摘要:风险管理是银行经营管理的一项重要内容。提高风险管理能力是我国金融业改革与发展的基本要求。这要求不断的学习先进的风险管理方法与理论。风险价值模型(Value-at-risk,简称VaR)是当前金融风险管理领域广泛使用的工具。本文归纳了风险价值模型的应用对象和存在的优缺点并对此模型的各种改进方法进行了分析,并提出了风险价值理论进一步研究的方向。
关键词:风险价值模型 VaR 参数模型 多尺度分析
商业银行的风险度量是商业银行进行利率风险管理的基础。从20世纪90年代开始, VaR (value-at-risk)模型[1,2]就被引入到金融风险管理中,现已成为监管当局和金融机构广泛采用的风险度量和管理工具之一。例如,《巴塞尔协议》(Basel Accord)、《欧盟资本充足率指令》(EU Capital Adequacy Directive)等。当前,经济全球化不断发展,商业银行面临着更多的利率风险。我国不断深入的金融改革不但给我国商业银行带来了活力,也相应地带来了巨大的利率风险。鉴于此模型具有广泛的影响力及当前的研究需求,尽管徐元铖[1]在2005年对VaR方法进行了很好的介绍,但近年来,VaR模型的研究依旧是金融业相关研究的一个热点[3-6],在CNKI数据库中以“VaR模型”为主题词,2005-2013年共有4980个检索结果。所以本文将介绍基本的VAR及其相关的最新改进。
一、VaR简介及作用
二、VaR模型分析
计算VaR的方法有很多。依参数设置角度可分为三大类[1,2]:(1)参数方法;(2)非参数方法;(3)半参数方法。这三类方法是当前研究的主流。并且随着机器学习理论和信号处理技术的进一步发展,产生了结合神经网络方法和多尺度方法的新进展。下文将对上述方法给出详细描述。
(一)参数方法
(二)非参数方法
以GARCH族模型为代表参数方法在计算VaR时,需要事先假设收益率的分布。但是很多场合下收益率的分布形式无法准确确定,因此在GARCH族模型中假设收益率服从某个分布是不甚恰当的。而以历史模拟法(Hs)和蒙特卡罗模拟(MC)法[7]为代表的非参数方法可以在一定程度上解决这个问题。
历史模拟法(Hs) 以“历史可以在未来重复自身”为假设,优点在于它不要求有收益率分布的假定,只需要用分布函数来估计收益率的分布,因此就不需要估计特定分布的参数。缺点在于(1) 计算结果的波动受过去数据的时段选择很大影响;(2)***同分布的假定使得Hs无法解释真实世界中常见的波动聚类现象。
而蒙特卡罗(MC)方法是用计算机模拟出金融变量的未来特定期间内随机价格走势,估算出投资组合的风险值,并以此来近似揭示该金融变量的市场特征。因此MC不需要大量的数据。可以较好的处理非线性、非正态问题。缺点在于计算量巨大,而且随着需要考虑的风险因子数的增加,模型变得越来越复杂。
(三)半参数方法
半参数方法的引入是因为传统的参数和非参方法在数据点较多的区域可以比较准确的估计其分布形式,但是在数据稀少的尾部区域却表现较差。半参数法主要有极值理论和条件自回归VaR法两种,其中前者尽管有很多优点,但是其专注于极端尾部收益率的分布,因此在较高概率水平如5%上的VaR预测反而表现不好。
因此,Engle 和 Manganelli [2] (2004)通过直接对分位数进行回归计,提出了条件自回归VaR法,该方法的优点在于可以直接通过回归得到分位数,而不需要对收益率的分布做出假设,也没有正态或者***同分布的假设。
(四)神经网络方法
BP(Back Propagation)网络是由Rumelhart和McCelland为首的科学家小组于1986年提出的。[7]BP网络能学习和存贮大量的输入-输出映射关系,而无需事前定义描述这种映射关系的数学方程。理论上已经证明一个三层BP网络就可以完成任意的n维到m维的映射。
(五)多尺度方法
三、VaR模型的局限性
本文第二部分对VaR方法分类进行了必要的介绍,其中分析了各类方法的特点及优缺点。因此,尽管VaR在市场风险管理中作为控制风险的必要程序起着不可估量的作用,但它应当被看作是而不是充分程序,更不能简单地解决市场风险管理中的所有问题。VaR模型的主要局限性有:
(一)只能度量一般性非正常事件的风险,不能度量罕见的异常波动所导致的预期损失。事实上,由于数学风险模型不能精确地量化重大的金融事件,VaR模型只能增加可靠性,但不能提供保证,因此,对VaR的依靠也只能是有限的。因此使用VaR模型的同时需要经济基本面的分析和压力测试(stress testing)作为补充。[6]
(二)只能用于可交易的资产或负债,不能用于不可交易的资产或负债。
(三)只能度量市场风险,不能度量信用风险和流动性风险等银行面临的其他风险类型。VaR模型没有考虑流动性风险。对于市场交易不活跃的工具来说,这个问题更加突出。因为,尽管可以基于历史数据实现估计损失规模,但由于真实市场上很难找到买方或大幅折价出售,实际的损失会变得更大。
(四)内生的模型风险使得VaR的可靠性难以把握。正是基于这种内生模型的局限性,巴塞尔银行监督委员会要求使用返回检验(back testing)来检验银行所使用VaR模型的有效性。
(五)VaR模型对历史数据依赖性较大。
因此,商业银行在利用VaR模型时,需要仔细地选择合适的方法。[8]
四、结束语
与传统的其他行业风险相比,金融产业的风险不仅可以影响金融业本身,更深入影响到国民经济的方方面面。因此近年来对于改进VaR模型的新方法新思路一直是学术界和业界的研究热点和重点。例如神经网络方法和多尺度分析技术。对提高银行有效管理市场风险的水平有着重要意义。
参考文献
[1] 徐元铖.国外风险价值模型研究现状[J].外国经济与管理,2005,27(6):44-51.
[2] Robert F. Engle, Simone Manganelli, 2004. CAViaR: Conditional Autoregressive Value at Risk by Regression Quantiles. Journal of Business & Economic Statistics. vol. 22, p367-381
[3] 张鹏,薛志宏,黄诗琪.刍议银行集中度与经济增长的关系――基于面板VAR模型的实证分析[J].现代财经(天津财经大学学报),2012, 32(03):71-80.
[4] 康煜,凌铃,罗猛.基于VAR模型的中国银行体系脆弱性实证研究[J].金融理论与实践,2012,(05):6-11.
[5] 戴丽娜,韩娜.商业银行操作风险计量模型的Bayes估计[J].数学的实践与认识,2012,42(11):1-9.
[6] 王际科,迟国泰,洪忠诚.VaR风险控制的银行资产负债管理优化模型[J].哈尔滨工业大学学报,2009, 41(02):245-247.
[7] 王芳,涂春丽,勾永尧.基于Elman神经网络的气温预测研究[J].安徽农业科学,2011,39(33): 20859~20860
[8] 刘晓曙,郑振龙.商业银行VaR模型预测能力的验证[J].当代财经,2007,(08):39-43.