我国金属期货市场波动的典型事实及风险计量模型研究

我国金属期货市场波动的典型事实及风险计量模型研究

王鹏1 , 魏宇2

（1．西南财经大学金融学院四川成都610074）

（2. 西南交通大学经济管理学院四川成都610031）

摘要：近年来，我国金属期货市场取得快速发展，但有关该市场波动特征和风险状况的研究却非常缺乏。以上海期货交易所的3种代表性金属期货价格指数为例，首先对其价格变化的动力学特征及波动模式进行了全面深入的考察，然后运用严谨系统的后验分析（Backtesting analysis）方法，分别在多头和空头两种头寸状况以及5种不同分位数水平下，实证对比了8种风险测度模型对VaR

（Value at Risk）和ES（Excepted shortfall）两种不同风险指标估计的精度差异。研究结果

表明：（1）我国金属期货市场收益呈现出较为明显有偏和尖峰厚尾分布，收益波动具有明显的聚集特征和长记忆性；（2）采用有偏学生t分布有助于提高对我国金属期货市场的风险测度精度，而是否应在风险测度模型中包含杠杆效应项则应视不同品种价格变化的动力学特征差异而定；（3）在综合考虑了模型对金属期货价格变化动力学的刻画效果以及对不同风险指标的测度精度等因素后，基于有偏学生t分布的APGARCH模型是一个相对合理的风险测度模型选择。

关键词：金属期货市场；VaR；ES；有偏学生t分布；后验分析

Research on Stylized facts and Risk Models

for Chinese Metal Futures Market

WANG Peng 1 , WEI Yu 2

(1. School of Finance, Southwest University of Finance and Economics, Chengdu 610074, China)

(2. School of Economics and Management, Southwest Jiaotong University, Chengdu 610031, China) Abstract: In recent years, Chinese metal futures (CMF) market boomed. However, relatively little work has been done to detect volatility features and risk characteristics of them. Take three representative indices of Chinese metal futures market as sample, this paper carries out VaR and ES predicting for eight risk models. Furthermore, backtesting methodologies are introduced to estimate the accuracy for VaR and ES predictions produced by different models. The main results show that there is significant leverage effect and long memory in CMF market and clear conditional skewness and fat-tail are observed. Skewed student-t distribution is helpful to improve results in estimating VaR and ES of CMF market. In addition, APARCH model with skewed student-t distribution is moderately good in overall considering of description efficiency and estimation accuracy to extreme risk.

Key words: Chinese Metal Futures Market; VaR; ES; Skewed Student-t Distribution; Backtesting

0 引言

金属作为极其重要的生产资料，其市场价格的巨幅波动，不仅会使相关企业面临较大的经营风险，而且会给全球宏观经济或一国经济政策的实施效果造成较大影响。在我国没有推出金属期货合约交易以前，由于缺乏化解风险的有效手段，我国的金属生产及应用企业只能在现货市场进行单一的卖出和买入，几乎

没有任何抵抗价格风险的工具和能力。部分有实力的大型企业尽管可以通过其他的渠道规避风险，比如可以在境外市场进行相关的保值操作等，但是也要承受境外市场的价格波动和跨市场交易的风险（如汇率风险和外汇合同风险等），从而导致其在国际市场竞争中处于不利地位。

在这样避险需求的推动下，1991年原深圳有色金属交易所开始推出铜交易，1992年5月原上海金属交易所（上海期货交易所的前身之一）开业，铜是其上市的主要期货品种之一。当时，两个交易所进行的都是中远期合约交易，直到1993年3月上海金属交易所推出电解铜标准化期货合约，我国的金属期货才开始了真正的系统性交易。之后，我国金属期货市场发展迅速，2007年3月26日和2011年3月24日上海期货交易所（SHFE）又分别推出了锌期货和铅期货交易。至此，我国已经建立了由铜、铝、锌、铅等四大品种所构成的较为完善的金属期货交易体系。

伴随着品种的不断丰富，我国金属期货市场的交易量也在不断增长。回顾每一品种上市后的交易情况可以发现，无论是早期的铜、铝期货，还是最近的锌、铅期货，在上市后都很快受到了各类投资者的热烈追捧。特别是在最近的十年中，随着我国经济的不断发展，各类金属期货交易都呈现快速增长态势。目前，上海期货交易所已经成为仅次于伦敦金属期货交易所（LME）的全球第二大铜交易中心。金属期货的成功上市与运作，为我国广大金属消费和经营企业提供了有效的对冲工具，并在客观上形成了一个能够切实反映中国金属市场供需状况的“中国定价”，为我国建立市场化的、反映资源稀缺程度的金属价格形成机制奠定了良好的基础，同时也对健全和完善我国衍生品市场体系具有积极意义。

然而，在我国金属期货市场不断快速发展的背后，也必须清楚地看到，我国金属期货市场仍然存在着投资主体资格限制较多、现货消费结构和贸易结构特殊、合约设计存在缺陷等问题。这些因素都使得我国金属期货市场的投机气氛浓厚，价格波动较为剧烈，风险水平偏高。因此，对我国金属期货市场风险水平的准确测度和预测，对于各类投资者防范金属期货交易风险以及保证金属期货市场的健康平稳运行，都具有非常重要的理论和现实意义。

近年来，国内学者对我国金属期货市场开展了持续不断的探索，并取得了一批极具价值的研究成果。然而需要指出的是，这些成果要么是专门探讨我国金属期货价格与现货价格或世界上若干主要金属期货产品价格之间的关系，要么是集中研究我国金属期货价格本身的若干影响因素。例如，张金清、刘庆富（2006）曾运用双变量EC-EGARCH模型，协整关系和Granger因果关系模型对SHFE的铜、铝期货价格和现货价格的波动性动态关系进行了检验，得到了“我国铝、铜期货价格和现货价格之间均具有长期均衡关系”的主要结论；方毅、张屹山（2007）运用向量自回归（VAR）模型比较了国内外金属期货市场的风险传染效应，他们发现，SHFE的期铜、期铝市场间以及LME的期铜、期铝市场间存在明显的均值溢出；张鹤、黄琨（2007）根据金融市场的“价格传染”及“价格联动”原理，利用具有马尔可夫状态转移特征的自回归、向量自回归模型对LME铝、铜市场以及SHFE铝、铜市场的价格联动关系进行了比较研究，得到了“国际金属期货市场不存在价格联动现象”和“中国金属期货市场存在明显的状态转移及价格联动现象”的结论；刘庆富等（2008）基于t分布的双变量EGARCH模型和日内信息传递速度模型的研究发现，LME 与SHFE 之间的期铜市场存在双向的价格引导关系和双向的波动溢出关系，而期铝市场存在双向的价格引导关系，同时LME和SHFE 之间的价格信息传递均是迅速的，一个市场的交易信息可以在日内被另一市场吸收；郭树华等（2010）基于相关分析、修正的向量自回归模型及协整检验等方法的研究也表明，SHFE 和LME的同一金属期货品种的价格之间均存在长期均衡关系、较高的关联性以及双向引导关系；杨阳、万迪（2010）运用TARCH-M (1, 1) 模型、向量自回归模型以及Granger因果检验等方法的研究表明，SHFE 市场上的套期保值和投机情绪具有很强的正相关性，且套期保值者与投机者的情绪变化越大，市场收益越高。这些重要的研究成果对于深刻认识和把握我国金属期货市场的实际波动特征和风险状况都具有积极作用，但是就作者掌握的文献范围来看，目前还没有见到对我国金属期货市场价格波动的“典型事实”（Stylized facts）和风险测度模型直接相关的系统性研究。

目前，对金融市场风险的主流测度是J. P. Morgan 投资银行在RiskMetrics系统中提出的风险价值VaR （Value at Risk）。该指标一经提出，就逐渐成为金融行业风险度量与风险管理的一致标准。不仅金融机构出于自身目的需要利用VaR进行风险管理，而且如国际互换与衍生产品协会（International Swaps and Derivatives Association）等金融监管组织也都在很大程度上认可VaR为风险评估的标准，巴塞尔银行监管委员会（Basel Committee on Banking Supervision）更是利用VaR指标所确定的市场风险大小来规定银行以及其他金融机构的资本充足率。然而，尽管VaR指标在实务界中得到了广泛应用，但其本身还是存在若干理论缺陷。比如说，VaR只是说明了在一定的持有期（Hold period）和置信水平（Confidence level）下资产所面临的最大损失界限，而忽略了风险测度最应关心的收益分布的极端尾部状况。Bouchaud and Potters （1999）、Yamai and Yoshiba（2005）等都曾指出，这一重要理论缺陷使得VaR测度常常低估实际风险，而在低估的风险值下进行运作，可能会使金融机构面临更大的潜在破产风险。同时，VaR本身也不满足次

