汇率风险度量.ppt

VaR模型在人民币汇率风险度量中的应用摘要VaR是指在一定的持有期和给定的置信水平下，市场风险因子发生变化时可能对某项资金头寸、资产组合或机构造成的潜在最大损失。
VaR=E(W)-W”=Wo(u-r)
Wo为某一资产或资产组合的初始价值，r为该项资产或资产组合在一定持有期内的投资收益率（r在持有期内的期望值和波动性分别为u和r）数据选取随机性检验2.游程检验。取分界值为0，把人民币汇率收益率大于0和等于0归入一种游程，这样就满足了游程检验对二分变量的要求。结果表明，双尾伴随的显著性概率p为65.2%，远远大于显著性水平5%，接受了随机游走的原假设。
综合以上对人民币汇率收益率序列的单位根检验和游程检验，可以得出一致的结论{Rt}序列为随机游走过程，具备了使用VaR模型度量人民币汇率风险的适用性前提。J-B检验异方差检验非参数方法非参数方法（2）产生标准正态分布的伪随机数；
（3）利用如下公式（其中P0=8.11），可以得到P1，然后重复进行10000次，可以得到人民币汇率未来的10000个模拟价格；（4）利用这10000个模拟汇率计算出几何收益率分布，根据选定的置信水平，由分位数估计出相应的VaR值。参数方法方差—协方差法GARCH族模型（3）对估计的GARCH（1，1）模型进行检验评价。对残差序列做Q检验，发现5%的显著水平下，前20阶残差项序列的自相关系数整体不显著；然后对残差再做异方差效应的LM检验，发现残差序列已显著不存ARCH效应合上述表现认为GARCH（1，1）模型能较好地刻画人民币汇率对数收益率的异方差现象。
（4）建立的GARCH模型生成人民币汇率对数收益率的条件方差序列{ht}。
（5）将ht代入公式中，得到动态日VaR值。(日动态VaR的最大值、最小值、均值和标准差)综上所述，本文分别以历史模拟法、蒙特卡罗模拟法、方差—协方差法的SWA-N、SWA-t、EWMA—N、EWMA-t、GARCH模型的GARCH(1，1)—N、GARCH(1，1)—t和GARCH(1，1)—GED等九种不同的VaR方法对人民币汇率风险进行了估算，结果不尽相同。为了衡量每种方是否有效及选择出最优的风险度量方法，需要对VaR模型结果进行准确性检验。准确性检验 结论（2）通过运用各种VaR方法对人民币汇率风险进行实证度量，本文认为基于t分布的GARCH（1，1）模型是最优的度量人民币汇率风险的内部模型，具有良好的预测准确性和较高的精度。对于目前已根据VaR值来设置率风险资本或者提取汇率风险准备金的机构来说，建议可以采用基于t分布的GARCH（1，1）模型来修正现有的VaR模型，以在风险抵御能力和盈利能力之间做权衡取舍。同时，蒙特卡罗模拟、基于t分布的简单移动平均法稍次于基于t分布的GARCH（1，1）模型，但仍然通过了准确性检验，在实践中也可考虑用于人民币汇率险的度量。汇率形成机制改革下的银行汇率风险度量（基于TARCH模型的实证研究）摘要TARCH模型的选择许多实证研究还发现外汇收益率的残差对收益率存在非对称性影响。例如，当外汇市场受到负向冲击时汇率下跌收益率的条件方差往往也随之扩大，导致收益率的波动性更大；反之，汇率上升时收益率波动性也相应减小。负向冲击对条件方差的这种影响被称作杠杆效应。由于GARCH模型假设正的和负的冲击对条件方差的影响是对称的，因此不能刻画收益率条件方差波动的非对称性。针对这一局限，我们引入了TARCH模型。根据上文的分析，运用TARCH模型分别计算美元、欧元和日元的汇率风险VaR，并进行比较分析。实证分析分为两步，第一步是构建TARCH模型对收益率的波动性进行度量；第二步是根据TARCH模型计量汇率风险VaR，并进行返回检验。2005年7月-2012年10月美元、欧元、日元兑人民币的中间价、收益率。ARCH-LM检验残差平方相关图检验是计算残差平方的自相关（AC）和偏自相关（PAC）系数。如果自相关系数及偏自相关系数均显著不为零，而且Q统计量非常显著，则说明方程的残差序列存在ARCH效应。AC和PAC都显著不为0，而且Q统计量非常显著，相伴概率很小，也说明残差序列均存在ARCH效应。美元的TARCH模型检验在美元TARCH模型中，杠杆效应项的系数为-0.127，说明美元兑人民币汇率的波动具有杠杆效应：利空消息产生的波动小于利好消息。当出现利好消息时，µt-1>0，则It-1=0，利好消息会给美元汇率带来一个0.338倍的冲击。而出现利空消息时，It-1=1，利空消息会给美元汇率带来一个0.211倍（0.338-0.127）的冲击。欧元的TARCH模型检验在欧元TARCH模型中，杠杆效应项的系数为0.012，说明欧元兑人民币汇率的波动的杠杆效应是利空消息能比利好消息产生更大的波动。当出现利好消息时，会给欧元