【正文】 金融風(fēng)險(xiǎn)及其管理方法綜述摘要：本文首先通過08年金融危機(jī)對現(xiàn)代金融風(fēng)險(xiǎn)的本質(zhì)進(jìn)行闡述，然后分別從市場風(fēng)險(xiǎn)，信用風(fēng)險(xiǎn)，操作風(fēng)險(xiǎn)，流動(dòng)性風(fēng)險(xiǎn)四個(gè)主要方面進(jìn)行介紹。市場風(fēng)險(xiǎn)中從波動(dòng)率角度和VaR角度進(jìn)行分析。第一，針對波動(dòng)率方面的GARCH模型，利用08金融危機(jī)后的中國匯率變化進(jìn)行實(shí)例驗(yàn)證；第二，介紹了利率敏感性缺口，久期，凸度，馬克維茨的均值方差模型，資本資產(chǎn)定價(jià)模型等定性及定量方法；第三，介紹了VaR方法的基本原理及其三個(gè)常用的計(jì)算方法：歷史模擬法，蒙特卡洛模擬法和方差協(xié)方差法。信用風(fēng)險(xiǎn)的衡量和管理中，首先介紹了信用風(fēng)險(xiǎn)的決定因素，然后闡述了信用分析技術(shù)的發(fā)展，最后著重介紹了我國商業(yè)銀行的信用管理現(xiàn)狀和針對商業(yè)銀行信用風(fēng)險(xiǎn)的管理方法—內(nèi)部評級法。 流動(dòng)性風(fēng)險(xiǎn)的度量和管理中，主要介紹了銀行金融機(jī)構(gòu)的流動(dòng)性管理指標(biāo)和非銀行業(yè)金融機(jī)構(gòu)的交易流動(dòng)性檢測。對于操作風(fēng)險(xiǎn)，首先利用光大烏龍指來說明操作風(fēng)險(xiǎn)的嚴(yán)重性，然后簡要介紹計(jì)算操作風(fēng)險(xiǎn)監(jiān)管資本金的方法，分別為基本指標(biāo)法，標(biāo)準(zhǔn)法和高級測量法。關(guān)鍵詞： ABS GARCH VaR IRB 目錄一、現(xiàn)代金融風(fēng)險(xiǎn)本質(zhì) 3 從資產(chǎn)抵押債券（ABS）角度介紹08年金融危機(jī)發(fā)生原理 3 現(xiàn)代金融風(fēng)險(xiǎn)本質(zhì)淺析 3二 、市場風(fēng)險(xiǎn) 4 波動(dòng)率 4 GARCH（1,1）模型匯率角度運(yùn)用 4 GARCH模型介紹 4 匯率樣本數(shù)據(jù)圖 5 ARCH效應(yīng)檢驗(yàn) 5 GARCH(1，1)模型 8 匯率值預(yù)測 11 VAR模型 13 市場風(fēng)險(xiǎn)管理方法 14 利率敏感性缺口管理 14 一種定量管理的方法—久期和曲率 14 馬柯維茨的均值一方差理論 15 資本資產(chǎn)定價(jià)模型（CAPM） 15三、信用風(fēng)險(xiǎn) 16 信用分析技術(shù)的發(fā)展 16 一些預(yù)防信用風(fēng)險(xiǎn)的方法 16 內(nèi)部評級法 17 對我國商業(yè)銀行信用風(fēng)險(xiǎn)的一些思考 18四、流動(dòng)性風(fēng)險(xiǎn) 18 銀行業(yè)流動(dòng)性風(fēng)險(xiǎn) 18 非銀行業(yè)金融機(jī)構(gòu)面臨的流動(dòng)性風(fēng)險(xiǎn)：主要是交易流動(dòng)性風(fēng)險(xiǎn) 18五、操作風(fēng)險(xiǎn) 19 19 實(shí)例：光大烏龍指事件 19參考文獻(xiàn)： 20附錄： 21一、現(xiàn)代金融風(fēng)險(xiǎn)本質(zhì) 從資產(chǎn)抵押債券（ABS）角度介紹08年金融危機(jī)發(fā)生原理債務(wù)抵押債券是一種特殊的資產(chǎn)抵押債券，其基礎(chǔ)資產(chǎn)為固定收益?zhèn)?。由于美國的銀行在住房抵押貸款方面的審查不嚴(yán)格，或者說是刻意為之，導(dǎo)致產(chǎn)生了大量的次級債。