可加性（Sub-additivity ），这将使得基于VaR 的多样化资产组合风险分散策略失效（Artzner et al.，1997）。因此，Bouchaud and Potters （1999）、Yamai and Yoshiba （2005）以及最近的许多研究都认为（Robert and Hong ，2009；Abderrahim ，2009；Lennart and Herman ，2010），更具价值的风险度量精度比较分析应当在另外一种更具理论优势的风险测度——ES （Excepted shortfall ）测度下展开。

基于以上认识，本文的创新之处在于：（1）通过运用不同类型的波动模型来为我国金属期货市场收益的条件波动率建模，同时选择对金融资产收益分布典型特性具有较强描述能力的有偏学生t 分布（Skewed student-t distribution ）来全面综合刻画我国金属期货市场价格变换（收益率）的分布特征，在此基础上计算不同风险测度模型假定下金属期货市场的风险价值VaR 和预期损失ES ，并分别运用严谨系统的后验分析（Backtesting analysis ）方法，实证分析不同风险测度模型对VaR 和ES 两种指标计算的适用范围和精确程度，探讨适用于我国金属期货市场的风险测度方法；（2）由于金融资产的收益分布普遍具有非对称特性（Talpsepp and Rieger ，2010），因此即使交易的是相同标的资产的衍生产品，投资者持有的多头头寸（Long position ）和空头头寸（Short position ）也会具有显著不同的VaR 测度值。这也就是说，对非对称收益分布的左、右尾部分别加以考察将具有非常重要的现实意义，因此本文将在多头和空头两种不同头寸下分别检验各种风险度量模型在我国金属期货市场上的有效性和实用性；（3）经过较长时间的前期研究，我们发现，目前针对我国金属期货价格波动特征和风险状况的研究都是基于铜期货和铝期货，但对于2007年初推出的锌期货的考察尚无文献涉及。因此，本文除了要研究不同波动模型对我国铜期货和铝期货风险的测度效果之外，还将深入考察锌期货价格的波动特征及风险状况。

本文后续内容结构如下：第一部分是对论文中所采用的样本数据及其描述性统计特征的说明；第二部分针对第一部分的统计结果，提出用于描述我国金属期货产品价格变化的相应计量模型；第三部分详细探讨VaR 和ES 两种风险测度指标的计算方法及Backtesting 分析方法；第四部分报告了不同波动模型对VaR 和ES 估计精度的Backtesting 分析结果；第五部分是本文的主要结论。

1 数据

本文的研究样本为上海期货交易所铜、铝、锌三种期货指数（简记为沪铜、沪铝、沪锌）的每日收盘价。其中，沪铜、沪铝两种指数的时间区间均为2001年1月3日至2011年4月13日（约有个2720个样本点），沪锌指数的时间区间为2007年3月26日（沪锌期货上市首日）至2011年4月13日（共988个样本点），数据来源于文华财经指数系统。

若令p t 表示3种金属期货指数的每日收盘价，T 为样本总数，则日收益率r t （t =1, 2, …, T ）表示为： ()()1100ln ln t t t r p p -??=?-?? (1)

图1和表1分别报告了3种金属期货指数收益率的波动状况及描述性统计结果。

沪铜

沪铝

沪锌

图1 3种金属期货指数的收益率波动状况

表1 3种金属期货指数收益率的描述性统计结果

均值 标准差 偏度 峰度 J-B ADF Q 1(10) Q 2(10) 沪铜 0.049 1.593 -0.272* 1.631* 334.652* -34.135* 44.628* 2275.537* 沪铝 0.001 1.009 -0.493* 5.446* 3484.299* -38.335* 44.550* 1914.440* 沪锌

-0.046

2.076

-0.271*

0.104

12.481*

-20.230*

20.391?

113.607*

注：表中，“*”和“?”分别代表在1％和5％水平上显著。其中，峰度为超额峰度系数（Excess kurtosis coefficient ），正态分布的超额峰度系数为0；J-B 为检验收益率是否服从正态分布的Jarque-Bera 统计量；ADF 是以最小AIC 准则确定最优检验滞后阶数后得到的Augmented Dickey-Fuller 单位根检验统计量；Q 1(10)为滞后阶数为10的收益率Ljung-Box Q 统计量；Q 2(10)

为滞后阶数为10的平方收益率Ljung-Box Q 统计量。

由图1的直观表象和表1的描述性统计结果可以看到：

（1）3种金属期货指数中，较大的收益率和较小的收益率都在某段特定时期内交替集中出现，即我国金属期货市场的非条件收益率（特别是沪铜和沪铝）表现出较为明显的波动聚集（Volatility clustering ）特征，这一特征也反映在Q 2(10)统计量的高度显著性上；

（2）3种金属期货指数的非条件收益率都不服从正态分布（表现为J-B 检验均在1％水平上显著），且大都呈现出较为明显的“尖峰厚尾”（Leptokurtic and fat tailed ）和“有偏”（Skewed ）形态（3种金属期货指数收益率的偏度系数显著小于0；除沪锌指数外，其余两种指数收益的超额峰度系数均显著大于0）；

（3）表1中的ADF 单位根检验结果表明，金属期货指数的非条件收益序列存在单位根的零假设被强烈拒绝。因此，可以认为我国金属期货指数的非条件收益序列是平稳（Stationary ）的，进而可以直接作下一步的分析和计量建模；

（4）从表1基于滞后10阶的Ljung-Box Q 统计量可以看出，在相对较高的显著性水平上（5％），都可以拒绝3种金属期货指数的非条件收益率在较长的时间范围内（滞后10期）都不具有自相关性的原假设，即金属期货的价格波动中存在较为明显的长记忆性。

2 金属期货市场的风险度量模型及其估计

2.1 风险度量模型

金融计量研究中，一般假定金融资产日收益率序列r t 满足以下离散形式： t t t t t t r z μεμσ=+=+ (2)

其中，t μ是收益率的条件均值（Conditional mean ），2t σ是条件标准差（Conditional standard deviation ），而新生量t z （Innovation ，又称条件收益）则是一个满足均值为0、方差为1的独立同分布（i.i.d.）随机变量。

针对我国3种金属期货指数收益率的实际统计特征（如图1和表1所示），分别就本文如何运用对条件均值t μ、条件方差2t σ和新生量t z 所假定的模型形式来对其进行定量刻画的方法加以具体说明。 首先，对于具有较强自相关特征的收益率序列来说，有学者建议在实证研究中假设t μ服从AR(m )、ARMA(m , n ) 或其它更为复杂的模型形式以消除自相关性（Engle and Patton ，2001）。由于有研究表明，AR(1)模型是一种简单但非常实用的刻画条件均值t μ的模型，用它可以对价格变化的自相关特征进行良好描述（Mcneil and Frey ，2000），因此结合表1中3种金属期货指数收益所展现出的统计特征，我们假定其条件均值t μ满足一个AR(1)过程，即指数收益率r t 通过下式刻画：

1t t t t r r z ρσ-=+ (3)

其次，图1的直观表象显示，3种金属期货指数收益率都具有非常明显的波动聚集效应。为了描述收益率的这种典型特征，我们采用在金融计量研究中最为常见的经典GARCH 模型及其变型形式为其建模。由于Engle and Patton （2001）的研究表明，在实证研究当中，GARCH(1,1) 模型是权衡计算精度和模型复杂程度的一种比较合适的折中，选择简单但非常实用的GARCH(1,1)模型就能很好地刻画金融资产价格变化（收益率）波动的聚集性特征。因此，我们首先假定条件方差2t σ满足具有如下形式的GARCH(1,1)模型：

22201121t t t σββεβσ--=++ (4)

为了将金融市场的其它很多典型事实（Stylized facts ）纳入GARCH 模型的分析框架，一些学者还发展出了许多其它类型的非线性GARCH 族模型（Down ，2005）。结合表1中指数收益率所展现的若干描述性统计特征，本文对条件方差2t σ的建模继续考虑FIAPARCH 模型。

学术界普遍认为，FIAPARCH 模型能够对金融时间序列的诸多典型特征进行有效刻画，并且多种GARCH 模型都可以被视为是FIAPARCH 模型的特例，因此该模型在目前的实证研究中已经得到了较为普遍的应用（Karanasos and Kim ，2006；Brooks ，2007；Conrad et al.，2010）。其中，常用的FIAPARCH(1,d ,1)模型可以具体表示为以下形式：

()()()102111111d

t t t L L L δδσβββεγε---??=+----??

(5)

FIAPARCH 模型中，对价格波动非对称性的捕捉通过参数γ来实现。如果模型估计的结果表明γ>0，

则说明利空消息对收益波动的冲击大于利好消息对波动率的冲击，此时称收益波动具有“杠杆效应”（Leverage effect ）。另外，FIAPARCH 模型中的参数“d ”是“长记忆参数”，即如果所估计的d 值显著且()0,1d ∈，可以认为序列中存在明显的长记忆性。因此，可以看出，FIAPARCH 模型能够同时刻画异方差、波动长记忆性与杠杆效应这三个最有价值的“典型事实”（Stylized fact ）。

进一步，为了增强本文研究方法的可比较性，进而提升研究结论的稳健性，除了GARCH 模型和FIAPARCH 模型外，我们还将考虑以下两种不同的波动率模型。

FIGARCH(1,d ,1)：

()()22202121111d

t t t L L L σβββεβσ-??=+----+??

