VaR模型中的参数选择和计算细节

作者:, 发表于

1.选择合适的参数

在计算VaR之前,需要先明确所计算VaR的参数。最重要的两个参数为时间期限和置信度,前者对应所需衡量风险的时间段,后者对应风险的容忍度。

1.1.选取时间期限

在选取时间范围有两个考虑因素

  • 所关注的风险期限:某些公司更关注于短期风险,使用较短的时间范围。另外一些公司并不太关心短期的波动,则使用较长的VaR时间范围。
  • 交易活跃程度:一般来说,公司资产的变化程度越大,其选取的时间范围越小。对于一般商业银行,通常只看未来一天的VaR;投资公司则关注一周到一个月的期限,而一般公司则会使用一个季度甚至一年的时间范围。

某些公司对不同资产类型使用不同的VaR时间范围,比如不流通的资产的时间范围更长一点。但不推荐这么做,因为:

  1. 衡量流动性风险的理论有很大进步,使用较长时间的VaR是一个笨拙的方法,而且容易将流动性风险和市场风险混为一谈。
  2. 对不同的资产使用不同的VaR参数,在更高层面无法整合,也使得在不同资产之间无法进行比较。

1.2.选取置信度

置信度取决于对于损失的容忍度。商业银行和保险企业的损失容忍度较低,而投资公司的容忍度要高一些。一般来说,对于较短的时间期限(1天或一周):商业银行使用99%,其它一般机构使用95%。

另一种定量的方法为,VaR选取置信水平,使得损失超过该值的可能性等于目标违约概率。比如,公司希望将评级维持在Aaa级,穆迪的Aaa级公司对应1年内违约的概率为0.01%,此时1年期VaR选取置信水平为99.99%。

美国的银行通常使用99.98%的置信水平(1年期VaR)对其经济资本进行衡量,等同于目标评级水平为Aa。

2.计算细节

在前面只提到了计算VaR的方法和框架,这里补充一些重要的细节。有了这些细节,再加上定价公式,至少能够写出一些简单的VaR计算程序。

2.1.收益率:算术收益率还是连续收益率

对于一个因子有两种收益率方法:

  1. 算术收益率:假设期末价格为 \(P_1\) ,期初价格为 \(P_0\) ,那么收益率为 \(P_1/P_0-1\)
  2. 连续收益率:假设期末价格为 \(P_1\) ,期初价格为 \(P_0\) ,那么收益率为 \(\log(P_1/P_0)\)

算术收益率即日常理解的收益率。为什么还需要连续收益率的概念呢,因为

  1. 它对于时间是简单叠加的:假设第一期的连续收益率为 \(r_1\) ,第二期为 \(r_2\) ,那么两期合并收益率为 \(r_1+r_2\)
  2. 一般来说,连续收益率是正态分布。连续收益率可分解为各个期间的连续收益率之和,假设各个期间互相独立,根据大数定律,连续收益率收敛于正态分布。而算术收益率不是正态分布,最直接的理由是,算术收益率有下限-100%。

所以一般地,在模特卡洛模拟法中通常使用连续收益率,在计算损益额时再将连续收益率转化成算术收益率。

但算术收益率也有一个很好的优点:它对于横向是线性可加的,即组合的收益率等于各个因子的加权算术平均。所以参数法里使用算术收益率,并基于下面简单事实,可以认为算术收益率也符合正态分布:

\(r\sim 0\) 时, \(r \sim \log(1+r)\)

历史模拟法中无需假设收益率的分布,与这两种方法无关。

2.2.风险矩阵的计算方法

参数法和蒙特卡洛模拟法,在计算VaR之前,都需先估计风险矩阵,即各个风险因子之间的协方差矩阵。有几种方法计算该协方差矩阵,包括平均加权法、GARCH法、指数移动平均法和隐含法。

其中平均加权法是直接用过去历史一定期间内的样本计算方差;GARCH法是将方差(和协方差)视为一个GARCH过程,用最大似然法进行估算;隐含法则利用衍生产品内涵的波动率进行估算。在实际中最常用的是指数移动平均法。

指数移动平均法使用历史数据的加权平均和计算方差 \(\sigma_t^2\) ,越近的历史数据所占用的权重越大:

\[\begin{array}{rcl}\sigma^2_t &=& (1-\lambda)r_t^2 + \lambda \sigma^2_{t-1}\\ &=&(1-\lambda)(r_t^2+\lambda r_{t-1}^2+\lambda^2r_{t-2}^2+\cdots)\end{array}\]

其中 \(r_t\) 为因子收益, \(\lambda\) 为衰减因子,对应半衰期,表示经过多长时间,权重降低一半。半衰期越长( \(\lambda\) 越大),所得到的风险矩阵和VaR越稳定。RiskMetrics推荐日VaR使用 \(\lambda=0.94\) ,周VaR使用 \(\lambda=0.97\) ,分别对应半衰期10和21(半个月和一个月)。

使用移动指数平均法的另一个好处是:样本的长度对结果的影响较小。衰减因子为0.94时,99%的信息来源于最近的74 \(=\log(1-p)/\log \lambda)\) 个样本;衰减因子为0.97时,99%的信息来源于最近的151个样本。

