作者簡介：薛立國（199005-），男，漢族，江蘇鹽城市人，在讀研究生，南京財經(jīng)大學，研究方向：西方經(jīng)濟學。摘要：本文通過分析法計算VaR（Value-at-Risk，在險價值），并通過Kupiec的失敗頻率檢驗比較模型的優(yōu)劣,發(fā)現(xiàn)上證股市的風險要略高于深證股市的風險，對于上證綜指而言，在95%的置信水平下， EGARCH-M模型更好，在99%置信水平下，GARCH-M模型最好，對于深證成指而言，在95%的置信水平下， PARCH-M更好，在99%置信水平下， GARCH-M模型最好。

關(guān)鍵詞：VaR；分析法一、分析法計算VaR

VaR①（Value-at-Risk，在險價值）作為一種新型的風險度量方法，VaR是指在正常市場條件下，在給定的置信水平下，金融資產(chǎn)或資產(chǎn)組合在一定時期內(nèi)可能產(chǎn)生的最大損失值。

本文運用分析法來計算我國股票市場的VaR的值，選取上證綜指和深證成指日收盤價作為研究對象，通過變換得到對數(shù)收益率作為隨機變量來對我國股票市場進行建模，最后對模型進行檢驗。

(一)上證綜指對數(shù)收益率時間序列的正態(tài)性檢驗

表1為上證綜指對數(shù)收益率的統(tǒng)計特征表，從圖中可知峰度Kurtosis=134.6177遠大于正態(tài)分布臨界值3，同時JB統(tǒng)計量=3407718遠大于臨界值5.99。由此可見，上證綜指對數(shù)收益率并不服從正態(tài)分布，而是具有明顯的尖峰厚尾的特征。因此，在收益率服從正態(tài)分布計算VaR會產(chǎn)生較大的誤差。針對金融時間序列的尖峰、厚尾的特性，本文考慮采用收益率服從GED分布。分析法計算VaR其實質(zhì)在于求條件方差，考慮到GARCH-M模型的時變方差可以刻畫股票市場的波動性，為此我們可以利用GARCH族模型度量股票市場的在險價值VaR。綜上所述，我們考慮采用收益率服從GED分布的GARCH—M族模型。

表1上證綜指對數(shù)收益率基本統(tǒng)計特征表指數(shù)均值標準差最大值最小值偏度峰度J-B值P值上證0.0007290.0263130.719152-0.1790515.362101134.617734077180.0000（二）實證分析

⑴用GARCH-M族模型在GED分布假設下計算上證綜指的VaR

GARCH-M族方程與一般的GARCH族方程的區(qū)別在于收益率方程不同，其收益率方程為：

rt=u1+AΣt+ε2t-P（1）

σ2t=α0+α1ε2t-1+…+αpε2t-p（2）

表2上證綜指對數(shù)收益率GED分布假設下GARCH-M族模型參數(shù)估計結(jié)果ModelAα0α1β1γ1δGED

ParameterGARCH(1,1)

-GED-M0.017217

(0.674698)7.91E-06

(6.279656)0.211277

(13.72017)0.805538

(72.72423)1.076381EGARCH(1,1)

-GED-M-0.027154

(-1.179563)-0.480337

(-12.70877)0.308138

(16.86692)0.967825

(270.7189)-0.037195

(-3.560364)1.067685PARCH(1,1)

-GED-M-0.026397

(-1.146292)0.000444

(1.780874)0.179462

(15.37804)0.851777

(96.86748)0.102109

(3.184858)0.980492

(8.661895)1.079621注：括號內(nèi)z統(tǒng)計量的值

注：表中的GED Parameter為GED分布的形狀參數(shù)（該參數(shù)的作用是通過調(diào)用分位數(shù)函數(shù)@qged(p,v)來計算GDE分布的分位數(shù)，其中p表示置信水平，v代表形狀參數(shù)）

