基于VaR模型的我国商业银行市场风险研究

　　一、引言

　　随着经济全球化以及改革自由化的不断加深，我国利率市场化进程逐步加快，人民币升值的压力也不断增大，汇率机制改革逐步推进，商业银行在发展过程中显现出混业经营的优势，但是我国商业银行在创新发展过程中必然面临新的挑战，市场风险也呈现出逐渐加大的趋势，就目前而言，我国商业银行面临的市场风险主要体现在以下几个方面。

　　（一）利率风险

　　利率风险是指原本投资于固定利率的金融工具，当市场利率变化时，可能导致其价格波动的风险。各大商业银行资产与负债的差额不同，此外，不同发展程度的商业银行，因为市场利率变化的影响而差别也有所不同。对于商业银行的资产而言，金融资产占很大一部分，市场利率的很小波动都会对资产的价值产生巨大影响，更为严重的可能会造成商业银行财务危机或者导致银行破产。因此，从商业银行的运行稳健以及安全经营的角度来看，利率风险的监控对于银行资产的安全有着举足轻重的作用。

　　（二）汇率风险

　　汇率风险是指一定时期的国际经济交易当中，以外币计价的资产（或债权）与负债（或债务），由于汇率的波动而引起其价值涨跌的可能性。在当前我国实行的浮动汇率制度下，人民币可保持相对稳定。对于我国目前的金融市场而言，人民币相对于美元的汇率面临着巨大的升值压力，根本原因在于以下两方面：首先，从市场上看，主要是外汇的供给大于需求；其次，是因为贸易逆差、以套利为目的的资金流入以及外商的直接投资也使得人民币面临着前所未有的巨大升值压力。因此，为了提升我国商业银行的竞争力，必须时刻关注人民币汇率的走势，尽量规避汇率风险，防范汇率风险对于其他风险的连锁反应，切实促进金融市场的稳定。

　　二、VaR方法原理

　　在正常的市场波动面前，机构损失的概率是明确的比VaR大的值。VaR模型被广泛地运用到风险分析当中，在《巴塞尔新资本协议》中曾标注银行的市场风险可以利用VaR模型来进行测度。VaR模型的基本原理是，受到市场价格不确定性的影响，资产组合会有一定的损失，通过VaR模型，可以估计出损失的价值，具体计算公式为：P（W>Var）=1-α。

　　上式中各字母代表的含义为：

　　W为资产组合损失（持有期内）；α为置信水平；VaR为损失小于显著性水平的概率，取值区间为（0.01―0.05）。

　　对于金融市场的时间序列数据，通常表现为不稳定并且波动集中的特点。即在某一特定时间段内，波动幅度比较大，另一段时间段内波动幅度相对较小，也就是 通常所说的波动集群现象。这种现象出现是由于外部冲击对于金融资产波动的持续性影响，而在金融资产的收益上则 表现为尖峰厚尾的特点。因为金融资产收益分布的特殊性，和正态分布形态 有所不同，所以过于简单的应用正态分布的参数分析方法计算VaR时在某种程度上具有一定的局限性。

　　通过实证分析显示，所有用来描述金融时间序列的工具中最有效的就是GARCH（1，1）模型。

　　在本文中对于汇率收益率的分析中选取的是汇率的对数收益率，其数学公式为：LnRt=LnPt-LnPt-1。

　　资产的对数收益率在普通的金融资产收益率分析中常常被用到。

　　三、实证模型分析

　　（一）正态性检验

　　第一步通过分析汇率的收益率分布情况，紧接着对VaR进行计算。若收益率的分布满足正态分布的条件，则可以将计算简化，这将大大简化计算过程，对于VaR的分析过程也会大幅减少。如若不是，则需利用ARCH/GARCH模型进行研究。

　　利用Eviews8.0数据分析软件绘制汇率收益率柱状分布图，图中显示Jarque-Bera统计值为12.24589，而伴随概率值为0.001244，比0.05小，故零假设不成立，收益率的分布与正态分布差距较大，也就是说，汇率的对数收益率不是正态分布。此外，Skewness值为0.00025，Kurtosis值??3.17421，因此，人民币兑换美元的收益率和尖峰、厚尾有相同的分布特征。

