机过程。两笔交易之间的时间间隔被称为交易持续期，用表示。研究发现，交易持续期存在显著的集聚效应，即一段时间交易比较密集，而一段时间交易比较平淡，较小的持续期接着较小的后续持续期，较长的持续期伴随着较长的后续持续期。假定在给定过去交易间隔的条件下，第i个交易间隔的条件期望为，考虑最简单的ACD(1，1)模型：针对残差分布和条件期望的不同设定形式，可以得到不同的扩展ACD模型。2.UHF-GARCH模型。ACD模型针对的是交易持续期建模，而计算金融风险需要描述的是资产收益率，因此还需要对收益率的条件波动建模，并且条件波动的计算还要考虑到交易持续期的影响。为此，Engle依据ARCH模型的建模思想，计算了超高频数据单位时间间隔上的波动，并提出了UHF-GARCH理论。Engle认为，只要用持续期调整超高频收益率，就可以在传统的GARCH模型框架下对超高频数据建模。下面简要介绍一下建模步骤：首先对超高频收益率进行调整，计算，其中是两次相邻交易的间隔；然后把单位时间间隔上的收益率纳入传统的GARCH模型框架下建模。假设单位时间间隔上的收益率满足ARMA(1，1)过程，则有：我们在此方程中加入交易间隔的倒数，目的是观察交易频率对波动的影响。Engle通过用交易间隔对收益率进行调整，很简洁地给出了一种不等间隔建模的方法，被称为UHF-GARCH模型。该模型很好地刻画了持续期对条件波动的影响，通过该模型可以很方便地得到收益率的条件波动。3.超高频波动率UHFV的计算。由UHF-GARCH模型得到的是日内单位时间的波动，要得到1天的风险价值，还需要计算1天层次的波动率。Racicot(2008)[10]将UHF-GARCH模型估计出的波动率取算术平均值，以此来反映1天的波动大小。本文认为，日内波动的平均值并不能代表1天的波动大小，而只能代表每一单位时间波动的大小。我们要计算的是1天层次的VaR，因此仿照已实现波动率，本文定义了1天层次的超高频波动率的计算公式：其中，为UHF-GARCH模型第t日的估计值，N为第t日的交易笔数。4.超高频波动率建模。由于计算VaR使用的是条件波动，因此我们需要对超高频波动率建模，计算条件波动。超高频波动率与前文的已实现波动率具有相似的数据特征，二者都可以用ARFIMA模型进行刻画。由于前文已经表述了ARFIMA模型，因此，此处仅给出了的计算公式。三、数据选取与处理根据研究目的，本文选取了上证A股招商银行(600036)2009年8月3日到2010年7月30日共235个交易日的日数据、5分钟数据和分笔数据，分别对应低频、高频、超高频数据。其中，对于分笔数据，剔除了连续竞价时间段外的所有交易数据，还剔除了跨天交易持续期和下午开盘第一个交易持续期，并对交易间隔为0的数据项进行合并，交易量相加，价格按照交易量加权平均。表1为招商银行收益率和持续期的描述统计。表1招商银行收益率和持续期的描述统计注：收益率的均值和标准差均已扩大了1000倍。从表1可以看出，一笔交易的持续期平均为5秒左右。5分钟收益率和超高频收益率均拒绝了JB的正态假设。Lijung-Box的20阶检验显示，5分钟收益率、超高频收益率和交易间隔都具有高度和长期的自相关性。超高频数据在日内表现出稳定的周期性运动模式，称为日历效应。图1为招商银行持续期的日内波动特征图，从图中可以看出，招商银行1天内收益率的波动呈现倒U型模式，开盘和收盘的交易间隔较小，中间时段的交易间隔较大。为了剔除超高频数据的日历效应，根据Engle和Russell(1998)的研究，本文采用样条函数插值法对时间间隔和日内周期变化特征进行分析，将线性样条函数按9:30、10:00、11:00、13:00、14:00、14:30、15:00划分为六个交易时间段进行拟合。后面使用的持续期序列都是剔除了日内周期特征的数据。图1招商银行交易持续期日内波动特征四、实证分析及结论（一）APARCH模型的估计结果对于低频日收益率数据，本文基于偏学生分布分别估计了GARCH和APARCH两种模型。通过估计两模型参数进而计算出每天的条件波动，结合收益率的分位数，最终计算出了金融资产1天的VaR。限于篇幅，我们仅给出APARCH模型的方差方程的估计结果（见表2）。