市場風(fēng)險(xiǎn)的計(jì)量及管理-wenkub.com
2025-01-12 23:08 本頁面
【正文】 另外，可以利用多個(gè)金融期權(quán)和標(biāo)的資產(chǎn)對金融期權(quán)的交易進(jìn)行套期保值，具體內(nèi)容參考第五章的相關(guān)內(nèi)容。套期保值的主要風(fēng)險(xiǎn)是基差風(fēng)險(xiǎn)。 ? 應(yīng)用金融期貨合約管理市場風(fēng)險(xiǎn)的主要方法是套期保值方法，它是指在現(xiàn)貨市場某一筆交易的基礎(chǔ)上，在期貨市場上做一筆價(jià)值相當(dāng)，期限相同但方向相反的交易，并在期貨合約到期前對沖，以期貨的盈利（虧損）彌補(bǔ)現(xiàn)貨虧損（盈利）的方法，以達(dá)到套期保值的目的。 四、應(yīng)用金融衍生品管理風(fēng)險(xiǎn)的方法 ? 由于市場風(fēng)險(xiǎn)具有系統(tǒng)風(fēng)險(xiǎn)的特征，因此，用于系統(tǒng)風(fēng)險(xiǎn)管理的方法都可以用于市場風(fēng)險(xiǎn)的管理。 ? 分散化投資的核心內(nèi)容是投資比例的確定，確定的方法主要有定性方法與數(shù)量化方法兩種，定性方法是根據(jù)證券分析師的經(jīng)驗(yàn)構(gòu)建和調(diào)整證券組合中各證券的比例關(guān)系，盡管已經(jīng)出現(xiàn)了定量化的方法，但大多數(shù)組合管理者仍習(xí)慣于采用這種傳統(tǒng)的方法；數(shù)量化的方法是運(yùn)用數(shù)學(xué)規(guī)劃模型，通過定量化的方法求解證券組合中各證券的最佳比例關(guān)系，目前，這種方法已經(jīng)越來越受到重視。 二、分散化投資方法 ? 由于市場風(fēng)險(xiǎn)有非系統(tǒng)性風(fēng)險(xiǎn)的特征，因此可以采用組合投資的方法分散一部分市場風(fēng)險(xiǎn)。例如，在證券投資過程中，通過制定規(guī)章制度，根據(jù)市場條件與環(huán)境選擇投資品種、控制倉位、制定止損與止贏點(diǎn)、選擇合適的投資方法（如分批建倉、低位補(bǔ)倉、股票債券在規(guī)定的情況下相互轉(zhuǎn)換等）、及時(shí)進(jìn)行檢查監(jiān)督等方法，降低市場風(fēng)險(xiǎn)。檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確性相當(dāng)于檢驗(yàn)失敗概率等于特定概率（ c）的零假設(shè)。 誤差分析是對 VaR估計(jì)結(jié)果誤差水平的測量和評估。這種模型與 jump model基本類似，只不過跳躍期變長而已。雖然人們認(rèn)為 1987年的股災(zāi)是這種情況的一個(gè)例證，但這個(gè)模型不能解釋易變性變化的持續(xù)存在。下面，我們討論兩種流行的模型： Jumps 模型（跳躍模型） 設(shè)收益率服從正態(tài)分布，且方差為常數(shù)，但是每一階段（時(shí)期），都有可能出現(xiàn)跳躍的情況，但出現(xiàn)的概率是小概率。 GARCH Models 方法 簡單而論，一般的自回歸條件異方差模型，包括了RiskMetrics 方法，只要假定方差參數(shù)的一個(gè)特殊過程即可。特別是，他們提出了下列的平均數(shù)： 這里， t0 為 樣本的第一期，對于日數(shù)據(jù)，取 對于月數(shù)據(jù)，取 當(dāng)樣本數(shù)量為無窮大時(shí)，上述公式變?yōu)椋? 因此，明天收益率方差的預(yù)測值為今天收益率方差的預(yù)測值與今天實(shí)際收益率平方的簡單加權(quán)平均。 類似地，兩個(gè)資產(chǎn)之間的相關(guān)系數(shù)也是隨時(shí)間而變化的。 下面我們討論幾個(gè)模型，這些模型中，收益率仍然服從正態(tài)分布， ValueatRisk的計(jì)算，象前面有關(guān)章節(jié)一樣， 可以直接計(jì)算，唯一需要注意的是將下標(biāo) t 加入到均值與方差。 三、可變方差的正態(tài)分布收益率 我們可以假定正態(tài)分布的參數(shù)是變化的，進(jìn)而放松獨(dú)立同分布假設(shè)，而同時(shí)保持“正態(tài)收益率”的靈活性。 （ 2） 1997 對于美國股票市場是非常好的一年（盡管不如1996年），因此，計(jì)算的 VaR 反映的是市場沒有任何實(shí)質(zhì)性的不好收益率的情況。 實(shí)例 使用 SP500 ， 1997年日收益率數(shù)據(jù)，我們計(jì)算 99% one day VaR 為： VaR = $13,155, 這個(gè)數(shù)據(jù)比我們以前得到的 VaR小的多。在此例中，我們得到的 VaR 數(shù)值比 正態(tài)分布假設(shè)下大 13% 。 例子 一個(gè)公司在歐元上的投資額為 million dollars ，在日圓上的投資額為 million dollars 。 