基於蒙特卡羅模擬的VaR對香港恆生指數期貨的實證研究

來源:巧巧簡歷站 2.91W

(1北京交通大學 經濟管理學院,北京 100000;
2中國建設銀行 內蒙古 分行,內蒙古 呼和浩特 010000)
摘 要:文章採用克服了參數方法和歷史模擬法的缺陷 的蒙特卡羅模擬法(Monte Carlo Simulation,簡稱MC)計算的VaR方法,對香港恆生指數期貨 進行實證研究,為國內即將開設的股指期貨市場的風險控制提供借鑑思路與方法。
關鍵詞:股指期貨;
VaR模型;
蒙特卡羅模擬
中圖分類號:F83091(2658)  文獻標識碼:A  文章 編號:1007—6921(2010)01—0013—03

基於蒙特卡羅模擬的VaR對香港恆生指數期貨的實證研究

股指期貨是一種兼具投資和避險功能的金融工具,能夠為市場參與者提供衝擊風險的途徑, 自1982年問世以來,由其能夠有效規避系統性風險的特性,而得到快速發展。但是股指期貨 在交易過程中引入了做空機制、槓桿交易,使得其風險比股票現貨市場要大得多。如何有效 防範風險,尤其是市場風險,維持金融經濟穩定已成為金融研究領域的重要課題。VaR方法 是目前金融界測量市場風險最主要的工具,尤其是用以測量金融衍生工具的風險的主流方法 ,自1994年由J·P·Morgan提出後,被眾多金融機構廣泛採用。
1 在險價值(VaR)及測量方法

VaR(Value at risk)的字面意思是“處於風險中的價值”,也稱“在險價值”,是指在正 常市場波動下,某一金融資產或證券組合的最大可能損失。可表示為:
Prob(ΔPΔt≤-VaR)=c

其中,ΔP為證券組合在持有期Δt內的損失;
VaR為置信水平c下處於風險中的價值,也可以 説在概率c下,損失值是大於VaR的。VaR是一種利用統計思想對市場風險進行估值的方法, 如何根據歷史數據計算VaR,是風險分析與管理中的一個重要的基本問題。目前,很多文獻 中已經提出許多計算VaR的方法,但關鍵在於如何由歷史數據來擬合數據的真實分佈,這些 模型和方法總體上可分為兩大類:參數模型和非參數模型。

參數模型在假定金融資產收益率服從一定統計分佈的前提下,利用已有的樣本數據對分佈中 的有關參數進估計,從而得到相應的VaR值。最簡單的是J·P·Morgan的RiskMetrics模型, 其基本假設是收益率序列服從正態分佈,利用已有樣本數據正態分佈中的均值、方差估值後 就能夠得到VaR。但正態分佈假設並未考慮金融資產收益率分佈的非正態性、厚尾性、波動 率聚類性等,正如Warshawsky(1989)和Longin(1995)所指出的,在正態分佈假設下計算的 VaR值,通常會低估實際風險。以至於有些學者提出了τ分佈、正態分佈的混合,GARCH族模 型等來描述金融資產收益率的分佈,但存在參數估值誤差對VaR值的影響問題。

對於非參數模型,由於不需對金融資產收益率的分佈做假定,也不用估計參數值。因而在某 些情況下具有一定的優勢。常用的非參數VaR模型有:歷史模擬法和蒙特卡羅模擬法。歷史 模擬法只有在市場較為平穩的時期才可能取得較為精確的VaR預測值,儘管計算簡單,但實 際應用性不強。

蒙特卡羅模擬法(Monte Carlo Simulation,簡稱MC)是一種隨機模擬方法,它用根據市場 數據估計的歷史波動參數產生市場因子未來波動的大量可能路徑(而歷史模擬法只能根據市 場因子的特定歷史產生路徑產生有限的未來波動情景)。與歷史模擬法相比,它所需要的歷 史數據更少,而且計算精度和可靠性更高。另外,它是一種全值估計方法,無須假定市場因 子服從正態分佈,有效地解決了分析方法在處理非線性、非正態問題中遇到的困難,近年來 ,在國外的研究中已被廣泛應用。但缺陷是計算複雜,因為多次重複可以提高衡量值的準確 性,但也就使計算量增大。由於計算機技術的廣泛應用,能夠有效解決計算問題,故文章將 採用基於蒙特卡羅模擬的VaR方法對香港恆生指數期貨進行分析。
2 香港恆生指數期貨的VaR實證分析