從模型的估計參數(shù)來看，各模型的參數(shù)在5%顯著性水平下的t值的絕對值基本都大于2，即在5%的顯著性水平下均顯著。

表3上證綜指對數(shù)收益率GED分布假設下

GARCH-M族模型置信水平為95%時VaR計算結(jié)果后驗表Model置信

水平VaR

最小值 VaR

最大值VaR

均值VaR

標準差失敗

次數(shù)失敗率GARCH(1,1)

-GED-M95%-0.542773-0.010682-0.0353830.028861450.045EGARCH(1,1)

-GED-M95%-0.542484-0.010676-0.0353640.028845410.041PARCH(1,1)

-GED-M95%-0.542878-0.010684-0.0353900.028866440.044從表3可知，對于上證綜指而言，在95%的置信水平下，以上三個模型計算VaR比較準確，精度較高。

表4上證綜指對數(shù)收益率GED分布假設下

GARCH-M族模型置信水平為99%時VaR計算結(jié)果后驗表GARCH

(1,1)-N-M99%-0.240421-0.024972-0.0469720.018605140.014EGARCH

(1,1)-N-M99%-0.205564-0.020645-0.0465320.016625150.015PARCH

(1,1)-N-M99%-0.202636-0.022828-0.0466790.017416170.017從表4可知，對于上證綜指而言，在99%的置信水平下，以上三個模型計算VaR比較準確，精度較高。

⑵用GARCH-M族模型在GED分布假設下計算深證成指的VaR

表5深證成指對數(shù)收益率GED分布假設下

GARCH-M族模型參數(shù)估計結(jié)果ModelA α0 α1β1γ1δGED

ParameterGARCH(1,1)

-GED-M-0.054864

(-1.226691)7.53E-06

(5.047544)0.094817

(9.534295)0.886557

(74.92280)1.228343EGARCH(1,1)

-GED-M-0.073890

(-1.760229)-0.378626

(-7.256661)0.205389

(12.38394)0.972260

(176.2290)-0.049063

(-4.328638)1.236238PARCH(1,1)

-GED-M-0.090310

(-2.143278)0.000423

(1.588457)0.109222

(11.33845)0.893356

(83.50981)0.272368

(4.777806)1.020478

(7.162238)1.233295從模型的估計參數(shù)來看，各模型的參數(shù)在5%顯著性水平下的t值的絕對值基本都大于2，即在5%的顯著性水平下均顯著。

表6深證成指對數(shù)收益率GED分布假設下

GARCH-M族模型置信水平為95%時VaR計算結(jié)果后驗表Model置信

水平VaR

最小值VaR

最大值VaR

均值VaR

標準差失敗

次數(shù)失敗

率GARCH(1,1)

-GED-M95%-0.137667-0.015404-0.0298130.011713490.049EGARCH(1,1)

-GED-M95%-0.117003-0.012821-0.0295460.010639510.051PARCH(1,1)

-GED-M95%-0.103492-0.013434-0.0296100.010935530.053從表6可知，對于深證成指而言，在95%的置信水平下，以上三個模型計算的VaR比較準確，精度較高。

endprint

表7深證成指對數(shù)收益率GED分布假設下

GARCH-M族模型置信水平為99%時VaR計算結(jié)果后驗表Model置信

水平VaR

最小值VaR

最大值VaR

均值VaR

標準差失敗

次數(shù)失敗

率GARCH(1,1)

-GED-M99%-0.219585-0.024571-0.0475530.01869380.008EGARCH(1,1)

-GED-M99%-0.186280-0.020413-0.0470390.016938150.015PARCH(1,1)

-GED-M99%-0.164876-0.021401-0.0471730.017421150.015從表7可知，對于深證成指而言，在99%的置信水平下，以上三個模型計算的VaR比較準確，精度較高。

（三）VaR模型的失敗率檢驗的基本原理

Kupiec（1995）提出的失敗率檢驗法將實際損失值與VaR模型計算出的預測損失值比較，實際損失值較大則記為失敗，用失敗的天數(shù)除以總觀察天數(shù)得到的失敗率與預先設定的VaR估計的顯著性水平比較，越接近則該VaR模型的預測效果越好。他假定VaR的估計具有時間獨立性，則失敗觀察的二項式結(jié)果代表一系列的伯努利試驗，失敗的期望概率為α（α為顯著性水平），假定實際觀察天數(shù)為T，失敗天數(shù)為N，則失敗率為p＝N／T。原假設為p=α，Kupiec提出采用似然比率檢驗，LR統(tǒng)計量為：