从表2可以看出：(1)偏度系数Ln（ξ）＜0，且通过了5%的显著性水平检验，说明随机变量序列分布左偏，这与基本统计检验相吻合；(2)γ＞0且显著，表明存在较为明显的杠杆作用（条件方差的不对称性），即负的收益率比正的收益率产生了更大的波动；(3)自由度v显著大于2，说明分布呈现厚尾形态。另外，从残差序列统计检验所表现出的显著性水平可以发现，这里采用的ARMA(1，1)-APARCH(1，1)-SKST模型较好地刻画了日收益率序列的尖峰厚尾及不对称特征。表2APARCH-SKST模型的估计结果因此，通过模型ARMA(1，1)-APARCH(1，1)-SKST的参数估计，可以得到日收益率的条件波动，进而得到未来1天的APARCH条件波动率预测值和金融资产的VaR。（二）UHF-GARCH模型的估计结果本文经过反复试验，确定使用残差服从正态分布的UHF-EGARCH(1，1)模型对剔除日内效应的分笔收益率进行刻画，均值方程采用ARMA(1，1)形式，其中EGARCH(1，1)模型部分为：模型的参数估计结果见表3。由表3可以看出，模型各参数均在1%的水平下显著。φ+ψ＞1说明剔除日历效应的超高频收益率的GARCH效应与低频数据一样强，也说明使用UHF-GARCH模型能够很好地刻画超高频收益率。ρ＞0说明利好消息比利空消息导致了更大的波动。此外，的系数λ为负，说明交易间隔时间越长，波动率越大，这与Diamond和Verrechia(1987)的结论相似。表3UHF-EGARCH模型的估计结果（三）RV和UHFV模型的估计结果前文由UHF-EGARCH模型计算得到的条件波动是日内单位时间的波动率，而目前金融风险管理一般计算的是1天层次的波动率，因此，需要按照公式(13)把UHF-EGARCH模型计算得到的条件波动按天进行加总，即可得到1天层次的超高频波动率UHFV。此外，使用招商银行5分钟数据，根据公式(5)，可以计算出1天层次的已实现波动率RV。由于RV和UHFV都使用了日内交易信息，因此比低频数据包含了更多的信息，但这些信息是否有助于提高金融风险价值的计算精度，还有待于进行深入的对比分析。从表4可以看出，招商银行RV序列和UHFV序列均呈现右偏分布，且具有明显的尖峰厚尾特征，两序列的JB检验都拒绝了序列正态性的假设。Ljung-Box的20阶检验结果显示，RV和UHFV序列在1%的显著性水平下拒绝了不存在自相关的零假设，说明已实现波动和超高频波动均具有显著的长记忆性。取对数后的RV和UHFV近似服从正态分布。表4已实现波动率与超高频波动率的描述统计金融风险管理要求在t-1期预测t期的VaR，因此，我们首先必须在t-1时期预测t时期的波动率，即条件波动和。由表4可知，已实现波动率和超高频波动率的对数均服从正态分布并且都具有显著的长记忆性，因此本文使用ARFIMA模型对RV和UHFV对数序列的长记忆性进行刻画，根据SC信息准则，对两序列都拟合ARFIMA(0，d，0)模型，参数估计结果见表5。这样，我们就可以使用公式(7)、(14)得到已实现波动率和高频波动率的一步预测值、。为了计算一步预测的VaR值，本文用和对日收益率进行调整，对都设定ARMA(1，1)过程，并假设残差服从偏学生分布，估计结果如表5所示。表5条件波动调整后的收益率拟合从参数估计结果可以发现，长记忆参数d的显著性水平很高，说明UHFV和RV的对数序列均存在明显的分整现象。两模型估计的残差偏度系数Ln（ξ）＜0，说明随机变量序列分布左偏。自由度v显著大于2，表明分布呈现厚尾形态，也说明选择偏学生分布比正态分布能更好地刻画收益率。另外，从残差序列统计检验所表现出的显著性水平可以发现，这里采用的ARMA(1，1)-SKST模型较好地刻画了日收益率序列的尖峰厚尾特性。估计出偏学生分布参数以后，接着就能够利用公式(9)、(16)计算出一步预测的VaR值。（四）VaR回测检验模型的准确性是金融风险测度的内在要求，如何对VaR的准确性进行检验，也是众多专家学者近年来深入研究的问题。1.kupiec似然比检验。kupiec似然比(LR)检验是由kupiec(1995)[11]提出的，是目前主流的检验方法。本文在5%显著性水平下计算得到了240个VaR值，如果实际收益率超过VaR的次数远大于或者远小于235*5%=12次，则说明用于计算VaR的模型不准确。Kupiec就是根