(6)

其中，L 为滞后算子，d 为长记忆参数，它刻画了波动的长短记忆性，当0

APARCH(1,1)：

()1

011121t t t t δδ

δσββεγεβσ---??=+-+??

(7)

该模型中各参数的含义与FIAPARCH 模型相同，不再赘述。

最后，考虑到我国金属期货收益率中普遍存在较为显著的“尖峰厚尾”和“有偏”形态（见表1的描述性统计结果），因此本文采用能同时刻画这两种分布特征的有偏学生t 分布（Skewed student-t distribution ，简记为SST ）来为新生量（条件收益）z t 建模，即假定z t ～SST (0, 1, ξ, v )。

SST 的概率密度函数表示为：

()()2 1,2 t t t t t s

m g sz m v if z s f z v sz m s m

g v if z s ξξξξξξξ???+<-???+?

?

=?

+???≥-?????

+

??

(8) 其中，()g v ?是标准对称学生t 分布（均值为0，方差为1）的概率密度函数；v 是其自由度（Degree

of freedom ），v 越小，说明该收益分布的“尖峰厚尾”特征越明显，故也可以称v 为“厚尾参数”（Parameter of fat-tail ）；ξ是“非对称参数”（Parameter of asymmetry ），即如果ln(ξ) > 0则表明该新生量的分布为右偏，反之如果ln(ξ) < 0，则表明其为左偏；m 和s 分别是该SST 分布的均值和标准差，它们分别表示为：

1122v m v ξξ-?Γ ??=- ????

? ???

(9)

s = (10)

另外，考虑到收益率的正态分布（Normal distribution ）是经典金融理论的重要假定，并且为了验证SST 分布是否确实能够对我国金属期货市场的收益率分布特征以及风险测度的准确刻画提供积极帮助，我们还将运用常用的正态分布为新生量z t 建模，即假定z t ~N (0,1)。

总结起来，对于所考察的3种金属期货指数，除了其收益率条件均值建模采用公式（3）所示的AR 模型形式外，条件方差和新生量的建模（即本文所考察的风险测度模型）一共包括以下8种不同方式，分别记为GARCH-N 、GARCH-SST 、FIAPARCH-N 、FIAPARCH-SST 、FIGARCH-N 、FIGARCH-SST 、APARCH-N 和APARCH-SST 。

2.2 风险度量模型的参数估计及诊断检验结果

我们对上文提出的8种风险度量模型进行了参数估计和诊断检验。限于篇幅，表2只报告了基于FIAPARCH-SST 模型参数估计和诊断检验结果。

表2 3种金属期货指数FIAPARCH-SST 模型的参数估计和诊断检验结果

沪铜 沪铝

沪锌

ρ -0.055 (0.005) -0.111 (0.000) -0.022 (0.500)

β0 0.468 (0.156) 1.444 (0.106) 5.061 (0.009)

d 0.482 (0.000) 0.724 (0.000) 0.362 (0.022)

β1 0.175 (0.006) 0.195 (0.002) 0.369 (0.000) β2 0.597 (0.000) 0.689 (0.000) 0.621 (0.000)

γ -0.003 (0.936) -0.106 (0.003) 0.018 (0.818)

δ 2.304 (0.000) 2.367 (0.000) 1.837 (0.000) ln (ξ) -0.077 (0.001) -0.018 (0.381) -0.164 (0.000)

v 7.109 (0.000) 3.807 (0.000) 53.057 (0.347)

ln L -4589.282 -2938.495 -2089.224

AIC 3.384 2.159 4.256

Q 1(20) 42.868 (0.001) 51.668 (0.000) 31.488 (0.036) Q 2(20) 18.310 (0.435) 16.297 (0.572) 19.108 (0.385)

ARCH-F 0.986 (0.453) 0.840 (0.590) 0.786 (0.642)

APC(20) 24.531 (0.176) 24.930 (0.163) 21.465 (0.312)

注：表中，上半部分是对FIAPARCH(1,d ,1)-SST 模型的估计结果，下半部分是对模型估计的诊断检验结果。圆括号中的数字是各检验的显著性p 值；ln L 是对数极大似然函数值；AIC 是平均赤池信息；Q 1(20)是残差序列的Ljung-Box Q (20) 检验值；Q 2(20)是平方残差序列的Ljung-Box Q (20) 检验值；ARCH-F 是残差序列ARCH 效应检验的F 统计量值；APC(20)是20 等分区间的Adjusted Pearson Chi-square Goodness-of-fit test 检验值。

由表2的估计结果可以看到，3种金属期货指数FIAPARCH-SST 的d 参数都显著小于1，说明我国金属期货指数收益波动中存在非常明显的长记忆性。这一结果与基于指数收益描述性统计结果的初步判断保持一致（见表1中Q 1(10) 统计量的计算结果）。另外，沪铜指数和沪锌指数价格波动中并不存在明显的杠杆效应（γ估计值均不显著），而沪铝指数价格波动中的杠杆效应较为明显（γ估计值非常显著）。最后，由表2下半部分的诊断检验结果来看，FIAPARCH-SST 模型较好地刻画了我国金属期货指数收益的动力学特征。

3 金属期货指数风险测度值的计算及后验分析方法

3.1 VaR 测度值的计算及后验分析方法

根据对第2节中8种不同形式风险测度模型的估计，我们可以计算在不同模型假定下金属期货指数收益的VaR 和ES 两种不同的风险测度值，并通过严谨的后验分析（Backtesting analysis ）来对比检验各类模型的适用范围和精确程度。当然，如前所述，相关实证研究将分别在多头头寸和空头头寸两种不同头寸状况下分别展开。本节首先开展VaR 测度的计算和后验分析研究。

t 时刻q 分位数下的VaR 定义为：

VaR q t t q t z μσ=+ (11) 其中，z q 为所要考察的金融收益分布的q 损失分位数。对于多头头寸，q 应取左尾分位数；对于空头头寸，q 应取右尾分位数。为保证研究结论的可靠性，本文将多头头寸分位数z q 分别取为10%、5%、2.5%、1%、0.1%，对应的空头头寸分位数分别为90%、95%、97.5%、99%、99.9%。同时，条件均值t μ和波动率（条件标准差）t σ通过前述各类风险测度模型估计得出，由此我们可以计算不同模型假定下的VaR 风险测度值并开展Backtesting 分析。

在对VaR 进行Backtesting 分析时，最重要的出发点是对其失败率（Failure rate ）是否准确进行检测。举例来说，如果我们计算得到了在5%分位数水平上的1000个VaR 值，那么我们将预期：在这段时间当中，实际损失超出所计算的VaR 值的次数应该大约是在1000×5%＝50次左右。如果实际损失超过VaR 的次数远大于或者远小于50次的话，都说明用于计算该VaR 的风险测度模型是不准确的。从金融实践的角度讲，如果失败率远大于50次，则运用该模型估计VaR 将会使得金融机构遭受更多次超预期的损失冲击；如果失败率远小于50次，则基于该模型的风险管理活动就会因为过高计提损失准备而导致资源的极大浪费。

Kupiec （1995）提出了基于上述思想的非条件覆盖检验（Unconditional coverage test ），具体包括以下几个操作步骤：

首先，在分位数水平q 下定义以下的“碰撞序列”（Hit sequence ）：

1, if VaR 0, if VaR t t

t t t r Hit r <-?=?

≥-?

(12) Hit t 表示的是，如果t 时刻的实际损失超出所估计的VaR 的话，那么该序列在t 时刻取值为1，否则为0。如果用于计算q 分位数水平下VaR 的风险测度模型足够准确的话，则该“碰撞序列”应该服从概率为q 的伯努利（Bernoulli ）分布，即可以定义如下零假设：

()0:~t H Hit Bernoulli q (13)

依据概率论知识，我们可以写出一个服从Bernoulli(q )分布的似然函数L (q )： ()()

()011111t

t T

Hit T

Hit T t L q q q q q -==-=-∏ (14)

其中，T 为碰撞序列的总长度，T 1是序列当中取值为1的发生个数总和，T 0是序列当中取值为0的发生个数总和。Kupiec （1995）的研究表明，如果式(13)所示的零假设是正确的话，则可以证明以下的似然函数比LR （Likehood ratio ）满足：

()()(){}

001121112ln 11~T T T

T LR q q T T T T χ??=---??

