莊慧敏

摘要：對2012年1月1日至2016年10月30日的上證綜合指數(shù)日收益率進行平穩(wěn)性檢驗、自相關檢驗、偏自相關檢驗和ARCH效應檢驗，可以建立ARMA-GARCH模型。ARMA-GARCH模型的殘差項單獨提取，分別建立正態(tài)分布和廣義的Pareto分布模型，對標準殘差進行擬合，并用滾動估計法估計置信水平為95%的VaR值。研究發(fā)現(xiàn)：ARMA-GARCH模型可以更好的說明日收益率的波動集聚性，而波動的厚尾性，即殘差項用廣義的Pareto分布可以更好的擬合，得到95%的置信水平下的VaR值的風險更小。為金融市場的研究提供借鑒。

關鍵詞：ARMA-GARCH模型；VaR；廣義Pareto分布；R軟件

一、引言

21世紀以來，隨著科學技術(shù)的不斷進步，經(jīng)濟全球化與金融一體化的趨勢不斷地加快，現(xiàn)代金融理論、金融創(chuàng)新、信息技術(shù)等因素在推動全球經(jīng)濟發(fā)展的同時，也給金融業(yè)帶來了巨大挑戰(zhàn)。股票市場債務危機的頻繁出現(xiàn)、經(jīng)濟危機的不斷發(fā)生，正在潛移默化的改變著世界的經(jīng)濟格局，特別是世界經(jīng)濟的重心開始逐漸的轉(zhuǎn)向發(fā)展中國家，與此同時各國大力提倡金融改革，使得全球金融市場面臨巨大的不確定性，金融市場風險日益嚴重。因此對股票市場和金融風險的研究尤為重要。

自Engle在1982年提出ARCH模型以來，國內(nèi)外學者對自回歸條件異常方差模型進行了大量的擴展性研究，構(gòu)成了GARCH模型的一個家族體系，主要有GARCH、EGARCH、TGARCH模型等。

基于GARCH模型的VaR估計方法的研究也有很多。So和Yu（2007）對于基于七種GARCH模型的VaR估計方法進行了實證研究，包括RiskMetries模型以及兩類長記憶GARCH模型，發(fā)現(xiàn)基于GARCH模型的VaR估計比RiskMetries方法得到的VaR估計值具有更好的預測效果。但是基于極值理論下建立ARMA-GARCH模型的研究還很少。因此，本文基于正態(tài)分布和極值理論分別對上證綜合指數(shù)日收益率建立ARMA-GARCH模型，比較兩種方法的優(yōu)劣，為金融市場研究提供借鑒。

二、理論基礎

（一）ARMA模型

三、模型建立

本文提取2012年1月1日至2016年10月30日的日收盤價，共1174個數(shù)據(jù)，數(shù)據(jù)來源Yahoo財經(jīng)網(wǎng)。數(shù)據(jù)處理采用R軟件3.3.1。

對日收盤價取對數(shù)得到日收益率，即計算公式為：yt=ln（pt）-ln（pt-1）

式中，yt代表第t日的收益率，（pt代表第t日的上證綜合收盤指數(shù)。

（一）數(shù)據(jù)檢驗

1. 平穩(wěn)性檢驗

本文采用ADF單位根檢驗。ADF值小于給定顯著性水平下的臨界值，說明該時間序列沒有單位根，也即是該序列是平穩(wěn)時間序列。反之，則為非平穩(wěn)時間序列，需要對其進行差分處理，使序列平穩(wěn)。

使用R軟件對日收益率序列進行單位根檢驗，其中ADF=-24.7563 ，小于5%顯著性水平下的臨界值-1.95。表明日收益率時間序列不存在單位根，因此日收益率時間序列是平穩(wěn)序列?？蓪ζ浣RMA模型。

2. 自相關性檢驗

Box-Ljung檢驗法。檢驗的，明顯小于0.05，可以認為日收益率平方序列存在自相關性。即原序列存在ARCH效應。

3. ARCH效應檢驗

ARCH LM-test檢驗法。檢驗的，小于0.05拒絕原假設，所以在5%的顯著性水平下，認為日收益率序列具有ARCH效應。

（二）ARMA-GARCH模型的建立

通過R軟件中篩選出的最優(yōu)擬合模型是ARIMA（3，0，2）和GARCH（1，1）。模型系數(shù)如圖1所示。

1. 模型檢驗

標準化殘差是否存在顯著的ARCH效應。

根據(jù)Weighted ARCH LM Tests檢驗結(jié)果可知，p-value值明顯大于0.05，因此接受原假設，所以在5%的顯著性水平下，認為日收益率序列不具有ARCH效應。說明建立的ARMA（3，0，2）GARCH（1，1）模型已捕捉了數(shù)據(jù)的條件異方差。

