2014 年第 5 期管理的重要前提本文以精确的方法度量 Shibor 的波动特征和动态风险, 并结合央行基础利率的调整分析 Shibor 风险的动态发展趋势二文献综述在风险度量方

Size: px

Start display at page:

Download "2014 年第 5 期管理的重要前提本文以精确的方法度量 Shibor 的波动特征和动态风险, 并结合央行基础利率的调整分析 Shibor 风险的动态发展趋势二文献综述在风险度量方"

脱霍
7 years ago
Views:

1 Shibor 的波动 2014 特征和年动第态 5 风期险分析基于 AR-TARCH-EVT 模型的实证研究 Shibor 的波动特征和动态风险分析基于 AR-TARCH-EVT 模型的实证研究李旭超蒋岳祥摘要 : 短端 shibor 已在中国市场发挥基准利率作用, 越来越多与之挂钩的金融产品被开发和交易, 有效度量和管理 shibor 风险, 对微观金融主体非常重要本文运用 AR (2) -TARCH (1, 1) 模型成功解释和过滤了 Shibor 收益率存在的序列相关和非对称性条件异方差现象, 运用 EVT 方法得到动态的 VaR 和 CVaR 并验证它们是有效的通过对历史趋势的分析, 发现 Shibor 风险表现出先波动下降后波动上升再波动下降的特征, 且央行频繁上调基准利率的阶段风险放大, 而央行频繁下周基准利率的阶段风险缩小关键词 : Shibor VaR CVaR EVT JEL 分类号 : C52,G11,C40 中图分类号 : F830 文献标识码 : A 文章编号 : (2014) 一引言目前, 中国已经进入利率市场化的最后攻坚阶段基准利率的形成, 是利率市场化的重要前提经过一年的酝酿 3 个月的试运行, 央行于 2007 年 1 月 4 日正式推出 Shibor 并着力将它培育成人民币的基准利率央行推动金融机构利用 Shibor 作为基准利率的创新, 如在利率互换的基础上, 推出 FRA 等衍生产品, 加大与 Shibor 挂钩的产品定价当前短期融资券企业债券浮动利率政策性金融债票据贴现和转贴现利率互换等广泛采用与 Shibor 挂钩的定价机制大量实证研究表明,3 个月以内的短端 Shibor 充分反映了市场资金供求的变化, 确立了其在货币市场基准利率的地位 ; 但 3 个月以上 Shibor 存在报价质量不高等问题, 还不能充分发挥基准利率的作用中国利率市场化进程的不断推进和 Shibor 基础利率作用的发挥, 给微观金融主体尤其是商业银行带来了紧要而艰巨的任务, 即基于 Shibor 的利率风险管理掌握有效度量 Shibor 的利率风险的工具和从宏观上把握风险变动与市场化进程节奏的关系, 是利率风险李旭超, 浙江大学经济学院, henanlixuchao@163 com, 通讯地址 : 杭州市浙大路 38 号, 邮政编码 :310027; 蒋岳祥, 浙江大学经济学院, jiangyuexiang@zju edu cn 作者文责自负 42

动态的 VaR 和 CVaR 并验证它们是有效的通过对历史趋势的分析, 发现 Shibor 风险表现出先波动下降后波动上升再波动下降的特征, 且央行频繁上调基准利率的阶段风险放大, 而央行频繁下周基准利率的阶段风险缩小关键词 :