(15)

也就是说，在分位数水平q 上，如果所计算的LR 统计量大于该水平上自由度为1的2χ分布的临界值

的话，则我们应该拒绝原假设H 0；反之，则应该接受原假设，即认为所采用的风险测度模型是足够准确的。

进一步来讲，为了定量比较不同风险测度模型的VaR 测度精度，我们在考虑拒绝还是接受原假设H 0

时，所采用的定量判断标准是对比相应非条件覆盖检验的显著性p 值。也就是说，如果对由某一风险测度模型所计算的VaR 值的非条件覆盖检验p 值越大，则说明我们越不能拒绝原假设H 0，即表明该风险测度模型的VaR 测度精度越高。

3.2 ES 测度值的计算及后验分析方法

鉴于VaR 测度在描述金融市场极端波动风险时暴露出的种种缺陷（如忽略极端尾部风险状况、不满足次可加性等），Artzner et al.（1997；1999）提出了一种更具理论优势的风险测度——预期损失ES （Excepted shortfall ）。

ES 测度定义为损失超过VaR 的期望值，因此又被称为尾部条件期望（Tail conditional expectation ）。与VaR 相比，ES 指标不仅满足一致性风险测度公理（The coherence axioms of risk measurement ），而且更加全面、真实地反映了资产损失尾部的风险状况，也更适合于揭示尾部风险的极端情形。

ES 测度的理论定义为（Artzner et al.，1997；1999）：

()

1VaR q q t t t t t ES E r r -=-<- (16)

以多头头寸为例，q 分位数下ES 测度的估计步骤如下（McNeil and Frey ，2000）：

（1）将区间(0, q )进行M 等分，从而得到M 个长度为q /M 的小区间和包括q 在内的共M 个分位数(),2,q M q M q …,；

（2）利用公式(11)，求出M 个分位数水平下的VaR 序列()2VaR ,VaR ,,VaR q q q t t t …，其中t σ可由对第2节中的各种波动模型估计得到；

（3）求取上述M 个不同分位数水平下VaR 的算术平均值，即可得到q 分位数下的ES 风险测度值，即q t ES 表示为：

VaR

q

q i t

t

i q M

ES M ==

∑ (17)

对于空头头寸，由于所考察的是收益分布的右尾情况，故只需将区间(0, q )替换为(1-q ,1)即可。

尽管ES 测度值的计算并不算太复杂，但由于ES 定义为损失超过VaR 时收益率的条件期望值，而不像VaR 一样有一个具体的分位数与之对应，因此对ES 的后验分析一直以来都是一个难度较大的问题。McNeil and Frey （2000）提出了基于自举法（Bootstrap ）的后验分析方法，在很大程度上解决了这一问题。

在McNeil and Frey （2000）的方法中，首先需要考虑如下形式的超出残差（Exceedance residuals ）：

12

q

t t t t x ES y h -=

(18) 其中，x t 指的是损失超出VaR 值的日收益率r t 。

McNeil and Frey （2000）指出，在正确指定资产价格所服从的波动模型的前提下，所得到的超出残差序列y t 应该具有与独立同分布样本（Independent and identical distribution sample ）类似的动力学行为，并且更重要的是，由于ES 度量了损失超过VaR 时收益率的条件期望值，因此如果估计ES 时所使用的波动模型足够准确的话，超出残差y t 还应具有零均值，即0y μ=。

然而，普通的假设检验方法并不适用于这里对0y μ=的检验，原因在于：（1）当实际损失超出VaR 时，收益率的条件期望值经常被ES 低估，导致y t 经常呈现明显的右偏分布；（2）由于y t 序列所包含的样本点个数严重依赖于预先指定的分位数q ，所以在较高分位数水平上，y t 中的样本点总数经常无法满足一般假设检验的需要。

为了解决这一问题，McNeil and Frey （2000）建议采用Bootstrap 方法实现对0y μ=的假设检验。对于某一特定的超出残差序列，这一方法的具体过程如下：

（1）设该超出残差序列共包含I 个样本点，则首先由下式产生一个由超出残差序列中每一个样本值y t 与其均值y 的离差所构成的新序列l t （t =1,2,……,I ），并将其称为初始样本（Initial sample ）：

t t l y y =- (19)

（2）由初始样本计算下述检验统计量值t (l )：

()()t l l std l = (20)

其中，l 为初始样本的平均值，std (l )为其标准差。 （3）为了获得检验统计量t (l )的分布状况及其显著性p 值，需要产生I 个范围在{1, 2,…, I }之内的服从均匀分布（Uniform distribution ）的随机数，并按照每一个随机数所指定的位置，在l t 中找出对应的样本点，构成一个新的样本，即该样本是从初始l t 样本中随机抽样获得的；

（4）不断重复这样的过程B 次，则可以产生B 个来自初始样本的新Bootstrap 样本。在本文的实证研究中，我们令B =1000；

（5）对于每一个Bootstrap 样本，均运用式(20)求取其检验统计量t (l )，并分别记为{t 1(l ), t 2(l ),…, t B (l )}，同时将由初始样本计算的t (l )记为t 0(l )。至此，我们获得了检验统计量t (l )的经验分布；

（6）由于y t 经常呈现明显的右偏分布，所以检验的备择假设（Alternative hypothesis ）应为0y μ>，即该检验为拒绝域位于右尾的单尾检验。因此，计算出{t 1(l ), t 2(l ),…, t B (l )}中大于t 0(l )的数值所占的比例，这一比例即是用于检验0y μ=的显著性p 值。p 值越大，我们越不能拒绝原假设0y μ=，即认为该波动模型对ES 的估计精度越高。

4 实证结果

4.1 VaR 和ES 的计算结果

通过对文中8种不同风险价值计算模型的估计，可以得到日收益率的条件波动率t σ，进而得到未来1天的条件波动率预测，然后通过式（11）计算未来1天我国金属期货市场的VaR 值，并通过3.2节中介绍的ES 计算方法求得3种金属期货指数的ES 风险测度值。

图2报告了不同模型对沪铜指数1％分位数下多头头寸VaR 的估计结果，图3是对应空头头寸在99％分位数下的情况。为了图形清晰起见，我们只选择了GARCH-N 、APARCH-SS T 、FIGARCH-N 、

FIAPARCH-SST 等4种模型和全样本中一段期间内（t =1000, 1001, …, 1200）的结果进行展示。同时，为了对风险测度模型VaR 估计值的准确性进行初步判断，图1和图2中用针头图标识收益率r t 。

图2 1％分位数下沪铜多头头寸的部分VaR估计结果（t=1000,1001, (1200)

图3 99％分位数下沪铜空头头寸的部分VaR估计结果（t=1000,1001, (1200)

由图2和图3的直观表象来看，总体来讲，在1％（99％）分位数下，对于多头头寸（空头头寸）来说，基于正态分布的风险测度模型似乎都有低估VaR值的倾向。当然，要得到更为精确的结论，必须对各个风险测度模型的VaR序列和ES序列进行Backtesting检验。

4.2 不同风险测度模型的Backtesting检验结果

按照第3节中所介绍的VaR和ES的Backtesting检验方法，我们对各个波动模型的VaR和ES估计效果都开展了后验分析。表3和表4分别报告了不同波动模型对沪铜、沪铝、沪锌指数VaR和ES测度精度的Backtesting检验结果。表中数字为检验的显著性p值，p值越大，表明由该模型计算的VaR准确度越高。

表3 不同风险测度模型VaR估计的Backtesting检验结果

多头ES 空头ES

10% 5% 2.5% 1% 0.1% 90% 95% 97.5% 99% 99.9%

沪铜指数

GARCH-SST0.140 0.730 0.319 0.819 0.231 0.143 0.191 0.150 0.819 0.647 APARCH-N0.014 0.480 0.044 0.013 0.000 0.340 0.867 0.150 0.366 0.001 APARCH-SST0.250 0.937 0.319 0.875 0.231 0.161 0.164 0.276 0.819 0.647 FIGARCH-N0.250 0.140 0.010 0.001 0.000 0.602 0.294 0.228 0.366 0.001 FIGARCH-SST0.888 0.191 0.332 0.278 0.866 0.001 0.004 0.005 0.149 0.216 FIAPARCH-N0.071 0.655 0.044 0.008 0.000 0.758 0.798 0.540 0.593 0.010 FIAPARCH-SST0.572 0.867 0.907 0.471 0.647 0.023 0.164 0.276 0.819 0.468

沪铝指数

GARCH-SST0.368 0.691 0.514 0.291 1.000 0.230 0.132 0.102 0.486 1.000 APARCH-N0.000 0.195 0.242 0.001 0.000 0.000 0.758 0.062 0.000 0.000 APARCH-SST0.404 0.694 0.878 0.207 1.000 0.255 0.155 0.242 0.654 1.000 FIGARCH-N0.000 0.691 0.080 0.000 0.000 0.007 0.965 0.006 0.000 0.000 FIGARCH-SST0.848 0.024 0.048 0.111 0.472 0.033 0.005 0.001 0.022 0.872 FIAPARCH-N0.000 0.306 0.293 0.000 0.000 0.001 0.965 0.161 0.000 0.000 FIAPARCH-SST0.608 0.319 0.293 0.486 0.642 0.052 0.010 0.102 0.214 0.228

