陳耀輝 楊 寧

（南京財經大學，江蘇 南京 210046）

一、引言

互聯網金融的概念是由謝平于2012年首次提出，目前，互聯網金融風險的分類形式多樣，如市場風險、信用風險、操作風險、流動性風險、法律風險等。謝平認為，與傳統(tǒng)的商業(yè)銀行和資本市場不同，互聯網金融是“第三種”金融模式，高速發(fā)展的背后所蘊藏的風險逐漸引起社會各界的關注。2014年政府首次將互聯網金融寫進工作報告；2017年，互聯網金融第四次被寫入政府報告，其中“控風險”成了該報告的主要基調和關鍵詞。

近年來，隨著金融行業(yè)以及互聯網技術的飛速發(fā)展，互聯網金融逐漸的進入人們的生活中。例如常見的網上借貸、網上支付，都屬于互聯網金融的范疇?；ヂ摼W金融快速發(fā)展的同時，其中蘊含的風險就成為我們不可回避的話題?；ヂ摼W金融依托傳統(tǒng)金融，借助了先進的互聯網技術，這就決定了互聯網金融風險比起其他傳統(tǒng)和新興市場的風險更加難度量和管理。本文著眼于互聯網金融的流動性風險，以中證互聯網金融指數為樣本，采用GARCH方法和極值理論POT的方法分別計算經流動性調整的VaR值。

二、文獻綜述

風險價值（Value-at-Risk）模型,簡稱VaR模型，自20世紀90年代被引入到風險管理中，已經成為金融機構和監(jiān)管當局所廣泛采用的風險度量和管理工具。傳統(tǒng)的VaR模型包含一個隱含的假設，在固定的時間（及持有期，通常為一天）內，無論投資者持有的頭寸規(guī)模如何，都可以以固定的市場價格完成。顯然，這個假設并沒有考慮到流動性風險。

關于流動性風險的定義和計量，雖然國內外學者不斷進行研究，但即便在傳統(tǒng)的金融市場也沒有形成統(tǒng)一的定論，一直處于探索階段。在市場微觀理論中，資產的市場流動性定義為：在進行迅速大規(guī)模交易時，對資產價格影響很小的能力。對于互聯網金融而言，更是容易出現交易違約的現象，其流動性風險比傳統(tǒng)金融更加嚴重。Bangia等(1998)將流動性風險分解為外生和內生兩個方面，提出了BDSS模型，首次對流動性調整的VaR進行了研究。Amihud(2002)等認為流動性衡量了規(guī)定時間內完成交易所花費的成本，或達成一個理想交易價格所需要的時間。Liu(2006)和Hasbrouck(2009)等流動性分為交易成本、交易速度、價格沖擊三個維度。在國內的相關研究中，楊之曙和吳寧玫（2000）提出了交易金額、交易次數、換手率、價格的波動性、換手率等指標，認為也可以被用來衡量流動性風險。宋逢明、譚慧（2004）通過延長清算時間將流動性風險引入VaR中。

在計算互聯網金融流動性風險時，本文將采用La-GARCH-VaR和La-POT-VaR模型，可以滿足對尾部風險精確描述的要求。同時，本文還采用了返回檢驗方法對改進后的La-VaR模型進行了測試，使得模型結果更具有說服力和一般性。

三、La-VaR模型的度量

對于流動性指標構造，基于交易成本的流動性風險，主要通過價差指標來衡量，這也是衡量即時交易成本最重要的指標，包括買賣價差、有效價差、實現價差和定位價差。買賣價差是當前市場上最低賣價和最高買價之間的差額，是最基本的流動性度量指標，一般有兩種計算方法:絕對價差和相對價差，絕對價差是指買賣價差的絕對值;相對價差是除去了價格變量之后的結果。收益率r采取對數收益率的形式，表達式為，Pt為當天收盤價，Pt-1為前一天的收盤價。設最高價為P1，最低價格為P2，絕對價差S=P1-P2,中間價格P0為(P1+P2)/2,相對價差rs=S/P0，由覃小兵（2015）在對中國股市流動性調整的極值風險測度中，在置信水平α下持有單位金融資產的La-VaR可以表述為：

其中，E（r）是收益率的期望，σt是收益率的方差；θ是針對收益率序列的肥尾特征進行修正的調整參數，故有θ=1+φln(k/3)，k是對數收益率的峰度，φ取決于尾部概率。傳統(tǒng)的BDSS模型假定收益率服從正態(tài)分布，并且買賣價差具有相同的方差，因此無法針對金融收益分布的尾部進行建模和分析，下面主要采用兩種方法進行改進。

（一）GARCH模型

在進行短期預測時，可以使用ARMA模型，但無法處理金融時間序列存在的“波動率聚集”現象。GARGH模型由Bollerslev在1986年提出，該模型假定序列隨機誤差具有時變性，未來時刻預測值依賴于歷史觀測值在不同時刻波動程度有所差異，因而可以用來描述“波動聚集”效應。本文在ARMA模型中引入GARCH模型，ARMA-GARCH（1,1）形式如下：