銀行為了縮短流動(dòng)性期限，進(jìn)行了資產(chǎn)證券化，將這些CDO分為不同的級別（分為高級，中間級和股權(quán)級）進(jìn)行發(fā)行，而購買這些CDO的金融機(jī)構(gòu)（大多數(shù)為SPV）對所得債券再次進(jìn)行CDO分級，進(jìn)行發(fā)行，從中獲取利潤，就這樣一直到最后一家金融機(jī)構(gòu)，由于大家都不相信自己會(huì)是“擊鼓傳花的最后一個(gè)”，所以當(dāng)住房貸款違約時(shí)，銀行和最后一家持有CDO的金融機(jī)構(gòu)就要承擔(dān)巨大的損失，金融危機(jī)就這樣發(fā)生了！次級按揭高級份額（75%）AAA中間份額（20%）BBB股權(quán)份額（5%）無級別高級份額（75%）AAA中間份額（20%）BBB股權(quán)份額（5%）簡化的ABS CDO 現(xiàn)代金融風(fēng)險(xiǎn)本質(zhì)淺析次級債市場這樣的“金融創(chuàng)新”活動(dòng)，存在著積極和消極的兩面性，如果過度地?fù)?dān)心它的消極性，例如資金鏈斷裂引起的流動(dòng)性危機(jī)，那么，金融業(yè)的競爭活力就可能被過度的監(jiān)管所抹殺；另一方面，過于樂觀的強(qiáng)調(diào)它的積極性，把金融創(chuàng)新的風(fēng)險(xiǎn)機(jī)制看得過于簡單化，同樣可能因?yàn)槌霈F(xiàn)扭曲的風(fēng)險(xiǎn)判斷而不可避免的導(dǎo)致金融危機(jī)。此外，“消費(fèi)者金融”時(shí)代給信貸市場的競爭方式和監(jiān)管模式帶來了前所未有的挑戰(zhàn)。殘酷的競爭很容易迫使金融機(jī)構(gòu)為不失良機(jī)而爭相提供更新、更直接的讓消費(fèi)者受惠的金融服務(wù)。結(jié)果，隨著金融創(chuàng)新活動(dòng)的深化和金融業(yè)務(wù)的細(xì)分化，信息不對稱問題變得愈來愈嚴(yán)重，潛在的風(fēng)險(xiǎn)也越來越難察覺。因?yàn)楸O(jiān)管方式跟不上金融創(chuàng)新所帶來的新風(fēng)險(xiǎn)，所以它積累到一定程度就很容易爆發(fā)像“次級債風(fēng)波”那樣的危機(jī)。二 、市場風(fēng)險(xiǎn)首先介紹市場風(fēng)險(xiǎn)。市場風(fēng)險(xiǎn)主要包括兩方面的風(fēng)險(xiǎn)，分別是匯率風(fēng)險(xiǎn)和利率風(fēng)險(xiǎn)。由于中國的匯率并未完全放開，所以在中國，市場風(fēng)險(xiǎn)主要指利率風(fēng)險(xiǎn)。針對市場風(fēng)險(xiǎn)，可以從兩個(gè)角度討論，波分別為動(dòng)率角度和VAR角度。 波動(dòng)率從第一個(gè)角度來看，主要包含歷史波動(dòng)率，隱含波動(dòng)率，ARCH, GARCH ,EWMA 等模型，本文主要介紹GARCH模型。歷史波動(dòng)率，簡單的說就是利用前n期歷史數(shù)據(jù)的方差來衡量現(xiàn)在和未來所面臨的風(fēng)險(xiǎn)。隱含波動(dòng)率。BlackScholes期權(quán)定價(jià)公式表明期權(quán)價(jià)格是標(biāo)的資產(chǎn)價(jià)格，執(zhí)行價(jià)格，無風(fēng)險(xiǎn)利率，期權(quán)期限和標(biāo)的資產(chǎn)在期限內(nèi)波動(dòng)率的函數(shù)。在這個(gè)公式中，每一時(shí)間段的波動(dòng)率被假定為相同的，然而現(xiàn)實(shí)中的期權(quán)價(jià)格并不一定等于理論價(jià)格，很大程度上是由于實(shí)際上每一時(shí)間段的波動(dòng)率不同導(dǎo)致。將實(shí)際中的歐式看漲期權(quán)價(jià)格代入公式中，反解出的波動(dòng)率稱為隱含波動(dòng)率。