LR=2[(1-α)T-NαN]+2ln[(1-p)T-NpN]

在原假設下，統(tǒng)計量服從自由度為1的χ2分布。

Kupiec給出了失敗率檢驗方法的接受域，見表5..1

表7檢驗區(qū)域值標準概率水平P失敗次數(shù)N的接受域T=255天T=510天T=1000天0.01N<71

表8上證綜指和深證成指GARCH族模型失敗次數(shù)統(tǒng)計表股票指數(shù)上證綜指深證成指置信水平95%99%接受域37

（四）結(jié)論分析

⑴上證綜指和深證成指的比較發(fā)現(xiàn)

無論是在95%的置信水平還是99%置信水平，上證綜指的VaR標準差均大于深證成指的VaR標準差。

結(jié)論：上證股市的風險要大于深證股市。

綜上所述：上證股市的風險要略高于深證股市的風險，對于上證綜指而言，無論是在95%還是在99%置信水平下， GED分布的EGARCH-M模型更好，對于深證成指而言，無論是在在95%下還是在99%置信水平下，GED分布的GARCH-M模型最好。

參考文獻

[1]李慶全．VaR方法在中國股票市場的風險度量中的應用研究［Ｄ］．云南：昆明理工大學，2011：

[2]廖飛．VaR方法在我國證券投資基金中的應用研究［Ｄ］．貴州：貴州財經(jīng)大學，2011：

[3]孟躍輝．VaR方法在滬深股市風險度量中的應用［Ｄ］．安徽：安徽大學，2012：

[4]錢思思．基于價格極差—GARCH模型VaR風險研究［Ｄ］．四川：西南財經(jīng)大學，2012：

[5]王超．基于VaR模型的風險價值度量研究［Ｄ］．山東：山東財經(jīng)大學，2013：

[6]趙鵬．基于GARCH模型的VaR方法的實證研究［Ｄ］．山東：山東大學，2013

注解

①譚春芝、滕莉莉、謝玉華．金融工程學理論與實務（第二版）［Ｍ］．北京：北京大學出版社，2012：73-74．

(下接第83頁)

最終選擇隨機效應模型。模型結(jié)果為

lnZit=αi-0.545HHIit+γconit+εit

3.結(jié)果分析。如上我們發(fā)現(xiàn)lnZ與HHI之間成反向關(guān)系，而lnZ越大說明銀行違約風險越小，那么HHI與銀行違約風險為正向關(guān)系，即銀行集中度越大銀行的破產(chǎn)風險越大，也就是說銀行集中度的增大不利于銀行抵御自身的違約風險。

五、總結(jié)

本文從銀行股權(quán)結(jié)構(gòu)的一個方面-銀行股權(quán)集中度的角度出發(fā)，對9家上市銀行的違約風險進行建模，并加入銀行總資產(chǎn)規(guī)模、銀行貸款增長率、銀行留存收益率以及銀行盈利性這些控制變量。最終通過面板模型的估計結(jié)果得出結(jié)論：銀行股權(quán)集中度越高，銀行自身的違約風險越高，上市商業(yè)銀行在面臨存款保險即將到來的大勢面前，適當分散大股東的控股能力，將有助于保護銀行不受各種信用違約事件的影響。

參考文獻

[1]權(quán)艷青、曹維凱和吳楠.中國上市銀行股權(quán)集中度與績效關(guān)系的實證研究[J].經(jīng)濟研究導刊,2013(183):61-106.

[2]王永梅、劉慧玲.銀行股權(quán)結(jié)構(gòu)與風險承受—基于我國上市銀行數(shù)據(jù)的研究[J].當代會計評論2010(2):1-12.