恆生指數期貨(恆指期貨,HSI Future)是一種以恆生指數作為買賣基礎的期貨合約,參與者 同意承擔香港股票市場的價格起跌,漲落的幅度則以恆生指數作準。香港恆生指數成立於19 69年11月24日,是香港藍籌股股價的主要指針,該指數涉及香港各個行業,具有較強的代表 性。
2.1 樣本、參數的選定

一般而言,對風險和收益的檢驗應選較長曆史時間內的數據,這樣檢驗才具有可靠性,但考 慮到受東南亞金融危機等因素影響,股市的波動性較大,如果選取時間過長,會破壞樣本的 一致性,故選取2005年1月3日~2005年12月30日恆生指數日收盤價數據作為分析樣本數據, 共計246個樣本觀測值。選取2006年1月3日~2006年12月29日的恆生指數日收盤價數據作為 檢驗樣本數據。

置信度(1-a)和持有期(Δt)是VaR最重要的兩個參數。置信度越高,實際中損失超過的可 能性越小,這種額外損失的數目越少,為了驗證結果所需的數據越多,而實際中無法獲取大 量有效數據的約束,限制了較高置信水平的選擇,故選取95%的置信度。持有期由金融機構 交易性質來決定,由於期貨市場實行每日無負債結算制度,故一天的持有期是一個比較合適 的選擇。
恆生指數的收益率採用對數收益率的形式:

740)h=740" border=undefined onmousewheel="return zoom_img(event,this)">
2.2 正態性和波動的集聚性檢驗

下面分別對所取樣本數據的統計特性進行檢驗,包括對其正態性和波動的集聚性進行檢驗。


2.2.1 Q-Q圖檢驗。用eviews對恆生指數收益率進行正態性檢驗,其結果如圖1: 740)h=740" border=undefined onmousewheel="return zoom_img(event,this)">

由圖可以看出,其圖線非直線,因而可初步判斷恆生指數的收益分佈不是正態分佈。
2.2.2 Jarque-Bera 檢驗。另一種對正態檢驗的方法就是Jarque-Bera 檢驗,即:
740)h=740" border=undefined onmousewheel="return zoom_img(event,this)">

其中,N為樣本容量,S和K分別為偏度和峯度,在正態分佈假設下,偏度等於0,峯度等於3 ;
所有對稱分佈的偏度都為0,偏度不等於0的分佈曲線是偏斜的,厚尾分佈的峯度>3, 那麼通過eviews軟件對恆生指數收益率進行Jarque-Bera 檢驗,其結果如圖2:

從Jarque-Bera 檢驗結果可以看出,恆生指數日收益率的JB統計量為11.57763,偏度為-0.355604,峯度等於3.670104,P值接近0,也就是説在99%的置信水平下拒絕零假設,序列 不服從正態分佈。
2.2.3 波動的集聚性檢驗。為了對恆生指數的波動性有一個直觀的瞭解,利用eviews繪 制了恆生指數收益率的時間序列圖,如圖3所示:

740)h=740" border=undefined onmousewheel="return zoom_img(event,this)">

由圖可看出,恆生指數日收益率的波動在某段時間較小,但在另一段時間內較大,市場指數 存在波動的集聚性現象。

利用2005年1月3日~2005年12月30日的246個交易日的恆生指數日收盤價數據,採用蒙特卡 羅模擬法計算出下一交易日(2006年1月3日)的恆生指數VaR,持有期為一天,置信水平為9 5%,選用幾何布朗運動作為反應上證指數變化的隨機模型,其離散形式可表示為:
740)h=740" border=undefined onmousewheel="return zoom_img(event,this)">
其中:st表示t時刻的恆生指數,st+i表示t+i時刻的恆生指數,μ代表恆生指數日 收益率的均值;
σ表示恆生指數日收益率的波動率;
ε表示隨機變量,服從標準正態分佈。