2 2014 年第 5 期管理的重要前提本文以精确的方法度量 Shibor 的波动特征和动态风险, 并结合央行基础利率的调整分析 Shibor 风险的动态发展趋势二文献综述在风险度量方面,VaR 和 CVaR 都是当下最常用的工具, 它们计算方法主要有历史模拟法参数法和非参数法历史模拟法利用收益序列经验分布来近似真实分布, 不能对过去观测不到的数据进行外推, 运用中受到诸多限制参数法假定收益率符合正态分布 t 分布 GED 分布等某种特定分布, 或是假定收益率序列符合 ARMA GARCH 等某种特定的过程, 通过假设与样本均值方差的匹配进行参数估计例如李良松 (2009) 分别运用条件异方差模型广义误差分布的蒙特卡罗模拟广义误差分布结合利率期限结构模型的方法度量 Shibor 的 VaR 值 ; 杨爱军高雷 (2011) 采用广义双曲线分布来拟合 Shibor 的收益率序列, 进而计算 VaR 和 ES 值 ; 杨爱军等 (2012) 运用基于 GED 分布 t 分布和 Skew-GED (SGED) 分布的 EGARCH 方法计算 Shibor 的 VaR 参数方法可以一定程度上解释收益序列的尖峰厚尾和波动率集聚现象, 但只能反映当时的波动率状况, 缺乏对突发事件的预见性非参数方法则主要包括极值理论 (ExtremeValueTheory, 即 EVT), 它与前两种方法有明显区别, 通过对尾部极值建模来估计尾部分布, 进而估计出损失, 使风险估计更加准确, 对突发事件具有较强的预见性它只研究极端值的分布情况, 可以在总体分布未知的情况下, 依靠样本数据, 得到总体中极值的变化性质, 具有超越样本的估计能力 Danielson 和 Vries(1997) 以美国 7 支股票的组合为样本比较各种模型的表现, 发现 EVT 模型明显优于参数法和历史模拟法 ; 封建强 (2002) 运用 EVT 和 GARCH 模型测度沪深股市的极值 VaR; 黄大山等 (2005) 运用 EVT 对深证成指的损失尾部进行了建模分析 ; 魏宇 (2008) 认为与非条件和条件正态分布以及条件 t 分布等常用假定相比,EVT 在测度极端市场风险时表现出优越性现有研究往往存在以下缺限 :(1) 往往局限于对方法和模型的适用性精确性的探讨, 没有对 shibor 风险状况的动态趋势进行分析 (2) 大多忽略了应用 EVT 时超阈值数据相互独立且与超阈值发生的时间相互独立的前提要求 (3) 大多以失败概率或者 Kupiec 方法检验所采用模型得出的 VaR 的有效性, 而忽略了测度失败事件之间可能存在的相关性, 使结论不够严谨本文的创新之处在于将 EVT 方法与 AR-TARCH 模型相结合来度量 Shibor 的风险状况, 在 Kupiec 方法的基出上采用 Christofersen 方法检验模型的适用性和风险度量的有效性, 使结论更加严谨, 并结合央行货币政策的调整分析了 Shibor 风险的动态变化趋势 43

符合 ARMA GARCH 等某种特定的过程, 通过假设与样本均值方差的匹配进行参数估计例如李良松 (2009) 分别运用条件异方差模型广义误差分布的蒙特卡罗模拟广义误差分布结合利率期限结构模型的方法度量 Shibor 的 VaR 值 ; 杨爱

3 Shibor 的波动特征和动态风险分析基于 AR-TARCH-EVT 模型的实证研究三研究方法和分析框架本文采用 AR-TARCH-EVT 模型来刻画收益率的波动性和动态风险特征 : 用 AR- TARCH 模型过滤 Shibor 收益序列中的自相关和异方差现象, 获得近似独立同分布的标准化残差序列 ; 然后利用极值理论中的 EVT 方法对残差序列进行极值分析, 计算一定置信水平下的 VaR 和 CVaR 值, 并采用 Christofersen 和 Kupiec 的似然比检验法考察 VaR 的有效性 ( 一 ) 基于 AR-TARCH 模型波动特征分析在金融时间序列中, 坏消息对资产价格波动性的影响可能往往不同于好消息的影响, 即波动率变动存在非对称性 Glosten,JagannathanandRunkle(1993) 提出了非对称的 TARCH 模型, 通过虚拟变量来刻画金融时间序列波动率变动的非对称性即 : R t =a 0 + t-1 a i R t-i +ε t i=1 δ 2 t =b 0 +b 1 ε 2 t-1 +b 2 sgn(ε t-1 )ε 2 2 t-1 +b 3 δ t-1 其中 sgn(ε t-1 )= =1, 若 ε t-1 <0 { =0, 若 ε t-1 >=0 (1) ( 二 ) 基于 EVT 的风测度和有效性检验 1 风险测度假设 X 1,X 2 X n 是一组独立同分布的随机变量, 其经验分布函数是 F(X) 根据一定的规则选取阈值 u, 如果 X i 大于 u, 则称为超阈值样本, 超出量 Y i =X i -u 的分布为条件超额分布函数 : F u (y)=p(x-u y X >u)= F(x)-F(u) (2) 1-F(u) 根据 Pickands-Balkame-DeHaan 定理可知, 对于充分大的阈值 u, 未知分布函数 F(x) 的条件超额分布函数 F u (y) 可以用广义帕累托分布 (GPD) 来近似, 即 : F u (y) G ξ,β (x)= 1-(1 +ξ)-1/ξ,ξ 0 { (3) 1-exp( -,ξ= 0 其中,ξ 称为极值指数或形状参数, 反映了尾部的厚度 ;β 称为尺度参数当 ξ=0 时, 称为 Gumbel 分布, 当 ξ>0 时称 Frechet 分布, 当 ξ<0 时为 Weibul 分布当 ξ 0 时,y 0; 当 ξ <0 时,0 y -β/ξ LeeandSaltoglu(2002) 指出, 在金融资产收益时间序列上直接使用 EVT 时, 由于尖峰厚尾, 使得估计出来的 ξ 一定是大于 0 的, 故下文省略 ξ=0 时的表述, 得到 : 44 F(x)=1- n -1/ξ N (1+ξx-u β ),x>u,ξ 0 (4)