[3]朱瑾、朱恩濤.我國上市銀行股權(quán)集中度與經(jīng)營績效的實證分析[J].證券市場 2008(10):85-87.

[4]laetitia,L.,Frank,S..Bank insolvency risk and time-varying Z-score measures[J].Journal of international financialmarkets,institutions and money,2013(73-87).

[5]Laeven,L.andLevine,R..Bankgovernance,regulation and risk taking[J].Journal of Financial Economics,2009(93):259-275.

[6]Saunder,A,Strock,E.andTravlos,N,G..Ownershipstructure,deregulation,and bank risk taking[J].Journal of Finance,1990(2):643-654.

表7深證成指對數(shù)收益率GED分布假設下

GARCH-M族模型置信水平為99%時VaR計算結(jié)果后驗表Model置信

水平VaR

最小值VaR

最大值VaR

均值VaR

標準差失敗

次數(shù)失敗

率GARCH(1,1)

-GED-M99%-0.219585-0.024571-0.0475530.01869380.008EGARCH(1,1)

-GED-M99%-0.186280-0.020413-0.0470390.016938150.015PARCH(1,1)

-GED-M99%-0.164876-0.021401-0.0471730.017421150.015從表7可知，對于深證成指而言，在99%的置信水平下，以上三個模型計算的VaR比較準確，精度較高。

（三）VaR模型的失敗率檢驗的基本原理

Kupiec（1995）提出的失敗率檢驗法將實際損失值與VaR模型計算出的預測損失值比較，實際損失值較大則記為失敗，用失敗的天數(shù)除以總觀察天數(shù)得到的失敗率與預先設定的VaR估計的顯著性水平比較，越接近則該VaR模型的預測效果越好。他假定VaR的估計具有時間獨立性，則失敗觀察的二項式結(jié)果代表一系列的伯努利試驗，失敗的期望概率為α（α為顯著性水平），假定實際觀察天數(shù)為T，失敗天數(shù)為N，則失敗率為p＝N／T。原假設為p=α，Kupiec提出采用似然比率檢驗，LR統(tǒng)計量為：

LR=2[(1-α)T-NαN]+2ln[(1-p)T-NpN]

在原假設下，統(tǒng)計量服從自由度為1的χ2分布。

Kupiec給出了失敗率檢驗方法的接受域，見表5..1

表7檢驗區(qū)域值標準概率水平P失敗次數(shù)N的接受域T=255天T=510天T=1000天0.01N<71

表8上證綜指和深證成指GARCH族模型失敗次數(shù)統(tǒng)計表股票指數(shù)上證綜指深證成指置信水平95%99%接受域37

（四）結(jié)論分析

⑴上證綜指和深證成指的比較發(fā)現(xiàn)

無論是在95%的置信水平還是99%置信水平，上證綜指的VaR標準差均大于深證成指的VaR標準差。

結(jié)論：上證股市的風險要大于深證股市。

綜上所述：上證股市的風險要略高于深證股市的風險，對于上證綜指而言，無論是在95%還是在99%置信水平下， GED分布的EGARCH-M模型更好，對于深證成指而言，無論是在在95%下還是在99%置信水平下，GED分布的GARCH-M模型最好。

參考文獻

[1]李慶全．VaR方法在中國股票市場的風險度量中的應用研究［Ｄ］．云南：昆明理工大學，2011：

[2]廖飛．VaR方法在我國證券投資基金中的應用研究［Ｄ］．貴州：貴州財經(jīng)大學，2011：

[3]孟躍輝．VaR方法在滬深股市風險度量中的應用［Ｄ］．安徽：安徽大學，2012：

[4]錢思思．基于價格極差—GARCH模型VaR風險研究［Ｄ］．四川：西南財經(jīng)大學，2012：

[5]王超．基于VaR模型的風險價值度量研究［Ｄ］．山東：山東財經(jīng)大學，2013：

[6]趙鵬．基于GARCH模型的VaR方法的實證研究［Ｄ］．山東：山東大學，2013

注解

①譚春芝、滕莉莉、謝玉華．金融工程學理論與實務（第二版）［Ｍ］．北京：北京大學出版社，2012：73-74．

(下接第83頁)