　　（二）收益率序列的相关系分析

　　通过Eviews8.0数据软件的分析，可以看出偏自在相关系数和收益率序列的自相关系数均在随机区域，这就表明收益率序列为平稳序列，则能够运用。我们可以发现收益率序列的自相关系数以及偏自相关系数都在随机区域，这说明收益率序列是一个平稳序列，因此能够通过ARMA分析该收益率序列。

　　（三）ARCH效应检验与模拟

　　第一步进行拟合收益率序列方程，之后才可以开始ARCH模型检验，通过研究对比显示，收益率序列满足ARMA（3，3）。

　　通过ARCH效应的检验结果能够得出，塔方统计量的值为7.432134，伴随概率为0.0043，比0.05小，与原假设条件有较大出入，所以舍弃原假设条件，也就是说收益率的残差序列包含ARCH（1）效应。将此残差序列运用更高阶的ARCH检验，结果显示残差序列的ARCH效应依然显著。检验结果显示，ARCH（7）的伴随概率低于0.05，所以舍弃原假设。

　　尽量降低ARCH的阶数，本文选用GARCH（1，1）模型研究该残差序列。运用Eviews8.0数据分析软件，收益率的GARCH（1，1）拟合结果如下：

　　LnR=0.561AR（1）+0.73AR（2）-0.597AR（3）-0.496MA（1）-082MA（2）-0.60MA（3）GARCH=0.059RESID（-1）2+0960GARCH（-1） 　　在低于0.05的显著性水平下，各个参数的显著性水平均不为零。

　　四、模型检验

　　本文运用Kupiec统计检验量方法验证，检验模型对风险预测的最终效果。令N表示回归测试中T个样本观测值的VaR例外数量。假设模型正确，则例外数量N服从于二项式分布。

　　Kupiec在所建立的VaR模型正确的条件下，建立一个统计量LR，如下：

　　如果初始假设条件成立，即在p是真实概率水平条件下，LR近似服从自由度为1的塔方分布。选择置信水平为95%，则概率p=0.05。塔方分布的分位数为4.628。所以，当得出的统计量LR值大于4.628时，零假设舍弃。

　　本文通过选取八十天进行回测分析，发现不合格的有三天，即N=3。在95%的置信水平下，LR的临界值为3.841，进而通过具体公式可以计算得到统计量LR=-15.3854，小于置信水平下的临界值，本文所建立的模型对人民币兑美元汇率收益的波动解释有很强的说服力。

　　五、结论以及建议

　　通过本文的分析可以看出，尽管实际操作中存在着一定的限制性条件，但是VaR模型能够很好地衡量我国商业银行利率风险管理，具有很强的实用性。因此，本文认为商业银行利率风险管理体系的建立应该以VaR模型为基础，这具有很重大的现实意义，具体而言，本文结论如下所示。

　　首先，鉴于VaR模型的建立需要大量的数据，而且数据的来源要具有可靠性，本文选取了2014年―2016年6月期间的590个历史数据，通过分析得到了具有时效性和可参考性的结论。

　　其次，置信度和持有期应根据我国商业银行汇率风险管理的实际情况确定。考虑到现阶段数据缺失，再结合管理现状和VaR模型适用的实际情况，本文进行利率风险管理的基础是95%的置信水平和十个交易日的持有期。

　　再次，本文通过历史模拟得出的目标值可以通过失败率的检验。在目标值在资产组合中的所占比重为0.55%时，此时风险覆盖了95.5%。当风险管理体系面临着充足的有效历史数据时，历史模拟可以成为度量商业银行市场风险的一种较好的方法。

　　最后，通过建立内部控制体系，商业银行可利用VaR模型进行资产风险组合和市场风险的评估，评估可在一定程度上反映市场风险的变化趋势，有利于各商业银行进内部信息的交流，同时该评估值还可以成为管理者进行下一步决策的依据，为其提供参考?r值。

本文链接：http://www.qk112.com/lwfw/guanlilunwen/qiyeguanlilunwen/133881.html