AR-TARCH 模型波动特征分析在金融时间序列中, 坏消息对资产价格波动性的影响可能往往不同于好消息的影响, 即波动率变动存在非对称性 Glosten,JagannathanandRunkle(1993) 提出了非对称的 TARCH 模型, 通过虚拟变量来刻画

4 2014 年第 5 期估计 (4) 式得出 ξ ~ 和 β ~, 进而计算给定置信水平 P 的条件下的 VaR 和 CVaR: VaR =u+ β~ ξ ~ { [ ] } N -ξ~ n (1-P ) -1 (5) CVaR = VaR+β~ -ξu ~ (6) 1-ξ ~ 2 VaR 有效性检验 Kupiec(1995) 提出通过似然比来检验 VaR 的有效性把实际损失超过 VaR 的估计视作失败, 低于 VaR 的估计视为成功选取 T 天的窗口, 假设 VaR 的置信度为 α, 失败天数为 N, 失败率为 p=n/t, 期望失败率为 p =1-α, 零假设为 p=p,lr 统计量服从自由度为 1 的卡方分布似然比检验为 : LR uc =-2ln[(1-p ) T-N (p ) N ]+2ln[(1-p) T-N p N ] (7) Christofersen 认为,Kupiec 检验没有考虑某次失败与前一次失败与否可能存在的相关性所以还必须检验失败事件是否独立零假设 H 0 : 某次失败和前一天的结果相互独立依然构造似然比统计量 : LR ind =ln[(1-π 01 ) T 00 T π (1-π 11 ) T 10 T π ]-2ln[(1-π) T 00 +T 10 π T 01 +T 11 ] (8) 其中 T 00 表示某一天和前一天都没有失败,T 01 表示某一天没有失败但前一天失败,T 10 表示某一天失败但前一天没有失败,T 11 表示某一天和前一天都失败 π 01 =T 01 /(T 00 +T 01 ),π 11 = T 11 /(T 10 +T 11 ),π =(T 01 +T 11 )/(T 00 +T 01 +T 10 +T 11 ) LR ind 服从自由度为 1 的卡方分布在 LR ind 和 LR uc 的基础上构造 LR c =LR uc +LR ind LR c 是可以覆盖程度和时间独立性的混合检验, 它服从自由度为 2 的卡方分布四实证分析根据以上方法, 实证分析 Shibor 收益率序列的波动特征和风险特征 ( 一 ) 数据来源与统计描述从上海银行间同业拆放利率网站 (htp: //www shibor org/shibor/web/html) 选取 2007 年 1 月 4 日到 2012 年 9 月 27 日总计 1436 个交易日的 Shibor 隔夜拆放利率数据 Shibor 隔夜拆放利率收益率 ( 以下简称收益率 ) 的计算采取对数收益率的形式 : R t =lnp t -lnp t-1 (9) 其中 P t 和 P t-1 分别是 t 时期与 t 前一交易日的 Shibor 指数对数化处理后,Shibor 指数的样本数损耗一个对数收益率的基特征如表 1 和图 1 所示 : 表 1 收益率的基本统计特征样本数均值标准差偏度峰度对数收益率

