基于GARCH模型对房地产板块和金融板块的风险分析

来源:用户上传      作者: 刘沅沅 贺 栋

　　[摘 要]本文运用了基于不同分布假定下的GARCH模型的VAR方法对上证指数中房地产和金融板块的风险进行了分析。结果表明金融板块比地产板块有更大的风险;正态分布分布假定下的GARCH模型能更好地反映出地产和金融板块收益率的风险特性。
　　[关键词]GARCH VAR
　　
　　一、引言
　　20世纪90年代,J.P.Morgan将VAR看做是在既定头寸被冲销前可能发生的市场价值最大损失的估计值。常用的VAR方法有:历史模拟法、方差―协方差分析法和蒙特卡罗模拟法。由于我国股票市场的波动存在明显的“成群”现象,且市场波动存在明显的非对称性。因此本文基于三种不同分布的假定,讨论GARCH及其扩展模型的VAR计算,并计算房地产和金融板块一天期限的VAR 值。
　　二、VAR估计的条件方差方法
　　VAR估计的条件方差方法属于VAR度量的分析方法,考虑到实际金融市场收益率的厚尾性,为此可以利用GARCH模型类来度量股票市场的VAR,。
　　1.标准的GARCH(1,1)模型(扰动项基于正态分布)可以表示为:
　　Yt=c(1)*yt-1+ut;;w为常数项;是用均值方程的绕动向平方的之后来度量从前期得到的波动性的信息;是上一期的预测方差。
　　2.GARCH模型的扩展
　　(1)GARCH-M模型:基于GARCH模型的改进:代替;代替。(2)扰动项基于其他分布:学生t分布;广义误差分布。(3)非对称冲击的ARCH模型:ARCH、EGARCH模型。
　　三、实证分析
　　根据金融理论,股票风险越大,相应的收益率也就越高,可以认为股票指数的票面收益的变动依赖于一个常数项以及条件标准差,因此本文选用条件标准差代替条件方差,即GARCH-M模型,并在三个分布假定下分别讨论,另外考虑到股票序列的非对称性,引入EGARCH模型。数据时间段:2001年8月21日到2009年12月29日;数据来源:上海证券交易所。
　　1.各个条件方差方程的参数估计如下:
　　C(i)为相应方程中的估计参数;Z(i)为各参数估计的z值检验;
　　dcgn表示地产序列,正态分布假设下的GARCH-M;dcgt表示地产序列,学生t分布假设下的GARCH-M;dcgg表示地产序列,广义误差分布假设下的GARCH-M;三者的条件方差方程为
　　 ①
　　dcen表示地产序列,正态分布假设下的EGARCH-M;dcet表示地产序列,学生t分布假设下的EGARCH-M;dceg表示地产序列,广义误差分布假设下的EGARCH-M;三者的条件方差方程为
　　
　　 ②
　　t分布与GED分布的参数显著性水平较低,证明地产收益率和金融收益率序列的厚尾特征并不明显,扰动项服从正态分布更加合理。在正态分布的假定下,我们可以比较二者的非对称性:
　　(1)地产序列。在EGARCH-M模型中,C(4)= 0.156; C(5)= -0.017;当时,利好对条件方差的对数有一个0.139的冲击;当时,有一个0.173的冲击。(2)金融序列。在EGARCH-M模型中,C(4)= 0.181;C(5)= -0.025;当时,利好对条件方差的对数有一个0.155的冲击;当时,有一个0.206的冲击。
　　为了具体的分析非对称性效果,绘制相应的信息冲击曲线:
　　结果可以看出 “金融指数对利好能产生更大的波动性,地产指数对利空能产生更大的波动性”。
　　2.下面计算并比较各种方法下的收益率的VAR值
　　(1)利用条件方差序列,①、②式计算。(2)计算样本区间平均一天VAR。;假设W为1。结果如下:
　　图4给出了地产指数收益率与金融指数收益率序列,基于扰动项为正态分布,GARCH-M和EGARCH-M模型下,95%与99%置信水平,平均一天期VAR。可以发现每个模型度量的金融指数收益率的平均一天期VAR都比地产指数的要高,这说明金融板块比地产板块有更大波动性,也就是有更大市场风险。
　　四、结论
　　通过实证分析得出以下结论:
　　1.通过对上证指数与深圳综合指数的分析,表明金融板块和地产板块的收益率序列厚尾现象不明显,正态分布假定下的GARCH类模型能更好地反映出收益的风险特性。
　　2.在金融和地产板块中,均存在“杠杆效应”,且金融板块的收益率对利好消息的能产生更大的波动性,地产指数对利空消息的能产生更大的波动性。
　　3.金融比地产板块有更大的波动性,也就是具有更大的市场风险。我们对两个板块指数收益率序列建立了GARCH模型,来计算其VAR,发现金融板块的平均VAR要比地产板块的大,因此具有较大的风险。

转载注明来源:https://www.xzbu.com/3/view-1479809.htm