最終選擇隨機效應模型。模型結(jié)果為

lnZit=αi-0.545HHIit+γconit+εit

3.結(jié)果分析。如上我們發(fā)現(xiàn)lnZ與HHI之間成反向關(guān)系，而lnZ越大說明銀行違約風險越小，那么HHI與銀行違約風險為正向關(guān)系，即銀行集中度越大銀行的破產(chǎn)風險越大，也就是說銀行集中度的增大不利于銀行抵御自身的違約風險。

五、總結(jié)

本文從銀行股權(quán)結(jié)構(gòu)的一個方面-銀行股權(quán)集中度的角度出發(fā)，對9家上市銀行的違約風險進行建模，并加入銀行總資產(chǎn)規(guī)模、銀行貸款增長率、銀行留存收益率以及銀行盈利性這些控制變量。最終通過面板模型的估計結(jié)果得出結(jié)論：銀行股權(quán)集中度越高，銀行自身的違約風險越高，上市商業(yè)銀行在面臨存款保險即將到來的大勢面前，適當分散大股東的控股能力，將有助于保護銀行不受各種信用違約事件的影響。

參考文獻

[1]權(quán)艷青、曹維凱和吳楠.中國上市銀行股權(quán)集中度與績效關(guān)系的實證研究[J].經(jīng)濟研究導刊,2013(183):61-106.

[2]王永梅、劉慧玲.銀行股權(quán)結(jié)構(gòu)與風險承受—基于我國上市銀行數(shù)據(jù)的研究[J].當代會計評論2010(2):1-12.

[3]朱瑾、朱恩濤.我國上市銀行股權(quán)集中度與經(jīng)營績效的實證分析[J].證券市場 2008(10):85-87.

[4]laetitia,L.,Frank,S..Bank insolvency risk and time-varying Z-score measures[J].Journal of international financialmarkets,institutions and money,2013(73-87).

[5]Laeven,L.andLevine,R..Bankgovernance,regulation and risk taking[J].Journal of Financial Economics,2009(93):259-275.

[6]Saunder,A,Strock,E.andTravlos,N,G..Ownershipstructure,deregulation,and bank risk taking[J].Journal of Finance,1990(2):643-654.

表7深證成指對數(shù)收益率GED分布假設下

GARCH-M族模型置信水平為99%時VaR計算結(jié)果后驗表Model置信

水平VaR

最小值VaR

最大值VaR

均值VaR

標準差失敗

次數(shù)失敗

率GARCH(1,1)

-GED-M99%-0.219585-0.024571-0.0475530.01869380.008EGARCH(1,1)

-GED-M99%-0.186280-0.020413-0.0470390.016938150.015PARCH(1,1)

-GED-M99%-0.164876-0.021401-0.0471730.017421150.015從表7可知，對于深證成指而言，在99%的置信水平下，以上三個模型計算的VaR比較準確，精度較高。

（三）VaR模型的失敗率檢驗的基本原理

Kupiec（1995）提出的失敗率檢驗法將實際損失值與VaR模型計算出的預測損失值比較，實際損失值較大則記為失敗，用失敗的天數(shù)除以總觀察天數(shù)得到的失敗率與預先設定的VaR估計的顯著性水平比較，越接近則該VaR模型的預測效果越好。他假定VaR的估計具有時間獨立性，則失敗觀察的二項式結(jié)果代表一系列的伯努利試驗，失敗的期望概率為α（α為顯著性水平），假定實際觀察天數(shù)為T，失敗天數(shù)為N，則失敗率為p＝N／T。原假設為p=α，Kupiec提出采用似然比率檢驗，LR統(tǒng)計量為：

LR=2[(1-α)T-NαN]+2ln[(1-p)T-NpN]