布似然比检验为 : LR uc =-2ln[(1-p ) T-N (p ) N ]+2ln[(1-p) T-N p N ] (7) Christofersen 认为,Kupiec 检验没有考虑某次失败与前一次失败与否可能存在的相关性所以还必须检验失败事件是否独立零假设 H 0 : 某次失败

5 Ｓｒ的波动特征和动态风险分析基于ＡＲＴＡＲＣＨＥＶＴ模型的实证研究二非正态性检验和单位根检验在描述性统计的基础上运用ＪＢ统计量与正态ＱＱ图检验ｓｒ收益率分布的正态性如ｒ收益率序列的峰度为为尖峰分布偏度为说明略微左偏ＪＢ表所示Ｓ统计量为Ｐ值为因而拒绝正态性假设ＱＱ图显示收益率序列呈曲线状分布两端明显摆动基本完全偏离正态直线对收益率序列进行ＰＰ检验结果如表所示在的显著性水平上拒绝原假设即不存在单位根现象图收益率的波动特征图收益率的ＱＱ图表收益率的单位根检验检验统计量临界值临界值临界值ＺｒＺｔ注ＭｃＫｎｎｎｐｐｒｘｍｔｅｐｖｌｕｅｆｒｚｔ三ＡＲＴＡＲＣＨ模型对波动性的过滤通过收益率序列的偏相关和自相关分析发现滞后阶的Ｑ统计量在的置信水平下拒绝原假设即存在明显的自相关现象同时自相关图呈现出正弦递减的特征而偏相关图呈现出截尾的特征表明符合ＡＲｐ模型利用ＡＩＣ准则选择ＡＲ模型来解释这一现象从图可以看出收益率序列存在明显的波动集聚现象对ＡＲ残差序列的平方进行Ｑ检验发现残差的平方是自相关的即残差项存在条件异方差也就是存在ＧＡＲＣＨ效应从图中可以看出左尾偏离直线的幅度大于右尾表明利空消息对市场的影响大于利好消息存在非对称效应根据以上的分析文章可以确定采用ＡＲＴＡＲＣＨ模型来拟合收益序序列为了更好地描述收益率可能存在的厚尾特征本文在参数估计时分别尝试进行了残差序列

ＴＡＲＣＨ模型对波动性的过滤通过收益率序列的偏相关和自相关分析发现滞后阶的Ｑ统计量在的置信水平下拒绝原假设即存在明显的自相关现象同时自相关图呈现出正弦递减的特征而偏相关图呈现出截尾的特征表明符合ＡＲｐ模型利用ＡＩＣ准则选择ＡＲ模型来解释这一现象从图可以看出

6 年第期服从正态分布ｔ分布和ＧＥＤ分布等不同的假设对公式进行参数估计估计结果如表所示表ＡＲＴＡＲＣＨ模型参数估计结果参数Ｎｒｍｌ分布ＡＲＴＡＲＣＨＴ分布ＧＥＤ分布ｌｎｄｆｍｌｎｓｐｅｓｐｅＮＡＩＣ注ｐｐｐ从参数估计的结果来看正态分布模型的不显著其他系数都显著不为ｔ分布模型自由度对数的估计值ｌｎｄｆｍ不显著表明残差序列服从ｔ分布的假设并不合适ＧＥＤ分布模型的各项系数均显著同时形状参数对数ｌｎｓｐｅ的估计值也显著不为表明残差序列的广义误差分布假设是合适的根据ＡＩＣ原则可知ＧＥＤ分布假设对于图收益率的标准化残差序列残差序列条件异方差性的刻画明显优于正态分布的刻画所以本文采用ＧＥＤ分布下的ＡＲＴＡＲＣＨ模型刻画收益率序列形状参ｐｅ小于表明ＧＥＤ分布具有厚尾性大于表明负的未预期收益率对波动率有明显数ｓ的正影响存在非对称效应与图的表现一致和都大于小于表明过去时刻的波动对

均显著同时形状参数对数ｌｎｓｐｅ的估计值也显著不为表明残差序列的广义误差分布假设是合适的根据ＡＩＣ原则可知ＧＥＤ分布假设对于图收益率的标准化残差序列残差序列条件异方差性的刻画明显