沪锌GARCH-N0.089 0.014 0.012 0.071 0.995 0.113 0.347 0.154 0.086 0.989

指数GARCH-SST0.234 0.074 0.213 0.964 0.899 0.414 0.337 0.291 0.964 1.000 APARCH-N0.072 0.014 0.001 0.127 0.905 0.140 0.431 0.060 0.086 0.958 APARCH-SST0.277 0.130 0.213 0.780 0.991 0.949 0.805 0.785 0.780 0.911 FIGARCH-N0.163 0.020 0.004 0.071 0.963 0.042 0.274 0.018 0.183 0.904 FIGARCH-SST0.437 0.337 0.734 0.538 0.972 0.301 0.696 0.943 0.538 0.910 FIAPARCH-N0.163 0.020 0.019 0.020 0.952 0.070 0.524 0.060 0.033 0.939 FIAPARCH-SST0.277 0.272 0.894 0.538 0.998 0.355 0.805 0.785 0.538 0.975 注：表中数字为Backtesting检验的p值。p值越大，说明由该模型所计算的VaR精确度越高。风险测度名称中的“N”代表正态分布，“SST”代表有偏学生t分布。

表4 不同风险测度模型ES估计的Backtesting检验结果

多头ES 空头ES

10% 5% 2.5% 1% 0.1% 90% 95% 97.5% 99% 99.9%

沪铜指数

GARCH-N0.433 0.327 0.067 0.692 0.816 0.070 0.034 0.094 0.038 0.020 GARCH-SST0.666 0.175 0.059 0.858 0.712 0.092 0.012 0.066 0.048 0.034 APARCH-N0.125 0.187 0.096 0.254 0.290 0.064 0.062 0.104 0.046 0.030 APARCH-SST0.288 0.726 0.832 0.594 0.669 0.096 0.012 0.058 0.036 0.028 FIGARCH-N0.147 0.588 0.294 0.441 0.191 0.038 0.030 0.026 0.014 0.132 FIGARCH-SST0.191 0.183 0.336 0.571 0.203 0.052 0.010 0.012 0.032 0.010 FIAPARCH-N0.189 0.136 0.714 0.400 0.020 0.256 0.072 0.054 0.026 0.104 FIAPARCH-SST0.038 0.114 0.624 0.690 0.157 0.130 0.042 0.060 0.042 0.038

沪铝指数

GARCH-N0.604 0.171 0.380 0.428 0.378 0.623 0.082 0.781 0.327 0.473 GARCH-SST0.257 0.059 0.009 0.896 0.296 0.799 0.132 0.569 0.234 0.056 APARCH-N0.057 0.011 0.020 0.731 0.475 0.941 0.390 0.822 0.022 0.217 APARCH-SST0.415 0.615 0.048 0.578 0.234 0.992 0.088 0.266 0.004 0.041 FIGARCH-N0.805 0.508 0.000 0.040 0.118 0.212 0.636 0.188 0.947 0.128 FIGARCH-SST0.529 0.692 0.318 0.677 0.315 0.238 0.560 0.202 0.374 0.349 FIAPARCH-N0.219 0.591 0.095 0.569 0.444 0.008 0.444 0.986 0.186 0.261 FIAPARCH-SST0.922 0.644 0.874 0.256 0.351 0.742 0.950 0.519 0.056 0.954

沪锌指数

GARCH-N0.040 0.244 0.814 0.942 0.000 0.718 0.968 0.750 0.544 0.238 GARCH-SST0.032 0.164 0.774 0.922 0.000 0.746 0.958 0.722 0.526 0.280 APARCH-N0.026 0.136 0.730 0.9140.000 0.928 0.996 0.7360.576 0.242 APARCH-SST0.020 0.062 0.544 0.764 0.000 0.936 0.992 0.640 0.514 0.246 FIGARCH-N0.032 0.222 0.876 0.980 0.000 0.866 0.990 0.652 0.690 0.708 FIGARCH-SST0.052 0.140 0.834 0.990 0.000 0.856 0.998 0.828 0.712 0.288 FIAPARCH-N0.030 0.180 0.390 0.960 0.000 0.762 0.996 0.870 0.310 0.718 FIAPARCH-SST0.038 0.224 0.638 0.954 0.000 0.792 0.986 0.734 0.630 0.682 注：表中数字为Backtesting检验的p值。p值越大，说明由该模型所计算的ES精确度越高。风险测度名称中的“N”

代表正态分布，“SST”代表有偏学生t分布。

由表3和表4中的Backtesting检验结果可以知道：

（1）观察同一波动模型分别在正态分布和SST分布下（GARCH-N vs. GARCH-SST、APARCH-N vs. APARCH-SST、FIGARCH-N vs. FIGARCH-SST、FIAPARCH-N vs. FIAPARCH- SST）的检验p值差异可以发现，基于SST分布的风险价值计算模型在绝大多数情况下都能够取得较基于正态分布模型更高的Backtesting检验p值，这表现为：在表3和表4中总共可以进行的240次正态分布检验p值和SST分布检验p值的对照中，基于SST分布的检验p值共取得了156次优于正态分布检验p值的成绩。因此可以认为，实务界在估计VaR值时普遍采用的正态分布假设并不适用于对我国金属期货市场风险的测度，而使用SST 分布则有助于提高波动模型对金属期货市场极端风险的估计精度；

（2）回顾表2中的参数估计结果，3种金属期货指数的价格波动都展现出了较为明显的长记忆特征（见表2中参数d的估计结果）。因此，这里通过对比不同记忆性波动模型（如GARCH-N vs. FIGARCH-N、GARCH-SST vs. FIGARCH-SST、APARCH-N vs. FIAPARCH-N、APARCH-SST vs. FIAPARCH-SST）的Backtesting检验结果同样可以看到，与短记忆模型相比，长记忆波动模型具有一定的风险测度精度优势（在表3和表4中总共可以进行的240次长记忆波动模型的检验p值和短记忆对应模型检验p值的对照中，基于长记忆模型的检验p值在139组对照中优于短记忆对应模型），但不同记忆性模型之间的风险测度精度差异小于不同分布假定（正态分布和SST分布）模型的风险测度精度差异；

（3）表2的模型估计结果表明，沪铜指数和沪锌指数的价格变化中并不存在明显的杠杆效应，而沪铝指数价格变化的中的杠杆效应较为显著。结合这一结果，对比表3和表4中包含杠杆效应项的波动模型和不包含杠杆效应项对应模型的Backtesting检验结果可以发现，在沪铜指数和沪锌指数下可以进行的两类

模型的160次对照中，带杠杆效应项模型的p值大于不带杠杆效应项模型p值的次数仅为75次，而在沪铝指数下可以进行的两类模型的80次对照中，这一数字为54次，即带有杠杆效应的波动模型在对沪铝指数风险测度中的表现更好。结合第（1）条和第（2）条结论，我们认为，在选定不同金属期货品种的风险测度模型前，应该对这一品种的价格波动动力学特征进行全面、深入的检验，并由此选定能够对这些动力学特征进行有效刻画的风险测度模型；

（4）再次对表3和表4的后验分析结果进行全面审视，可以发现，许多风险测度模型Backtesting检验的p值都远大于常用的统计检验水平（如1％、5％或10％等）。也就是说，如果采用传统的检验判断标准，大多数风险测度模型都是可以通过显著性检验的。但重要的是，即使可以通过检验，不同模型的Backtesting检验p值间确实还是存在较大差别，即不同模型对我国金属期货市场不同品种的风险测度效果确实是存在较大差异的。而通过定量比较不同模型检验p值之间的差异，将有助于我们更为准确地甄别和判断不同风险测度模型的使用范围和精确程度。以这里的几种风险价值计算模型为例，就我国金属期货市场的风险测度和预测而言，在综合考虑了对价格变化动力学的刻画效果（见表2）以及对VaR和ES的估计精度等两方面因素后，我们认为APARCH-SST是一个相对合理的模型选择。

5 结论

本文以3种有代表性的金属期货价格指数为例，深入研究了我国金属期货市场的价格变化统计特征及典型波动模式，并运用严谨系统的Backtesting方法，实证对比了8种风险测度模型对不同金属期货品种的VaR和ES两种风险指标的测度精度。为了确保研究结论的稳健性和实用性，本文有关风险测度模型的估计及后验分析的研究都是在多头和空头两种不同头寸状况以及5种不同分位数水平下开展的。