在原假設下，統(tǒng)計量服從自由度為1的χ2分布。

Kupiec給出了失敗率檢驗方法的接受域，見表5..1

表7檢驗區(qū)域值標準概率水平P失敗次數(shù)N的接受域T=255天T=510天T=1000天0.01N<71

表8上證綜指和深證成指GARCH族模型失敗次數(shù)統(tǒng)計表股票指數(shù)上證綜指深證成指置信水平95%99%接受域37

（四）結(jié)論分析

⑴上證綜指和深證成指的比較發(fā)現(xiàn)

無論是在95%的置信水平還是99%置信水平，上證綜指的VaR標準差均大于深證成指的VaR標準差。

結(jié)論：上證股市的風險要大于深證股市。

綜上所述：上證股市的風險要略高于深證股市的風險，對于上證綜指而言，無論是在95%還是在99%置信水平下， GED分布的EGARCH-M模型更好，對于深證成指而言，無論是在在95%下還是在99%置信水平下，GED分布的GARCH-M模型最好。

參考文獻

[1]李慶全．VaR方法在中國股票市場的風險度量中的應用研究［Ｄ］．云南：昆明理工大學，2011：

[2]廖飛．VaR方法在我國證券投資基金中的應用研究［Ｄ］．貴州：貴州財經(jīng)大學，2011：

[3]孟躍輝．VaR方法在滬深股市風險度量中的應用［Ｄ］．安徽：安徽大學，2012：

[4]錢思思．基于價格極差—GARCH模型VaR風險研究［Ｄ］．四川：西南財經(jīng)大學，2012：

[5]王超．基于VaR模型的風險價值度量研究［Ｄ］．山東：山東財經(jīng)大學，2013：

[6]趙鵬．基于GARCH模型的VaR方法的實證研究［Ｄ］．山東：山東大學，2013

注解

①譚春芝、滕莉莉、謝玉華．金融工程學理論與實務（第二版）［Ｍ］．北京：北京大學出版社，2012：73-74．

(下接第83頁)

最終選擇隨機效應模型。模型結(jié)果為

lnZit=αi-0.545HHIit+γconit+εit

3.結(jié)果分析。如上我們發(fā)現(xiàn)lnZ與HHI之間成反向關(guān)系，而lnZ越大說明銀行違約風險越小，那么HHI與銀行違約風險為正向關(guān)系，即銀行集中度越大銀行的破產(chǎn)風險越大，也就是說銀行集中度的增大不利于銀行抵御自身的違約風險。

五、總結(jié)

本文從銀行股權(quán)結(jié)構(gòu)的一個方面-銀行股權(quán)集中度的角度出發(fā)，對9家上市銀行的違約風險進行建模，并加入銀行總資產(chǎn)規(guī)模、銀行貸款增長率、銀行留存收益率以及銀行盈利性這些控制變量。最終通過面板模型的估計結(jié)果得出結(jié)論：銀行股權(quán)集中度越高，銀行自身的違約風險越高，上市商業(yè)銀行在面臨存款保險即將到來的大勢面前，適當分散大股東的控股能力，將有助于保護銀行不受各種信用違約事件的影響。

參考文獻

[1]權(quán)艷青、曹維凱和吳楠.中國上市銀行股權(quán)集中度與績效關(guān)系的實證研究[J].經(jīng)濟研究導刊,2013(183):61-106.

[2]王永梅、劉慧玲.銀行股權(quán)結(jié)構(gòu)與風險承受—基于我國上市銀行數(shù)據(jù)的研究[J].當代會計評論2010(2):1-12.

[3]朱瑾、朱恩濤.我國上市銀行股權(quán)集中度與經(jīng)營績效的實證分析[J].證券市場 2008(10):85-87.

[4]laetitia,L.,Frank,S..Bank insolvency risk and time-varying Z-score measures[J].Journal of international financialmarkets,institutions and money,2013(73-87).

[5]Laeven,L.andLevine,R..Bankgovernance,regulation and risk taking[J].Journal of Financial Economics,2009(93):259-275.

[6]Saunder,A,Strock,E.andTravlos,N,G..Ownershipstructure,deregulation,and bank risk taking[J].Journal of Finance,1990(2):643-654.