7 Ｓｒ的波动特征和动态风险分析基于ＡＲＴＡＲＣＨＥＶＴ模型的实证研究未来价格波动有着正向缓解作用从而可以有效的解释了收益率有聚类现象根据参数估计的结果将残差序列 εｔ除以其标准差 δ ｔ得到标准化的残差序列ｚｔ如图所示ｚＶＴ模型分ｔ序列变得更平稳波动率集聚现象明显下降更接近于独立同分布下文将用Ｅ析ｚｔ序列的尾部极值四基于ＥＶＴ方法的风险度量对ｚｔ序列进行偏峰检验单位根检验和游程检验结果表明标准残差序列是非正态分布的它既具有独立性的特征又具有平稳性的特征符合使用ＥＶＴ模型的条件要求可以用来建模峰度法选取阈值本文基于峰度法确定阈值峰度法基本流程计算样本离差ｄ和样本峰度ｋ判断峰度若ｋ则删除使离差绝对值最大的样本重复以上流程直到ｋ时在余下的样本中选择绝对值最大的作为阈值ｚｔ序列选取的差阈值如表所示表ＥＶＴ模型阈值尾部阈值峰度超阈值样本数超阈值样本比重上尾下尾ＶＲ和ＣＶＲ更关心下尾的分布故本文只将ＥＶＴ模型用于拟合Ｍｕｃｅｌ认为尾部下尾Ｄｕ应该选取左右的数据作为极值数据是比较合适的选择否则会出现样本内过度拟合样本外不适用的情况本文下尾超阈值样本比重符合要求ＥＶＴ模型的参数估计运用最大似然估计的方法得到 ξ 的估计值为 β 的估计值为图标准化残差序列尾部拟合图形状参数的估计值大于说明标准化残差序列的尾部极值服从Ｆｒｅｃｅｔ分布从拟合图可以看出超阈值的散点紧紧围绕着参照线基本上没有偏离可见拟合状态良好模型和参数适宜五标准残差序列ＶＲ和ＣＶＲ及其有效性检验将参数估计的结果代入公式和可以得到和的置信水平下ＶＲ分别是和ＣＶＲ分别是和这表明了在不同置信水平下Ｓｒ收益率残差序列的最大损失和超额损失的均值

ｔ序列选取的差阈值如表所示表ＥＶＴ模型阈值尾部阈值峰度超阈值样本数超阈值样本比重上尾下尾ＶＲ和ＣＶＲ更关心下尾的分布故本文只将ＥＶＴ模型用于拟合Ｍｕｃｅｌ认为尾部下尾Ｄｕ应该选取左右的数据作为极值数据是比较合适的选择否则会出现样本内过度拟合样本外不适用的情况本文下尾超阈值样本比

8 2014 年第 5 期表 5 标准化残差序列 VaR 和 CVaR 置信水平 VaR CVaR 90% % % 根据公式 (7) 和 (8) 的方法检验 VaR 的有效性, 似然比检验结果如表 6 所示实际的失败率和预期的失败率是基本一致的, 可见三个 VaR 值不仅没有低估风险, 而且与实际风险状况基本相同三个置信水平 VaR 值的 LR uc 和 LR cc 统计量都远小于 chi2 分布的临界值, 所以不能拒绝零假设, 即失败事件是相到独立的, 并且实际失败率与预期失败率是相等的, 即三个 VaR 都是有效的 VaR 的有效性也表明了 EVT 能够成功地刻画标准残差序列的尾部特征表 6 风险度量的有效性检验置信水平 VaR Sh_VaR 临界值失败率 LR uc LR cc 失败率 LR uc LR cc Kupiec 检验 Christofersen 检验 90% % % ( 六 ) 收益率序列的 VaR 及其动态变化趋势根据 EVT 方法计算 Shibor 标准化残差序列 z t 的 VaR 风险值, 然后将 z t 的 VaR 值动态化处理, 即可得到 shibor 收益率序列 R t 的动态风险值 Sh_VaR: Sh_VaR t =ER t +VaR α σ t (10) 其中 ER t 即收益率的均值,VaR α 即标准化残差的所服 α 置信水平风险值由此可知, Sh_VaR 是波动率的线性函数 Sh_VaR 有效性检验如表 6 所示, 各置们水平下的风险度量 LR uc 和 LR cc 都远小于其相应的临界值, 可见 AR (2) -TARCH (1,1) -EVT 模型对 Shibor 动态风险的度量是有效的表 7 Sh_VaR 的统计特征 Sh_VaRt 平均值标准差最小值中位数最大值 90% % %