本文所取得的主要研究结论包括：（1）我国金属期货市场收益呈现出较为明显有偏和尖峰厚尾分布，收益波动具有明显的聚集特征和长记忆性，但在股票市场中经常见到的“杠杆效应”则在不同金属期货品种中的体现程度有一定差异；（2）采用SST分布有助于提高对我国金属期货市场风险测度VaR值的估计精度，而是否应在风险测度模型中包含杠杆效应项则应视不同金属期货品种价格变化的动力学特征差异而定；（3）在综合考虑了模型估计效率和对VaR、ES两种风险测度指标的估计精度后，我们认为就我国金属期货市场的风险测度而言，APARCH-SST是一个相当不错的模型选择。

论文的研究方法和实证结果为我国金属期货市场的风险测度和管理以及市场监管工作提供了一些有

益的理论借鉴和极具可操作性的实证方法。比方说，除了验证了不同波动模型对我国金属期货市场不同品种风险状况的测度精度和适用范围外，3种金属期货品种价格波动的有偏特性说明，同一标的资产的多头和空头在相同市场条件下的风险也是有显著差异的，这时对金属期货交易的多头和空头头寸应该分别做出有差异的限制规定，例如对多头和空头头寸的持仓上限以及保证金收取比例应该有所不同等。另外，在选择适用于不同期货品种的风险测度模型时，也必须预先对该品种的收益分布及波动状况进行深入检验，并通过定量比较不同模型Backtesting检验的p值大小来确定最优风险测度模型。

参考文献

[1]Abderrahim T. Analytical Value-at-Risk and excepted shortfall under regime switching [J]. Financial

Research Letters, vol. 6, no. 1, 2009. 138-151.

[2]Artzner P., Delbaen F., Eber J. M. and Heath D. Thinking coherently [J]. Risk, vol. 10, no. 11, 1997. 68-71.

[3]Artzner P., Delbaen F., Eber J. M. and Heath D. Coherent measures of risk [J]. Mathematical Finance, vol. 9,

no. 3, 1999. 203-228.

[4]Bouchaud J. P. and Potters M. Theory of financial risk: From statistical physics to risk management [M].

Cambridge: Cambridge University Press, 1999.

[5]Brooks R. Power ARCH modeling of the volatility of emerging equity markets [J]. Emerging Markets

Review, vol. 8, no. 2, 2007. 124-133.

[6]Conrad C., Karanasos M. and Zeng N. Multivariate fractionally integrated APARCH modeling of stock

market volatility: A multi-country study [J]. Journal of Empirical Finance, vol. 18, no. 1, 2010. 147-159.

[7]Down K. Measuring market risk [M]. Chi Chester: John Wiley & Sons Press, 2005.

[8]Engle R. F. and Patton A. What good is volatility model? [J] . Quantitative Finance, vol. 1, no. 2, 2001.

237-245.

[9]Karanasos M. and Kim J. A re-examination of the asymmetric power ARCH model [J]. Journal of Empirical

Finance, vol. 13, no. 1, 2006. 113-128.

[10]Kupiec P. Techniques for verifying the accuracy of risk measurement models [J]. Journal of Derivatives, vol.

3, no. 2, 1995. 173-184.

[11]Lennart H. and Herman K. Bayesian forecasting of Value at Risk and expected shortfall using adaptive

importance sampling [J]. International Journal of Forecasting, vol. 26, no. 2, 2010. 231-247.

[12]Mcneil A. J. and Frey R. Estimation of tail related risk measures for heteroscedastic financial time series:

An extreme value approach [J]. Journal of Empirical Finance, vol. 7, no. 3-4, 2000. 271-300.

[13]Robert J. E. and Hong M. VaR and excepted shortfall: A non-normal regime switching framework [J].

Quantitative Finance, vol. 9, no. 6, 2009. 747-755.

[14]Talpsepp T. and Rieger M. O. Explating asymmetric volatility around the world [J]. Journal of Empirical

Finance, vol. 17, no. 5, 2010. 938-956.

[15]Yamai Y. and Yoshiba T. V alue-at-Risk versus excepted shortfall: A practical perspective [J]. Journal o f

Banking and Finance, vol. 29, no. 4, 2005. 997-1015.

[16]方毅, 张屹山. 国内外金属期货市场“风险传染”的实证研究[J]. 金融研究, 2007, (5): 133-146.

[17]郭树华, 王华, 高祖博, 王俐娴. 金属期货市场价格联动及其波动关系研究[J]. 国际金融研究, 2010,

(4): 79-88.

[18]刘庆富, 张金清, 华仁海. LME与SHFE金属期货市场之间的信息传递效应研究[J]. 管理工程学报,

2008, 22(2): 155-159.

[19]杨阳, 万迪. 投资者情绪对我国金属期货市场的影响[J]. 系统工程, 2010, 28(11): 1-8.

[20]张鹤, 黄琨. 国内外金属期货市场价格联动的比较研究[J]. 世界经济, 2007, (7): 67-73.

[21]张金清, 刘庆富. 中国金属期货市场与现货市场之间的波动性关系研究[J]. 金融研究, 2006, (7):

102-112.

欧洲期货市场发展概述(新)

欧洲期货市场发展概述 一、欧洲期货市场发展概述 欧洲是期货的发源地，早在古希腊和古罗马时期，就出现过中央交易场所。1571年，英国创建了世界上第一家集中的商品市场——伦敦皇家交易所，这也是后来伦敦国际金融期货期权交易所的原址。19世纪中期，英国已经成为世界上最大的金属锡和铜的生产国。随着工业需求的不断增长，英国开始从国外运输铜矿石和锡矿石回国进行精炼。为了规避运输期间价格波动所带来的风险，英国于1876年成立了伦敦金属交易所，并逐步发展成为当今世界上最大、最权威的金属交易所。1885年，法国商品期货交易所成立，主要交易白糖、咖啡、可可和土豆等。 20世纪70年代初，浮动汇率制度逐步取代了固定汇率制度，利率管制政策也逐渐取消，金融期货应运而生。英国等欧洲地区金融期货的产生略晚于美国，1982年伦敦才成立了欧洲第一个金融期货交易所——伦敦国际金融期货交易所（LIFFE），开展金融期货和期权交易。1986年，以金融期货及期权交易为主的法国国际商品交易所（Marchéà Terme International de France）成立，交易的金融衍生品逐步发展至法国公债期货与期权、巴黎银行同业拆款利率3个月期利率期货及期权、CAC-40股价指数期货、外汇选择权等。1990年，首个全电子化并以金融期货为主的德意志期货交易所成立，并迅速从伦敦国际金融期货交易所抢回德国国债期货的霸主地位。至此，欧洲区期货交易所的竞争格局初步形成。 期货交易所雨后春笋般成立，其中的竞争和规范性必然令人担忧。到了20世纪90年代，欧洲区交易所开始了并购潮流。先是伦敦国际金融期货期权交易所与伦敦期权市场、伦敦商品交易所合并；然后是1998年德意志期货交易所和瑞士期权及金融期货交易所合并成为欧洲期货期权交易所；进入21世纪，伦敦国际金融期货期权交易所又与阿姆斯特丹、布鲁塞尔、里斯本、巴黎金融衍生品交易所等重要的衍生品市场合并成为泛欧交易所。经过合并和重组，欧洲区的交易所已经具备和美国的期货交易所进行抗衡的实力。 从早期的金属、农产品等商品期货到后期的利率期货、债券期货和股指期货等金融衍生品，加上允许经营的如外汇OTC市场、期权、互换等非期货衍生品，以及近几年推出的Contract of Difference和Spread Betting等新兴产品，金融创新层出不穷使得期货公司可以经营的衍生工具极其丰富，为期货公司的发展创造了良好的生存环境。 二、欧洲期货公司的发展脉络

商业银行市场风险资本计量内部模型法监管指引

商业银行市场风险资本计量内部模型法监管指引 (第4次征求意见稿) 第二条本指引适用于《中国商业银行业实施新资本协议指导意见》确定的新资本协议银行和自愿实施新资本协议的其它商业银行。 第三条本指引的目的在于，明确商业银行使用内部模型法计量市场风险资本时应达到的差不多标准，以及监管机构的审批程序和监管要求。 本指引所称的内部模型（或模型）指商业银行用于计量市场风险资本的风险价值（VaR）模型。 本指引所要求的市场风险资本计量范畴包括商业银行交易账户的利率风险和股票风险、交易账户和银行账户的汇率风险和商品风险等四大类不市场风险。商业银行的结构性外汇敞口不在运算范畴之内。 第二章风险因素 第五条内部模型在计量不同类不市场风险时，必须包含足够的、能够准确反映可能对商业银行市场风险暴露产生实质性阻碍的风险因素。 四大风险类不中所包含的风险因素应分不满足如下差不多要求：