為擾動性，建模過程中假設其服從正態(tài)分布。

（二）極值理論

傳統(tǒng)的BMM模型依賴于子區(qū)間長度的選擇，容易忽略一些重要的數據，而閾值模型（POT）能夠充分利用有限的觀測值，為了在選這數據上彌補BMM模型的缺陷，該方法不是關注極值，而是著重討論對某個高閾值的超出量和超出發(fā)生的時間。假設日對數收益率為r1,r2,...,rt,其分布函數為F(r),給定閾值為u,超出量為xi=ri-u,超出量x的分布函數表達式為

對于一個足夠大的閾值u,Fu(x)可以由廣義帕累托分布（GPD）近似表示，即 Fu≈G（x;ξ;β）,其中

式中，ξ為形狀參數，β為尺度參數。

記Nu為超過閾值的觀測值個數，n為觀測值數，日對數收益率r1,r2,...,rt的累計分布函數為

假設上尾概率為α，則F(r)=1-α?？梢缘贸鼋鹑跁r間序列的(1-α)分位數，即

（三）模型的檢驗

返回檢驗是指通過VaR的計算結果來測試實際損失的覆蓋范圍，本文采用Kupiec提出的失敗頻率檢驗法。返回檢驗的方法是在實際損失大于估計的VaR時，記錄失?。欢旬攲嶋H損失小于估計的VaR時，成功被記錄一次，并且失敗的次數受二項分布的影響。假設返回檢驗樣本數為T，其中失敗次數為N(N≤T)，則失敗率p=N/T。VaR模型的置信度為1-α，顯著性水平為α，期望的失敗率為p*=1-α。故VaR模型的返回檢驗對應著失敗率p與顯著性水平是否存在顯著的差異。如果失敗率p與顯著性水平α之間沒有顯著性差異，則表明估計的VaR有效，反之則無效。原假設：H0=p=p*,Kupiec提出了基于失效率的LR統(tǒng)計量，表達式如下:

若原假設成立，服從χ2（1）分布。

四、實證研究

本文采用由中證指數有限公司于2015年2月10日正式發(fā)布的中證互聯網金融指數來衡量我國互聯網金融的發(fā)展狀況。中證互聯網金融指數（指數代碼：399805，簡稱互聯金融）是反應以互聯網金融主題公司的整體表現的股票指數，具有權威性和代表性。

（一）數據選取與分析

互聯網金融指數的樣本空間為2012年6月29日至2017年12月29日，樣本量為1342個，數據來自Wind數據庫。由于本文是使用2018年1月2日至2018年4月18日的數據進行測試，因此樣本長度為70。

表1 描述性統(tǒng)計檢驗結果

對樣本進行單位根ADF檢驗，經檢驗該收益率序列不存在單位根的現象，是平穩(wěn)序列。但序列存在顯著的自相關現象，表現出了明顯的“波動聚集性”。在對收益率r及相對價差rs的自相關性和異方差性進行研究時，本文建立ARMA（1,1）-GARCH(1,1)模型。在對收益率r和相對價差rs的調整因子進行估計時，可采用歷史模擬法，99%置信水平下為2.7134，在95%置信水平下為2.0126。

（二）La-VaR及返回檢驗結果

模型假定，統(tǒng)計量LR服從χ2分布，其非拒絕域可表示為:

表2 互金指數La-VaR值及返回檢驗

可見，兩種方法計算出的La-VaR值均落在非拒絕域內，并且用極值理論對流動性風險的衡量要優(yōu)于GARCH方法。

五、結論

目前，計算經流動性調整VaR值的主要模型，Bangia等(1998)提出的BDSS模型依舊被眾多學者引用，但是該模型本身存在許多不足，如假設價差波動同方差。針對BDSS模型的不足，本文引入Garch模型和極值理論來彌補BDSS模型的原假設：假定收益率服從正態(tài)分布，不能針對收益率分布尾部進行刻畫。因此，改進后的La-VaR模型更能準確測度中國互聯網金融面臨的流動性風險，并且運用返回檢驗方法對模型的有效性進行驗證，結果表明兩個模型都能夠顯著地衡量流動性風險。

在改進后的La-VaR模型中，La-POT-VaR模型比La-GARCH-VaR模型不僅具有更好的覆蓋能力，而且模型的失敗率更低，從而使模型具有較強的有效性。雖然以GARCH模型為代表的參數模型能夠反映金融時間序列的波動特征，但其更適合于收益率的波動較小的情況，在衡量具有較大波動特征的互聯網金融收益率時，其精確性將會大大降低。因此，基于GARCH模型的VaR方法并不適合衡量互聯網金融的風險。在度量中國互聯網金融流動性風險時，本文提出的基于POT的La-VaR模型是一個較好的流動性風險度量模型，對于政府監(jiān)管者而言，有效的控制互聯網金融的流動性風險尤為重要，需要制定合理的監(jiān)管機制，積極引導投資者進行理性投資，從而減少金融市場的盲目投機行為、緩解羊群效應，使得互聯網金融市場有序健康的發(fā)展。