汇率风险度量幻灯片.ppt

ARCH-LM 检验 ARCH-LM 检验在 99% 的置信水平下，如果 F 统计量和 T*R2统计量的相伴概率小于0.01，则拒绝原假设，则认为残差序列存在ARCH效应，否则接受原假设，残差序列不存在ARCH效应。 残差平方相关图检验是计算残差平方的自相关（AC）和偏自相关（PAC）系数。如果自相关系数及偏自相关系数均显著不为零，而且 Q 统计量非常显著，则说明方程的残差序列存在ARCH 效应。AC 和 PAC 都显著不为 0，而且 Q 统计量非常显著，相伴概率很小，也说明残差序列均存在 ARCH 效应。 美元的 TARCH 模型检验 方差方程中的ARCH项、TARCH项和GARCH项的系数都是统计显著的。对数似然值为 899.5，比 OLS 模型有所增加；AIC值为 -2.15，SC 值为 -2.13，均比 OLS 模型有所变小，说明模型能够更好的拟合数据。 在美元TARCH模型中，杠杆效应项的系数为-0.127，说明美元兑人民币汇率的波动具有杠杆效应：利空消息产生的波动小于利好消息。当出现利好消息时，μt-10，则 It-1 =0，利好消息会给美元汇率带来一个 0.338 倍的冲击。而出现利空消息时，It-1 =1，利空消息会给美元汇率带来一个 0.211 倍（0.338-0.127）的冲击。 欧元的 TARCH 模型检验 方差方程中的ARCH项、TARCH项和GARCH项的系数均通过显著性检验。对数似然值比OLS 模型有所增加；AIC值和SC值均比 OLS 模型有所变小，说明模型能够更好地拟合数据。 VaR模型在人民币汇率风险度量中的应用 魏金明 张敏 摘要 本文首先从Va R模型的假设前提入手，通过对人民币汇率收益率序列的随机性、正态性和异方差性的综合检验，验证了Va R模型在人民币汇率风险度量中的适用性。随后，分别采用非参数法和参数法两大类共九种Va R方法对人民币汇率风险进行实证度量。最后，通过准确性检验发现，GARCH-t模型是度量当前人民币汇率风险的最优方法。 VaR是指在一定的持有期和给定的置信水平下，市场风险因子发生变化时可能对某项资金头寸、资产组合或机构造成的潜在最大损失。 VaR=E(W)-W”=Wo(u-r) Wo为某一资产或资产组合的初始价值，r为该项资产或资产组合在一定持有期内的投资收益率（r在持有期内的期望值和波动性分别为u和r） 数据选取 本文选取了自2005年7月21日至 2007年12月31日直接标价法下人民币对美元的日中间汇率，共计598个样本观测值。 随机性检验 1.单位根检验 首先，对人民币汇率对数序列{pt}进行单位根检验，发现ADF检验值均大于三个不同检验水平的临界值，说明人民币汇率对数序列是一个非平稳性时间序列。其次，在此基础上，对人民币汇率对数序列的一阶差分（即人民币几何收益率序列Rt）继续进行单位根检验，结果发现，ADF检验值分别小于三个不同检验水平的临界值，由此可以断定{pt}序列是一阶单整序列。 2.游程检验。取分界值为0，把人民币汇率收益率大于0和等于0归入一种游程，这样就满足了游程检验对二分变量的要求。结果表明，双尾伴随的显著性概率p为65.2%，远远大于显著性水平5%，接受了随机游走的原假设。 综合以上对人民币汇率收益率序列的单位根检验和游程检验，可以得出一致的结论{Rt}序列为随机游走过程，具备了使用Va R模型度量人民币汇率风险的适用性前提。 J-B检验 J-B检验。进一步观察{Rt}序列的直方图：在样本区间内，人民币汇率收益率的均值为-0.000175，偏度为-0.216188，说明正的收益要少于负的收益；峰度为6.183058，说明呈现尖峰的特点。同时，由Jarque-Bera统计量看，其相伴概率小于显著性水平1%，拒绝原假设，表明人民币汇率收益率序列不服从正态分布。 异方差检验 ARCH效应检验。人民币汇率收益率序列在q1时，Qlb相伴概率p值都明显小于1%的显著水平，因此不能接受原假设，可以认为人民币汇率收益率序列存在ARCH效应，而且存在高阶的ARCH效应。 非参数方法 1.历史模拟法根 据 历 史 模 拟 法 的 基 本 原 理 ， 实 证 度 量 步 骤 如下： （1）将{Rt} 序列按升序排列；（ 2）用样本容量（N=597）乘以相应的显性水平（α），得到分位数位置d；（3）采用内插值法求出d所对应的分位数r*α，即显著性水平下α的最低收益率；（4）利用如下公式，得到相对Va R值。 非参数方法 2、