（一）利率风险 1、每一种计价货币的利率所对应的一系列风险因素都应包含在内部模型中。 2、商业银行应采纳业内普遍同意的方法构建内部模型中的收益率曲线。该收益率曲线应划分为不同的到期时刻，以反映收益率的波动性沿到期时刻的变化；每一个到期时刻都应对应一个风险因素。 3、关于要紧货币和要紧市场的利率变化所产生的较大风险暴露，商业银行应采纳至少六个风险因素构建收益率曲线。风险因素的数量应最终由商业银行交易策略的复杂程度决定。 4、风险因素必须能反映要紧的利差风险。 （二）股票风险 1、内部模型须包含与商业银行所持有的每一个较大股票头寸所属交易市场相对应的风险因素； 2、对每一个股票市场，内部模型中至少须包含一个用于反映股价变动的综合市场风险因素(如股指)。投资于个股或行业股指的头寸可表述为与该综合市场风险因素相对应的“beta等值”； 3、监管机构鼓舞商业银行在内部模型中采纳市场的不同行业所对应风险因素，如制造业、周期性及非周期性行业等；最审慎的做法是对每支股票的波动性都设立风险因素； 4、关于一个给定的市场，建模技术的特点及复杂程度应与商业银行对该市场的风险暴露以及个股的集中度相匹配。 （三）汇率风险

(整理)国际期货交易时间

LME是世界上最大的铜期货交易市场，成立于1876年，交易品种有铜、铝、铅、锌、镍和铝合金。 铜的期货交易始于1877年，进行交易的铜有两种： 阴级铜：A级铜 铜棒：规格标准为重量在110－125公斤之间的A级铜。 其中阴级铜的交易最为活跃。所有交割的铜必须有伦敦交易所核准认可的A级铜的牌号，符合英国BS6017－1981标准分类规格。 A级电解铜的标准合约为： 合约数量单位25吨 报价美元/吨 价格波动最低幅度0.5美元/吨 交割日期三个月内为任何一个交易日。三个月以上至十五个月为每个月第三个星期三交易时间2：00－12：05 12：30－12：35（正式牌价） 15：30－15：35 16：15－16：20 目前LME拥有14家***公司。***经纪公司可以做自营，同时也为客户代理交易。与其它交易所不同的是，LME三个月期货合约是连续的合约，所以每日都有交割，LME为即期铜也就是现货（CASH）铜的贴水设立了底限，现货贴水不得低于三月铜30美元，相反，现货升水却可以无限大。另外，LME无涨跌停板限制。 2、伦敦金属交易所铝期货标准合约 交易品种高级原铝 合约数量单位25吨 交易月份最近月份加上连续两个月，及未来12个月。 交易时间11:55-12:00, 12:50-12:55, 15:35-15:40,（正式牌价） 16:15-16:20 报价单位美元/公吨 最小价格跳动0.5美元/公吨（12.5usd/lot） 单日涨跌限制无 交割日最近3个月的每一营业日，及后面12个月的每月第三个星期三。 交割等级高级原铝，纯度为99.7%的铝锭、T型铝条或铝块。 3、英国伦敦金属交易所铅期货标准合约 交易商品精炼铅

现货市场与期货市场的区别

现货市场与期货市场的区别现货，现货电子交易；期货，期货电子交易。现货，很简单，市面上已经 有的货。现货电子交易，是把现有的货物(现货)通过电子商务的形式，在网上按照一定的标准通过集合竞价来统一的撮合成交，更多的偏向于贸易。 期货，也很简单，未来的货物。期货电子交易，是指将未来的货物以一种标准化的远期合约，进行撮合竞价，更多的偏向于金融。 下面我就从以下几点来将期货与现货做一个解释。 第一：我们从字面意思来看： 现货，现有的货。他是已经存在的货物。由于货物本身具有双重的属性：金融属性与商品属性。比如，我们说房子，可以说是投资品，当然它应该更倾向于生活必需品。房子中，我们经常的听到：现房，期房。 期货，未来的货。他还不存在于世上。是一种未来的货物，当然他的确定性也是有的，只是由于时间的问题，他还不可以立马交割。对于未来的东西，我们应该知道，由于时间的问题，它的价格的可预见性，相对于现货就有点难以把握。 第二：我们来看它的表现形式： 现货电子交易是贸易的最高形式，期货电子交易是金融的最高形式。 现货电子交易，是建立在实物基础上的一种交易方式，在21世纪的今天，在电子商务越来越发达的社会，现货也被以一种电子的交易方式来进行电子商务化的操作。通过现货电子交易的方式，可以达到很多的优势与便利，节约很多的成本。当然，由于商品的双重属性，以及市场的交易方(生产商，需求商，中间商)，必须要有中间商起到润滑剂的作用，简称：投资者，亦或投机者，才能够形成完整的市场。综合来看，现货电子交易，本身是为了商品的所有权的转换，但是由于商品的双重性质以及市场的结构，又带来了其一定的金融形式。现货市场，就是这样一个介于贸易与金融之间的一种新的投资方式。 期货电子交易，是未来的一种合约的交易。他更多的是偏向于金融方面的，如果画一个金字塔，那么期货的风险度，应该是出于顶端的，他比股票的风险更大，当然回报也高。由于商品未来时间上的不确定性和其10%的保证金，导致其波动很大。而且，其不是每个现货商品都可以用来交易的，必须要达到一定的标准。 第三：从历史来看：

商业银行市场风险经济资本计量与分配方法及模型研究

商业银行市场风险经济资本计量与分配方法及模型研究 风险管理是商业银行稳健经营的重要因素。银行监管者和经营者都意识到资本不仅是评估和抵御风险的重要工具,而且通过有效管理可给银行创造效益。以往商业银行以信贷业务为主要经营模式,学者多在信用风险领域研究资本管理问题。在金融全球化的背景下,商业银行经营结构逐步向金融市场业务转型,市场风险领域的资本管理成为现实问题。 本文分析了金融市场业务的风险特征,结合市场风险监管资本要求,提出经 济资本计量与分配方法框架及模型,用实证案例验证了方法框架及模型的有效性。本文具体的工作如下:第一,本文在市场风险领域,提出了商业银行如何计量与分配经济资本的新问题。基于金融市场业务的风险特征,区别于以往信用风险的研究领域,对该问题进行深入研究。第二,本文揭示了经济资本计量与分配方法是随着风险管理“螺旋式”上升过程而不断发展的一般规律。 从内部风险管理与外部监管协同出发,在市场风险领域提出了经济资本计量与分配方法框架,包括问题剖析、模型要素分析、模型变量及参数选择、数学模型构造、模型求解与应用等方面内容。第三,本文重点研究了方法框架的核心内容——计量与分配模型。借鉴财务成本分配和信用风险资本管理的理论,建立了三类计量与分配一般模型,并采用情景分析和优化方法对模型及其变量比较分析。三类一般模型的适用范围覆盖了不同规模、不同风险管理水平和经济资本管理要求的商业银行。 第四,本文提出市场风险经济资本的分配应在内部风险管理和外部监管的协同管理下进行,并给出了协同管理下经济资本与监管资本统一的狭义和广义定义,基于一般模型建立了三类特殊模型,对比各自特点,并分析三类特殊模型对我国 大中型商业银行的适用性。第五,本文以我国某大型商业银行为实证案例,验证了市场风险经济资本计量与分配方法框架的有效性和模型的合理性,体现了理论研究在实践中的应用价值。

全球主要期货交易所一览表

全球主要期货交易所一览表 交易所名称代码英文名称 中 国 上海期货交易所SHFE Shanghai Futures Exchange 大连商品交易所DCE Dalian Commodity Exchange 郑州商品交易所CZCE Zhengzhou Commodity Exchange 中国金融期货交易所CFFE China Financial Futures Exchange 美 国 芝加哥期货交易所CBOT The Chicago Board of Trade 芝加哥商品交易所CME Chicago Mercantile Exchange 芝加哥商业交易所国 际货币市场 IMM- 芝加哥期权交易所CBOE Chicago Board Options Exchange 纽约商品交易所NYMEX New York Mercantile Exchange 纽约期货交易所NYBOT New York Board of Trade 美国（纽约）金属交易 所 COMEX New York Commodity Exchange 堪萨斯商品交易所|KCBT Kansas City Board of Trade 加拿大加拿大蒙特利尔交易 所 ME Montreal Exchange Markets 英国伦敦国际金融期货及 选择权交易所 LIFFE London International Financial Futures and Options Exchange Euronext.Liffe 伦敦商品交易所LCE London Commerce Exchange 英国国际石油交易所IPE International Petroleum Exchange 伦敦金属交易所LME London Metal Exchange 法 国 法国期货交易所MATIF - 德 国 德国期货交易所DTB Deutsche Boerse 瑞士瑞士选择权与金融期 货交易所 SOFFEX Swiss Options and Financial Futures Exchange 欧洲期权与期货交易 所 Eurex The Eurex Deutschland 瑞瑞典斯德哥尔摩选择OM OM Stockholm