并且实际失败率与预期失败率是相等的, 即三个 VaR 都是有效的 VaR 的有效性也表明了 EVT 能够成功地刻画标准残差序列的尾部特征表 6 风险度量的有效性检验置信水平 VaR Sh_VaR 临界值失败率 LR uc LR cc 失败率 LR uc LR cc

9 Ｓｒ的波动特征和动态风险分析基于ＡＲＴＡＲＣＨＥＶＴ模型的实证研究不同置信水平下动态ＳＶＲ变动趋势基本一致所以本文选取ＳＶＲ为代表进行分Ｒ季度均值经历了先波动下降后波动上升再波动下降的析从图可以看出ＳＶ过程Ｓｒ风险变动特征和央行调整基准利率的步调具有一致性央行频繁上调基准利率的阶段ｓｒ风险放大频繁下调基准利率的阶段ｓｒ风险缩小年月日年月日央行次上调贷款基准利率这一时间段ＳＶＲ的均值为处于较高水平图中年四个Ｒ均值都处在高季度的ＳＶ位年月日年月日央行一直对贷款基准利图Ｓｒ动态ＶＲ的季度均值变动趋势率下浮比率未作调整该阶段的ＳＶＲ均值为相对于前一阶段有所下降图中年第一至第四季度ＳＶＲ均值波动下降年月日至年月日央行次下调贷款利率该阶段ＳＶＲ均值为明显小于前两个阶段图中年第四季度ＶＲ均值处于最低年月日年月日央行一直对贷款基准利率下浮比率未作调整点Ｒ均值为略高于前一阶段图中年第一季度至年第三该阶段ＳＶ季度的ＳＶＲ均值呈现出略有波动上升的趋势年月日至年月日央行次上调贷款基准利率该阶段ＳＶＲ均值为风险是最大的图中年第三季度至年第二季度ＳＶＲ均值几乎地直线上升的年月日至年月日央行一直对贷款基准利率下浮比率未作调整该阶段ＳＶＲ均值为明显低于前一阶段图中年第三季度至年第二季度的ＳＶＲ均值波动下降自年月日始月日央行同时下调了贷款基准利率和下浮比率使利率浮动范围大幅扩大月日央行再一次下调贷款基准利率由于这两次下调距今时间尚短ＳＶＲ均值还没有形成明显的趋势五小结三个月以内的短端ｓｒ已经在中国市场发挥了基准利率作用与Ｓｒ持钩的金融产品正在越来越多地被开发和交易因此对于银行投资者等微观金融主体来说度量和管理Ｓｒ的利率风险相当重要

年第一至第四季度ＳＶＲ均值波动下降年月日至年月日央行次下调贷款利率该阶段ＳＶＲ均值为明显小于前两个阶段图中年第四季度ＶＲ均值处于最低年月日年月日央行一直对贷款基准利率下浮比率未作调整点Ｒ均值为略高于前一阶段图中年第一季度至年第三该阶段ＳＶ季度的ＳＶＲ均值呈现出略有波动上升的趋势年月日至年月日央行