因?yàn)榭礉q期權(quán)價(jià)格相對于波動(dòng)率的偏導(dǎo)數(shù)為正，所以當(dāng)隱含波動(dòng)率大于給定波動(dòng)率時(shí)，期權(quán)的實(shí)際價(jià)格大于該期權(quán)的理論價(jià)格。ARCH是自回歸條件異方差模型，GARCH是廣義自回歸條件異方差模型，EWMA是指數(shù)加權(quán)移動(dòng)平均模型，這三種模型都主要用來計(jì)算變化的波動(dòng)率。 GARCH（1,1）模型匯率角度運(yùn)用 GARCH模型介紹自從Engle(1982)提出ARCH模型分析時(shí)間序列的異方差性以后，(1986)又提出了GARCH模型，GARCH模型是一個(gè)專門針對金融數(shù)據(jù)所量體訂做的回歸模型，除去和普通回歸模型相同的之處，GARCH對誤差的方差進(jìn)行了進(jìn)一步的建模。特別適用于波動(dòng)性的分析和預(yù)測，這樣的分析對投資者的決策能起到非常重要的指導(dǎo)性作用，其意義很多時(shí)候超過了對數(shù)值本身的分析和預(yù)測?！　∫话愕腉ARCH模型可以表示為：　　　　　　其中ht為條件方差，ut為獨(dú)立同分布的隨機(jī)變量，ht與ut互相獨(dú)立，ut為標(biāo)準(zhǔn)正態(tài)分布。（1）式稱為條件均值方程；（3）式稱為條件方差方程，說明時(shí)間序列條件方差的變化特征。為了適應(yīng)收益率序列經(jīng)驗(yàn)分布的尖峰厚尾特征，也可假設(shè) 服從其他分布，如Bollerslev (1987)假設(shè)收益率服從廣義t分布，Nelson(1991)提出的EGARCH模型采用了GED分布等。另外，許多實(shí)證研究表明收益率分布不但存在尖峰厚尾特性，而且收益率殘差對收益率的影響還存在非對稱性。當(dāng)市場受到負(fù)沖擊時(shí)，股價(jià)下跌，收益率的條件方差擴(kuò)大，導(dǎo)致股價(jià)和收益率的波動(dòng)性更大；反之，股價(jià)上升時(shí)，波動(dòng)性減小。股價(jià)下跌導(dǎo)致公司的股票價(jià)值下降，如果假設(shè)公司債務(wù)不變，則公司的財(cái)務(wù)杠桿上升，持有股票的風(fēng)險(xiǎn)提高。因此負(fù)沖擊對條件方差的這種影響又被稱作杠桿效應(yīng)。由于GARCH模型中，正的和負(fù)的沖擊對條件方差的影響是對稱的，因此GARCH模型不能刻畫收益率條件方差波動(dòng)的非對稱性。 匯率樣本數(shù)據(jù)圖 本模型使用的數(shù)據(jù)為2008年01月02日到2013年末的工作日匯率值，將匯率記為變量Y。其中，將2008年01月02日到2011年12月30日的匯率值作為樣本。（數(shù)據(jù)見附錄）匯率樣本數(shù)據(jù)圖 ARCH效應(yīng)檢驗(yàn)假設(shè)進(jìn)行估計(jì)的基本形式為： （1）利用最小二乘法估計(jì)式（1）， 結(jié)果如下： Dependent Variable: YMethod: Least SquaresSample (adjusted): 1/03/2008 12/30/2011Included observations: 1042 after adjustmentsVariableCoefficientStd. ErrortStatisticProb.CY(1)RsquaredMean dependent varAdjusted Rsquared. dependent var. of regressionAkaike info criterionSum squared residSchwarz criterionLog likelihoodHannanQuinn criter.Fstatistic1533532.DurbinWatson statProb(Fstatistic) （2） 對數(shù)似然值= AIC= SC=AIC值和SC值均較小，對數(shù)似然值很大，意味著變量的滯后階數(shù)是合適的。