\(\lambda\) 的选取和VaR的目的相关。在日常风险管理中,需要动态检测风险,VaR要能衡量当时市场状态,通常使用较短的半衰期。

但在监管中,由于VaR和风险资本相关,银行等机构需要根据VaR确定其风险资本,所以并不希望VaR变动过快,此时它们会选择使用较长的半衰期,或者直接使用历史法计算VaR。

2.3.历史法中考虑权重问题

如果使用固定区间比如一年的样本长度计算VaR,并且样本权重一样时,恰好位于样本区间前边的那个历史数据,将不包含在今天的VaR计算范围。如果那个边界数据为一个极端数据时,将对今天的VaR结果造成很大的影响。这让人难以琢磨而且非常荒谬。直观意义上看,某个单独的历史样本,特别是很久之前的样本,在计算过程中是否包含该样本,对结果应该影响较小。参数法和蒙特卡洛模拟法中引入了指数加权法处理这个问题,衰减因子使得每隔半衰期以外的历史样本权重降低一半,这样是否包含历史上某个极端样本,对结果的影响相对较小。

在历史法中,也可以对于不同时期的样本数据赋予不同的权重解决上述的问题。最简单的方法还是上面的衰减因子法,每隔半衰期的样本权重降低一半。但是,这种方法在历史法中不如用在风险矩阵方法里好。因为,历史法计算VaR值,本来就非常依赖于尾部的几个极端数据,其它样本数据都不会影响结果。衰减因子法会加剧该问题。

另一个处理历史场景的方法是:用波动率去调整历史场景。比如历史场景某因子收益率为1%,波动率为2%。目前波动率为3%,那么调整该场景下因子收益率为1.5%。该方法主要是基于波动率的稳定性,即假设短期内波动率保持同样的水平(同参数法一样)。

2.4.对风险矩阵的非正定性的处理

一个矩阵 \(\Sigma\) 是正定的,是指对于任何向量 \(w\neq 0\) ,都有 \(w^T\Sigma w> 0\) ;一个矩阵 \(\Sigma\) 是半正定的,是指对于任何向量 \(w\) ,都有 \(w^T\Sigma w \geq 0\) 。有几种情况会导致非正定的风险矩阵,

  1. 如果计算风险矩阵的样本个数低于风险因子的数量,得到的协方差矩阵是半正定的。
  2. 因子的样本长度不一样时(比如因为样本数不够,因子1和因子2的协方差使用了100个样本数据,但因子1和因子3的协方差只使用了50个样本数据),得到的协方差矩阵可能是非正定的。
  3. 当分块计算风险矩阵(比如为了简化计算过程,不直接计算不同类型的因子之间的相关性,而直接定义为一个常数),并且不同块的计算方法不一样时,得到的协方差矩阵可能是非正定的。
  4. 对因子协方差进行压力测试时,需主动修改风险矩阵某些位置的值,使得风险矩阵不再是正定的。

上面第一种情况得到风险矩阵可以不做处理。后几种种情况导致的非正定风险矩阵会需要对负数开根号,这是不可能的。所以必须对非半正定的风险矩阵进行处理。

Correlation Stress Testing for Value-at-Risk: An Unconstrained Convex Optimization Approach这篇文章里描述了在上述第三种请款下,如何处理非正定的风险矩阵,在其概述部分也描述了前人的若干种方法。这些方法基本上都用到了最优化,而且是二次的。在条件允许的情况下,应该使用这些学术上的结果。但某些情况下,也可以采取近似的方法。比如,由于风险矩阵是实对称矩阵,它可以对角化:

\[\Sigma = \Gamma^T \Omega\Gamma\]

其中, \(\Gamma\) 为正交矩阵, \(\Omega\) 为对角矩阵。如果 \(\Sigma\) 非正定, \(\Omega\) 对角线上有负值。在处理时,将 \(\Omega\) 对角线上的负值重设为0即可:

\[\Sigma = \Gamma^T \max(0, \Omega) \Gamma\]

2.5.如何生成随机场景

模拟法的场景从风险矩阵中得到。假设风险矩阵 \(\Sigma\)\(n\times n\) 的半正定矩阵,那么可以生成因子场景为:

\[r = \sqrt{T} C^Tz\]

其中 \(\Sigma = C^TC\)\(z\) 为n元独立正态分布, \(T\) 为场景的时间长度(相对于 \(\Sigma\) )。

Q.E.D.


上一篇:参数法和模拟法计算VaR2011年7月5日
这里介绍VaR算法的另一个核心。主要使用参数法和模拟法,这是两个算法大类。在实际处理中,不同公司有不同的细节处理方法,不可尽述。

下一篇:回溯检验VaR2011年12月5日
为了让VaR体系正常运作,必须定期对VaR进行回测检验,以检验VaR框架是否适用当前业务,计算模型是否正确无误等。这篇文章介绍了回溯检验的对象和方法。


Comments are closed.

  • 支持使用微薄、微信和QQ的账户登陆进行评论。由各自网站直接认证,不会泄露你的密码。
  • 登陆后可选择分享评论到所绑定的社交网络,如微薄、人人和QQ空间。
  • 评论提交后无法修改。如需修改,请删除原评论再重新提交。
  • 评论支持LaTeX代码,行内公式请用\(a+b=c\),行间公式请用\[a+b=c\]。公式只支持英文字符。