10 2014 年第 5 期本文结合 AR-TARCH 过程和极值理论, 为投资者提供了一种精准度量 Shibor 的方法通过对 2007 年 1 月 4 日到 2012 年 9 月 27 日总计 1436 个交易日的 Shibor 隔夜拆放利率收益率进行实证研究, 得到了一些 Shibor 波动率特征和风险特征的一些基本结论 : (1) Shibor 收益率有明显的序列相关和非对称性条件异方差现象, 不能满足应用 EVT 的基本前提, 而 AR (2) -TARCH (1,1) 模型有效解释了这一现象 ; (2) AR (2) -TARCH (1,1) 过滤后的标准化残差序列满足 EVT 的前提条件, 应用 EVT 方法对标准残差序列进行极值分析, 得到的风险度量 VaR 是有效的, 可见本文所提供的风险度量方法是可行的 ; (3) 从历史趋势来看,Shibor 的风险呈现出先波动下降, 后波动上升, 再波动下降的特征 ;Shibor 风险变动特征和央行调整基准利率的步调具有一致性, 央行频繁上调基准利率的阶段 shibor 风险放大, 而央行频繁下周基准利率的阶段 shibor 风险会缩小参考文献 DanielsonJandC.G devries,1997, ValueatRiskandExtremeRetums,LondonSchoolofEco-nomics, FinancialMarketsGroupDiscusionPaper,No.273. McNeilA J,1999, ExtremeValueTheoryforRiskManagers,InternalModelingandCAD Ⅱ,London:Risk Books. KupiecPH,1995, TechniquesforVerifyingtheAccuracyofRiskMeasurementModels,JournalofDerivatives, (3),pp Leeandsaltoglu,2002, AsesingtheRiskForecastsforJapan,JapanandtheWorldEconomy,(14),pp DuMouchelW.M,1983, EstimatingtheStableIndex-inOrdertoMeasureTailThicknes:ACritique,Annalsof Statis-tics,(11),pp GlostenLR,jagannathanRandRunkleDE,1993, OntherelationbetweentheExpectedValueandtheVolatilityof thenominalexcesreturnonstocks,journaloffinance,48(5),pp ChristofersenP,1998, Evaluatingintervalforecasts,InternationalEconomicReview,(39),pp 桂文林韩兆洲和潘庆年,2010, EVT 模型中 GPD 厚尾性及金融风险测度, 数量经济技术经济研究第 1 期页杨爱军和高雷,2011, 上海银行间同业拆放利率 ES 风险度量研究, 统计与信息论坛第 4 期页杨爱军刘晓星和蔡则祥,2012, 银行间同业拆放利率风险度量 : 基于 EGARCH-SGED 模型的实证分析, 金融理论与实践第 8 期 8-12 页李良松,2009, 上海银行间同业拆放利率 VaR 的有效性研究, 金融研究第 9 期页郭建伟,2009, 以 Shibor 为基准的金融机构利率定价实践, 中国金融第 21 期页彭红枫和鲁维洁,2010, 中国金融市场基准利率的选择研究, 管理世界第 11 期页徐炜和黄炎龙,2008, GARCH 模型与 VaR 的度量研究, 数量经济技术经济研究第 1 期页易纲,2008, 进一步确立 Shibor 的基准性地位, 中国货币市场第 1 期 7-12 页易纲,2009, 中国改革开放三十年的利率市场化进程, 金融研究第 1 期 1-14 页黄大山刘明军和卢祖帝,2005, 极值风险 E-VaR 及深圳成指实证研究, 管理评论第 6 期页封建强,2002, 沪深股市收益率风险的极值 VaR 测度研究, 统计研究第 4 期页魏宇,2008, 股票市场的极值风险测度及后验分析研究, 管理科学学报第 1 期页 ( 下转第 68 页 ) 51

准化残差序列满足 EVT 的前提条件, 应用 EVT 方法对标准残差序列进行极值分析, 得到的风险度量 VaR 是有效的, 可见本文所提供的风险度量方法是可行的 ; (3) 从历史趋势来看,Shibor 的风险呈现出先波动下降, 后波动上升, 再波动

___证券投资基金招募说明书1

___证券投资基金招募说明书1 国寿安保聚宝盆货币市场基金基金合同基金管理人 : 国寿安保基金管理有限公司基金托管人 : 徽商银行股份有限公司二零一六年八月国寿安保聚宝盆货币市场基金基金合同目录第一部分前言... 1 第二部分释义... 2 第三部分基金的

2014 年 第 5 期 管 理 的 重 要 前 提 本 文 以 精 确 的 方 法 度 量 Shibor 的 波 动 特 征 和 动 态 风 险, 并 结 合 央 行 基 础 利 率 的 调 整 分 析 Shibor 风 险 的 动 态 发 展 趋 势 二 文 献 综 述 在 风 险 度 量 方

2014 年第 5 期管理的重要前提本文以精确的方法度量 Shibor 的波动特征和动态风险, 并结合央行基础利率的调整分析 Shibor 风险的动态发展趋势二文献综述在风险度量方