740)h=740" border=undefined onmousewheel="return zoom_img(event,this)">

740)h=740" border=undefined onmousewheel="return zoom_img(event,this)"> 

其中st+1,st+2,……,st+20為恆生指數變化的一條可能的路徑,ST則 為2006年1月3日恆生指數的一個可能的收盤價;
重複步驟2和步驟3,1 000次,模擬出200 6年1月3日恆生指數1 000個可能的收盤價;
即得到S1T,S2T,……,S1000T;
計算VaR:對S1T,S2T,……,S1000T按照升序排列,找到下方5%的分位 數Smin5%T,則可計算出95%置信水平下的VaR:VaR=st-Smin5%T。

利用eviews編程計算上述步驟,可得下一交易日(2006年1月3日)恆生指數的VaR值的絕對 數為-225.8136。在此基礎上,用eviews重複計算249次,得出2006年1月3日~2006年12月29 日共249個95%的日VaR所對應rmax。下圖中顯示了實際日收益率與基於蒙特卡羅模擬 法的日VaR所對應rmax。

740)h=740" border=undefined onmousewheel="return zoom_img(event,this)">
2.3 基於蒙特卡羅模擬的VaR的檢驗

在此採用Kupiec的失敗頻率檢驗法。檢驗樣本是2006年1月3日~2006年12月29日249個交易 日的指數收盤價。根據文章的失敗檢驗法,當樣本數量為246,置信水平為95%時,根據插值 法可得失敗次數N的非拒絕域6<N<21,也就是説當N在(6,21)內,表明模型較好的估計了 風險。N≥21表明VaR模型低估了損失發生的概率,當N≤6表明VaR模型過於保守,高估了風 險。
具體檢驗結果統計如下:
740)h=740" border=undefined onmousewheel="return zoom_img(event,this)">
蒙特卡羅模擬對恆生指數的檢驗能夠通過,説明在95%的置信水平上,蒙特卡羅模擬能夠很 好地預測風險。
3 結論

由以上研究可見,基於蒙特卡羅模擬的VaR對對價格波動敏感,有較好的擬合性,能夠很好 地預測風險。這一研究對於國內即將開展的股指期貨市場,具有一定的借鑑意義。但如何繼 續提高蒙特卡羅模擬的VaR,對股指期貨市場風險的測量的精確度,從而有效度量股指期貨 市場的市場風險,將會作為後續研究工作而進行下去。
[參考文獻]
[1] 菲利普·喬瑞著,陳躍,等譯,VaR:風險價值[M].北京:中信出版社,2005.
[2] Warshawsky,M.J., The adequacy and consistency of margin requiremen ts in the markets for stocks and derivative products[R]d of Governors St aff Study,1989:158.
[3] Longin, F. Optimal Margins in Futures Markets: A Parametric Extreme -based Approach[R]. Proceedings, Ninth Chicago Board of Trade Conference on F utures and Options, Bonn.,1995:22.
[4] Figlewski,ins and Market in Setting for S tock Index Futures and Options[J]nal of Futures Markets,1984,4(3):385~4 16.
[5] Kupiec,p. Techniques for verifying the accuracy of risk measurement  models[J]nal of Derivatives,1995,(3):73~84.
[6] Kupiec, P.H., White, A.P., Regulatory Competition and the Efficienc y of Alternative Derivative Product Margining Systems[J]nal of Futures  Markets ,1996,(16):943~968.
[7] Booth G. Geoffrey, John Broussard, Teppo Martikainen, Vesa Puttonen.  Prudent margin levels in the Finnish stock index futures market[J]gem ent Science, 1997,43(8):1177~1188.
[8] an, RiskMetricsTM-Technical Document[M]th edition, N ew York,1996.
[9] 詹原瑞.市場風險的度量:VaR的計算與應用[J].系統工程理論與實踐,1999 ,(12)
[10] 朱宏泉,李亞靜e at risk模型及其在香港股市中的實證分析[J].預測 ,2001,(2):29~33.
[11] 張廣毅,杭敬,路正南.基於VaR技術的香港恆生指數期貨分析[J].統計與 決策,2004,(5):80~81.
[12] 徐國祥,吳澤智.我國指數期貨保證金水平設定方法及其實證研究——極值理 論的應用[DB/OL]s:// , 2004.

熱門標籤