2. ARMA-GARCH模型的風險價值VaR

ARMA-GARCH模型共進行了573次回測，實際損失超過VaR估計值的突破事件發(fā)生了30次，Actual %是5.2，說明突破事件發(fā)生率比設定的概率水平（5%）大，初步判斷采用的模型有待改善。Kupiec檢驗將突破事件發(fā)生率與估計VaR值的左尾概率進行比較，如果二者無顯著差異，則表示估計出來的VaR值是有效的；如果相差很大，則說明采用的VaR估計模型是不適當?shù)?，應拒絕。根據(jù)Kupiec檢驗的P值結(jié)果（0.797），不能拒絕原假設，即采用的VaR估計模型是有效的。 Christoffersen檢驗是來查看突破事件是否獨立，主要檢驗的是在當天已經(jīng)發(fā)生突破的條件下突第二天再發(fā)生突破事件的概率是否與當天未發(fā)生突破事件、第二天發(fā)生突破事件的概率相同，簡單來說，Christoffersen檢驗是來查看突破事件是否會接連發(fā)生。根據(jù)P值結(jié)果（0.539），需要接受Christoffersen檢驗的原假設：突破事件是獨立的。通過以上的回測過程，證明構(gòu)建的模型是可以接受的、可以用于預測。

3. 基于正態(tài)分布下ARMA-GARCH模型的VaR

由于對數(shù)收益率乘100，因此當上尾概率τ=0.05時求出的持有期為1天的 VaR為0.037483，當上尾概率τ=0.01時求出的持有期為1天的VaR為0.04856。

由于殘差是用正態(tài)分布擬合得，導致最后構(gòu)建的模型不夠理想，因此改變殘差的擬合分布尤為重要，因此，選擇具有廣義的Pareto分布對殘差進行擬合。

（三）標準殘差建立Pareto分布模型

1. 標準殘差的獨立性檢驗

標準化殘差進行檢驗是否存在自相關

根據(jù)標準化殘差進行Weighted Ljung-Box Test檢驗可知滯后十階中最小的p-value值為0.5228，明顯然大于0.05，接受原假設，即標準化殘差進行檢驗不存在自相關性，因此假定殘差是獨立的。

2. 標準殘差建立Pareto分布模型

標準殘差平均超出散點圖

由圖2中可知，閾值選取2.00（由于對數(shù)收益率乘100）比較合適。

在閾值為2.00的情況下用GPD分布擬合日對數(shù)收益率得到的診斷檢驗圖

在圖3中，左上角為超出量的分布函數(shù)圖，右上角為殘差的散點圖，左下角為分布的尾概率估計圖，右下方為殘差的Q-Q圖，從圖可以看出，尾概率估計和殘差的Q-Q圖基本與直線重合，說明選取的閾值為2.00比較合適。

由R軟件輸出的結(jié)果可知標準殘差建立Pareto分布模型為：

3. 標準殘差基于Pareto分布模型的VaR和ES值

由于對數(shù)收益率乘100，因此當上尾概率τ=0.05時求出的持有期為1天的 VaR為0.02385，ES為0.03289，當上尾概率τ=0.01時求出的持有期為1天的VaR為0.03856，ES為0.04668。

四、研究結(jié)論

通過正態(tài)分布和極值理論分別對上證綜合指數(shù)日收益率建立ARMA-GARCH模型進行比較得出：基于Pareto分布下ARMA-GARCH模型可以更好的說明日收益率的波動集聚性，而波動的厚尾性，即殘差項用廣義的Pareto分布可以更好的擬合，得到95%的置信水平下的VaR值的風險更小。置信水平下的VaR可以衡量日收益率的最大損失值?；跇O值理論下的ARMA-GARCH模型比基于正態(tài)分布更好的說明日收益率的厚尾性，并且對VaR的預測效果更好。為金融市場的研究提供借鑒。

參考文獻：

[1]盧文娟.VaR方法在股市風險分析中的實證研究——基于ARMA-GARCH模型[J].西南財經(jīng)大學，2001（04）.

[2]王德全.ARMA-GARCH模型及VaR方法在我國銀行間同業(yè)拆借市場中的應用研究[J].系統(tǒng)工程，2009（05）.

[3]蔡立耑.量化投資以R語言為工具[M].電子工業(yè)出版社，2016.

[4]許啟發(fā)，蔣翠俠.R軟件及其在金融定量分析中的應用[M].清華大學出版社，2015.

（作者單位：貴州大學經(jīng)濟學院）