說明 這對于基于正態(tài)分布收益率計(jì)算的 VaR 來說，不是一個(gè)好消息，因?yàn)?，厚尾意味?, 對應(yīng)于 99%概率的實(shí)際分界點(diǎn)要低于使用 基于正態(tài)分布收益率計(jì)算的 分界點(diǎn)。使用這些 簡化假設(shè)時(shí)， 風(fēng)險(xiǎn)管理者要在 VaR的準(zhǔn)確性與快速估計(jì)方法之間尋求一種平衡。一旦出現(xiàn)這種情況，建議使用更符合實(shí)際的收益分布。 （二） The DeltaGamma Method 比 delta method 更好的近似方法是應(yīng)用 Taylor expansion 中的高階項(xiàng)。這時(shí)，對應(yīng)的新指數(shù)值為 S ? 900（對應(yīng)于 VaR的分界值）。再假定無風(fēng)險(xiǎn)收益率為 r = 5% ，標(biāo)的物的紅利收益率為 0，年隱含的收益率波動(dòng)性為： 則根據(jù) BlackShose公式，有： 在給定 SP500 index的價(jià)值，投資在養(yǎng)老基金上的份額為： NS = 1 bil/936 = 1,068,376 index share (spot market). 令 Nf = 1,068,376. Example 這樣整個(gè)頭寸的變化量為： 可見， 服從正態(tài)分布，其均值和標(biāo)準(zhǔn)差分別為： 將 代入到 VaR的計(jì)算公式中， a 99% one day VaR 為： 評論（ 1） 你可能會立刻注意到在計(jì)算非線性證券 VaR時(shí)， Delta Normal method的不足 ： （ 1）根據(jù)定義， VaR給出的是小概率下極端的損失值 (損失大于 $ mil in the next 24 hours的概率，僅有 1%)。 假設(shè) YM and YS 服從正態(tài)分布和聯(lián)合正態(tài)分布，其均值和方差分別為： ， 它們的相關(guān)系數(shù)為： 你的財(cái)產(chǎn)明天的價(jià)值（以美圓計(jì)）為： 根據(jù) St+1 和 Mt+1的定義， 因?yàn)槁?lián)合正態(tài)分布之和仍為正態(tài)分布，我們有： 這里 因此，投資歐元的總收益率（股票市場的收益率 +外匯匯率的收益率）仍然服從正態(tài)分布，所以我們可以利用前面所學(xué)的技術(shù)計(jì)算 VaR. 記 為 Yt+1小于 發(fā)生的概率為 的數(shù)值，我們可以計(jì)算頭寸為 Vt=10 Mil x Mt時(shí)的 VaR。 為什么需要 復(fù)利正態(tài)分布收益率（ 2） (2) 當(dāng)投資的總收益率是兩個(gè)價(jià)格組合而成時(shí)，使用連續(xù)復(fù)利收益率是很方便的。 為什么需要 復(fù)利正態(tài)分布收益率 （ 1）當(dāng)分析 時(shí)間序列事件時(shí)，應(yīng)用連續(xù)復(fù)利收益率是很方便的。例如，在上例中，取消日圓業(yè)務(wù)并不等于將 VaR從 $177, 降低為 (VaRIvaRJ)= $66,。 但從內(nèi)部管理的角度看，金融機(jī)構(gòu)估計(jì)每一種業(yè)務(wù)對企業(yè)總風(fēng)險(xiǎn)的邊際貢獻(xiàn)是非常重要的，其原因主要有： 1) 有效管理風(fēng)險(xiǎn)的需要； 2)（建立規(guī)則）對各種業(yè)務(wù)分配風(fēng)險(xiǎn)資產(chǎn)的需要（頭寸的限制）； 3)評估各項(xiàng)業(yè)務(wù)成績的需要。 但在很多場合下，估計(jì)證券組合總風(fēng)險(xiǎn)中單個(gè)證券的邊際貢獻(xiàn)是很重要的。 三、因素模型的簡單回顧 因素模型 因素模型，一般可以 寫成如下形式： 其中， 是因素，而且相互獨(dú)立（為了清楚起見，你可以把這些因素看成諸如超常收益率、 GNP growth等）。 一般情況 設(shè)有 n 個(gè)不同的資產(chǎn)， 是 t時(shí)刻 投資在第 i個(gè)資產(chǎn)上的資金量（美圓）， 是 t + 1時(shí)刻 投資在第 i個(gè)資產(chǎn)上的收益率。根據(jù)上述 的定義，可以計(jì)算分布密度為 的分位數(shù)為： 這個(gè)值即為一個(gè)分界點(diǎn) ， 即損失超過 發(fā)生的概率為 (1 ) 。 1,1ttMttMMRM ???? ),(~ 2, MMtM NR ??? M?M()Z ?()??Z ?例如，如果 =99%, 則 = , 說明從一個(gè)標(biāo)準(zhǔn)正態(tài)分布中，隨機(jī)抽取一個(gè)數(shù)值，其值大于 的概率為 99%。 （ 3）雖然如此， VaR在我們后文討論的情況中是非常有用
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1