风险价值VaR的稳健性检验

风险价值VaR的稳健性检验

摘要：（本文根据VaR 定义, 提出一个两点分布, 然后运用样本数据对其未知

分布参数进行估计, 得出它的置信域, 再利用该分布参数和VaR 的内在关系来完成对VaR 的检验.）

关键词：风险价值VaR，稳健性检验，kupiec检验法

引言：风险价值VaR是近年来国外兴起的一种金融市场的风险管理工具，旨在

估计给金融资产或投资组合在未来可能遭受的最大损失或潜在损失。VAR可以将多种市场风险换算成一个可用货币计量的指标数值，投资者可根据这个简单数值，分析出整个资产面临的风险、组合内的风险分散及风险和概率之间的关系。VAR 模型中将投资组合的价值，设置为其所有市场风险因子的函数，因此可度量包括利率、汇率、股票、商品价格和金融衍生产品风险在内的各种市场风险，并度量由不同风险来源及其相互作用而产生的潜在风险。而这些都是适合市场需要的最重要因素，并且是传统风险价值方法无法比拟的。其对市场的重大影响价值使得VaR的准确性、稳健性又成为银行监管者及模型使用者所关注的问题，因为模型只有在很好预测风险时才发挥作用。如果频繁出现超出预计的大额损失，这时使用者必须从头做起，检查错误在哪。然而在实际应用中，由于数据抽样、模型假设、随机因素和人为因素的影响，无论采用哪种方法都会产生一定的偏差。为了准确把握VaR估计结果的稳健性，VaR的稳健性检验也成为了使用VaR的必然也是最重要的检验之一。

风险价值VaR的计算

1、VaR模型以及参数设定

衡量VaR的第一步是对两个数量因素的选取：

1）基本时间间隔应为多长：它是对给定持有期限的回报的波动性和关联性考察的整体时间长度, 是整个数据选取的时间范围。

2）持有期限：它是衡量回报波动性和关联性的时间单位, 也是取得观察数据的频率。持有期限应该根据组合调整的速度来具体确定。

3）置信水平应为多大：置信水平过低, 损失超过VaR 值的极端事件发生的概率过高, 这使得VaR 失去意义。置信水平过高, 超过VaR 值的极端事件发生的概率可以得到降低, 但统计样本中反映极端事件的数据也越来越少, 这使得对VaR 值估计的准确性下降。

2、我们对VaR模型的几个假设

1)市场有效性假设( 有效性定义: 有关证券的各种信息均反映在其价格

中) ;

2)市场的波动是随机的, 不存在自相关性。

（注：因为根据我国学者的实证研究，我国目前证券市场为弱有效性，并且政府对市场的干预以及交易商的投机操纵行为也使得我国证券市场具有自相关性，因此证券市场的日收益率的波动不能完全满足正态性，所以我们这里计算只能将其近似为正态处理。事实上完全满足市场强有效性和收益率正态分布假设的

市场是不存在的，只是为利用VaR 模型计算而设计的一种理论上的假设。）

3、VaR 模型

VaR 的定义：在正常市场条件和给定置信度内，投资组合在既定时期内可能遭受的最大价值损失。用数学语言表示为：

Prob （X

几种稳健性检验方法

1）Kupiec 提出的LR 检验方法：目前处理模型风险最为常用的统计检验方法，是Kupiec 提出的似然率（likelihood ratio,下文简记为LR ）方法，这种方法非常简单并且有一定的可靠性。并且为大多数风险检验者所用。

使用方法:将观测到的盈亏结果与测定的VaR 值进行比较，超过测定VaR 的例外情形可被视为一个二项分布中出现的独立事件。定义0-1变量1It = 表示例外情形的发生， 0It =表示没有发生超出VaR 的损失。记1It =的样本数为N ，则失败频率为(/)P N T ∧=,Kupiec 检验的零假设为P P ∧=，其似然比检验的统计量为：

22[(1)]2[(1)]~:(1)T N N T N N uc LR In p p In p p X ΛΛ--=--+-

2）正态近似法

正态近似检验法是失败检验发的一种，也是检验VaR 的估计值是否与实际情况相符的一种较为简单并且容易的检验方法，但是这种检验法相对于Kupiec 检验的准确性较低。

使用方法：假定样本观察周期为T 天，则T 天内的失败天数N 服从二项分布(,),B T p p 为失败率，即实际损益超过VaR 估计值的概率。

在上述假设下，当T 相当大是，根据中心极限定理，可将二项分布近似看成正态分布，即~(0,1)(1)N pT z N p p T

-=-，在给定原假设p α=成立时，检验统计量~(0,1)(1)N T z N T

ααα-=-，根据假设检验的原理，可以得到失败天数N 的接受域：/2/2(1)(1)T T N T T ββαμαααμαα--≤≤+-，

其中/2βμ为正态分布的上2β分位数，β为假设检验的显著性水平，在给定β，VaR 的左尾概率和样本容量T 的不同取值时，就可以得到相应的接受域或者拒绝域。这是当实际观测的样本取值N 落入接受域时，就接受原假设，认为相应的VaR 模型可以用来进行风险衡量，否则，的那个样本取值N 落入拒绝域是，说明VaR 模型低估或者高估了资产的实际风险。

3）贝叶斯方法

贝叶斯方法是一种新近的VaR 稳健性检验方法，其对大样本数据或者小样本数据都有较好的估计，而且准确性较高，但分析过程与计算比较繁琐。下面对其使用方法进行简单介绍。

使用方法：在上述正态检验方法的假设条件下，失败天数N 服从二项分布(,)B T p ，其概率分布如下：

()(1)k k T k T p N k p C p p -==- 1,2,,k T =

根据贝叶斯理论，在对任何未知参数作区间估计的时候均可把该参数当作随机变量，并且在事先没有任何关于参数的信息时，按照同等无知原理，假定该参数服从参数空间上的均匀分布，因此，这里假设二项分布的参数p 的无信息先验分布为均匀分布(0,1)U ，则p 的鲜艳分布密度为：

根据贝叶斯原理，可得p 的后验分布为：

(1)1(1)11()(1)(1,1)

k T k f p k P p B k T k +--+-=-+-+ 其中，K 是考察周期内失败的天数，(1,1)B k T k +-+为Beta 函数。由Beta 分布的密度函数可知，p 的后验分布为(1,1)B k T k +-+。

根据Beta 分布的密度函数性质，设p 的置信水平为1β-的置信区间为,,t u p p ⎡⎤⎣⎦则p 在区间[]0,t p 上取值的概率为2β，在区间[]0,u p 上取值的概率为12β-，根据对p 的密度函数在p 取值区间上积分得到相应的取值概率，有下面两个方程成立：

(1)1(1)10

1(1)2(1,1)p k T k p p dp B k T k β+--+--=+-+⎰ (1)1(1)101

(1)12(1,1)u p k T k p p dp B k T k β+--+--=-+-+⎰

2(2(1),2(1))F T k k β-++ 解得，211(1)(2(1),2(1))

t k p k T k F T k k β+=++-+⨯-++ 1211(1)(2(1),2(1))u k p k T k F T k k β-+=

++-+⨯-++ 其中，2(2(1),2(1))F T k k β-++为F 分布上的2β分位数。

结论就是，按照同等无知原理，假设二项分布的未知参数p 服从参数空间上