經(jīng)過t檢驗(yàn)，常數(shù)項(xiàng)和變量系數(shù)都是統(tǒng)計(jì)顯著的。下圖為該回歸方程的殘差圖，可以注意到波動(dòng)的“成群”現(xiàn)象：波動(dòng)在一段較長的時(shí)間內(nèi)非常小，在另一段較長的時(shí)間內(nèi)非常大，說明誤差項(xiàng)可能具有條件異方差性。因此，對式(2)進(jìn)行條件異方差的ARCH LM檢驗(yàn)，得到了在滯后階數(shù)p=1時(shí)的ARCH LM 檢驗(yàn)結(jié)果如下：此時(shí)的F統(tǒng)計(jì)量和Obs*Rsquared統(tǒng)計(jì)量的P值均為0，所以拒絕原假設(shè)，說明式（2）的殘差序列存在ARCH效應(yīng)。Heteroskedasticity Test: ARCHFstatisticProb. F(1,1039)Obs*RsquaredProb. ChiSquare(1)Test Equation:Dependent Variable: RESID^2Method: Least SquaresSample (adjusted): 1/04/2008 12/30/2011Included observations: 1041 after adjustmentsVariableCoefficientStd. ErrortStatisticProb.CRESID^2(1)RsquaredMean dependent varAdjusted Rsquared. dependent var殘差平方相關(guān)圖檢驗(yàn)：計(jì)算式（2）的殘差平方的自相關(guān)（AC）和偏自相關(guān)(PAC)系數(shù)，結(jié)果如下：由于自相關(guān)系數(shù)和偏自相關(guān)不為0，Q統(tǒng)計(jì)量比較顯著，可以得出結(jié)論，式（2）的殘差序列存在ARCH效應(yīng)。 GARCH(1，1)模型在上文中得出“式（2）的殘差序列存在ARCH效應(yīng)”這一結(jié)論，現(xiàn)在利用GARCH(1，1)模型對式（1）進(jìn)行重新估計(jì)，結(jié)果如下：均值方程 (3)方差方程 （4）Dependent Variable: YMethod: ML ARCH (Marquardt) Normal distributionSample (adjusted): 1/03/2008 12/30/2011Included observations: 1042 after adjustmentsConvergence achieved after 20 iterationsBollerslevWooldridge robust standard errors amp。 covariancePresample variance: backcast (parameter = )GARCH = C(2) + C(3)*RESID(1)^2 + C(4)*GARCH(1)VariableCoefficientStd. ErrorzStatisticProb.Y(1)Variance EquationCRESID(1)^2GARCH(1)RsquaredMean dependent varAdjusted Rsquared. dependent var. of regressionAkaike info criterionSum squared residSchwarz criterionLog likelihoodHannanQuinn criter.DurbinWatson stat，但是勉強(qiáng)可以接受，GARCH想的系數(shù)是統(tǒng)計(jì)顯著的，并且對數(shù)似然值有所增加，同時(shí)A