中国商品期货有哪些品种

中国商品期货有哪些品种 中国商品期货品种有哪些 (一)农产品期货 农产品是最早构成期货交易的商品。包括： 1、粮食期货，主要有小麦期货、玉米期货、大豆期货、豆粕期货、红豆期货、大米期货、花生仁期货等等; 2、经济作物类期货，有原糖、咖啡、可可、橙汁、棕榈油和菜 籽期货; 3、畜产品期货，主要有肉类制品和皮毛制品两大类期货; 4、林产品期货，主要有木材期货和天然橡胶期货。 目前美国各交易所，尤其是芝加哥期货交易所(CBOT)是农产品期货的主要集中地。 (二)有色金属期货 目前，在国际期货市场上上市交易的有色金属主要有10种，即铜、铝、铅、锌、锡、镍、钯、铂、金、银。其中金、银、铂、钯 等期货因其价值高又称为贵金属期货。 有色金属是当今世界期货市场中比较成熟的期货品种之一。目前，世界上的有色金属期货交易主要集中在伦敦金属交易所、纽约商业 交易所和东京工业品交易所。尤其是伦敦金属交易所期货合约的交 易价格被世界各地公认为是有色金属交易的定价标准。我国上海期 货交易所的铜期货交易，近年来成长迅速。目前铜单品种成交量， 已超过纽约商业交易所居全球第二位。 (三)能源期货

能源期货开始于1978年。作为一种新兴商品期货品种，其交易 异常活跃，交易量一直显快速增长之势。目前仅次于农产品期货和 利率期货，超过了金属期货，是国际期货市场的重要组成部分。 原油是最重要的能源期货品种，目前世界上重要的原油期货合约有：纽约商业交易所的轻质低硫原油;伦敦国际石油交易所的布伦特 原油期货合约等4种。 商品期货投资的特点 (1)杠杆机制，以小博大。投资商品期货只需要交纳5%～20%的 履约保证金，就可控制100%的虚拟资金。 (2)交易便利。由于期货合约中主要因素如商品质量、交货地点 等都已标准化， 商品期货走势 合约的互换性和流通性较高。 (3)信息公开，交易效率高。期货交易通过公开竞价的方式使交 易者在平等的条件下公平竞争。同时，期货交易有固定的场所、程 序和规则，运作高效。 (4)期货交易可以双向操作，简便、灵活。交纳保证金后即可买 进或卖出期货合约，且只需用少数几个指令在数秒或数分钟内即可 达成交易。 (5)合约的履约有保证。期货交易达成后，须通过结算部门结算、确认，无须担心交易的履约问题。 一、开户 股指期货的开户包括寻找合适的期货公司，填写开户材料和资金入账三个阶段。期货公司是投资者和交易所之间的纽带，除交易所 自营会员外，所有投资者要从事股指期货交易都必须通过期货公司 进行。对投资者来说，寻找期货公司目前有两种渠道，一是通过所 在的证券公司，另一种途径是投资者直接找到具有金融期货经纪业

商业银行市场风险计量-标准法

风险管理之市场风险和计量 1市场风险定义 市场风险是指因市场价格（利率、汇率、股票价格和商品价格）的不利变动而使银行表内和表外业务发生损失的风险。 市场风险可以分为利率风险、汇率风险（包括黄金）、股票价格风险和商品价格风险，分别是指由于利率、汇率、股票价格和商品价格的不利变动所带来的风险。利率风险按照来源的不同，可以分为重新定价风险、收益率曲线风险、基准风险和期权性风险。 2交易账户分类 市场风险包括：交易账户中受利率影响的各类金融工具及股票所涉及的风险、商业银行全部的外汇风险和商品风险。 具体解释如下： 1.利率风险，包括交易账户中的债券（固定利率和浮动利率债券、可转让存款证、不可转换优先股及按照债 券交易规则进行交易的可转换债券）、利率及债券衍生工具头寸的风险。利率风险的资本要求包括特定风 险和一般市场风险的资本要求两部分。 2.股票风险，是指交易账户中股票及股票衍生工具头寸的风险。其中股票是指按照股票交易规则进行交易的 所有金融工具，包括普通股（不考虑是否具有投票权）、可转换债券和买卖股票的承诺。 3.外汇风险，是指外汇（包括黄金）及外汇衍生工具头寸的风险。 4.商品风险，商品是指在或可以在二级市场买卖的实物产品，如：贵金属（不包括黄金）、农产品和矿物（包 括石油）等。适用于商品、商品远期、商品期货、商品掉期。 3银行账户与交易账户 3.1定义 银行的表内外资产可分为银行账户和交易账户资产两大类。银行账户、交易账户是监管方面对银行资产的一种分类方式，主要是从监管角度出发对账户头寸进行的划分。 1.交易账户 a)又称交易组合(Trading Portfolio)，简单而言，就是指能够在有组织的金融市场上被迅速买卖且持有时间较 短的资产、负债和衍生产品头寸，包括债券、股票、外汇、某些商品以及与这些头寸相关联的衍生产品，其目的是为了获得短期收益。 b)针对交易账户，新巴塞尔协议规定：交易账户包括以交易为目的或以规避交易账户其它项目的风险为目的而持

市场风险资本计量内部模型法监管指引

市场风险资本计量内部模型法监管指引 1、总则 1.1为推进《统一资本计量和资本标准的国际协议：修订框架》的实施，促使商业银行提高市场风险管理水平，保证商业银行安全稳健运行，根据《中华人民共和国商业银行业监督管理法》、《中华人民共和国商业银行法》等法律 法规，参照新资本协议相关要求，制定本指引。 1.2本指引适用于《中国商业银行业实施新资本协议指导意见》确定的新资本协议商业银行和自愿实施新资本协议的其它商业银行。银监会鼓励其它商业银行参照本指引，建立市场风险管理的内部模型，提高市场风险管理水平。 1.3本指引的目的在于，明确商业银行使用内部模型法计量市场风险资本要求时应满足的相关基本要求，以及监管机构的审批程序和监管要求。 本指引所称的内部模型（或模型）指商业银行用于计量市场风险资本要求的风险价值（VaR）模型。 本指引所要求的市场风险资本计量范围包括商业银行交易账户的利率风险和股票风险、交易帐户和银行帐户的汇率风险和商品风险，以及相关的期权性风险。商业银行的结构性外汇敞口不在计算范围之内。 1.4任何使用内部模型法计量市场风险资本要求的商业银行，都必须向监管机构提出申请，并取得监管机构的书面批准。 2、风险因素 2.1内部模型必须包含足够的、能够准确反映商业银行在持续经营过程中所有可能对其市场风险暴露产生实质性影响的风险因素。 内部模型应对这些风险因素进行适当的分类、界定和归档，并运用于建模过程中。 2.2内部模型在计量不同类别市场风险时，其风险因素应满足如下基本要求： 2.2.1利率风险 （1）每一种计价货币的利率所对应的一系列风险因素都应包含在内部模

型中。 （2）商业银行应采用业内普遍接受的方法构建内部模型中的收益率曲线。该收益率曲线应分解为一系列的到期时段，以反映收益率的波动性沿时间的变化；每一个到期时段都应有一个对应的风险因素。 (3)对于主要货币和市场上的利率变化所具有的较大风险暴露，商业银行应采用至少六个风险因素构建收益率曲线。内部模型所包含风险因素的数量应最终由商业银行交易策略的复杂程度决定。 （4）内部模型所包含的风险因素必须能反映主要的利差风险。 2.2.2汇率风险 （1）内部模型中须包含与其所持有的每一种风险暴露较大的外币(包括黄金)与本币汇率相对应的风险因素。 2.2.3股票风险 （1）内部模型中须包含与其所持有的每一个较大股票头寸所属交易市场相对应的风险因素； （2）对每一个股票市场，内部模型中至少须包含一个用于反映股价变动的综合的市场风险因素(如股指)。投资于个股或行业股指的头寸可表述为与该 综合市场指数相对应的“beta等值”； （3）监管机构鼓励商业银行在内部模型中采用整个市场的多个行业所对应风险因素，如制造业、周期性及非周期性行业等；最审慎的做法是对每支股票的波动性都设立风险因素； （4）对于一个给定的市场，建模技术的特点及复杂程度应与商业银行对总体市场的风险暴露以及对个股的集中度相匹配。 2.2.4商品风险: （1）内部模型中须包含与商业银行持有较大头寸的每一个商品市场相对应的风险因素； （2）对于以商品为基础的金融工具头寸相对有限的商业银行，可以采用简化的风险因素界定方法。即，每一种银行有风险暴露的商品价格都有一个对应的风险因素；如果商业银行持有的总商品头寸较小，也可采用单一风险因素作为一系列相关商品的风险因素。

国际四个交易所天然橡胶期货比较

国际四个交易所天然橡胶期货比较 一、国际天然橡胶期货市场概况 目前世界上天然橡胶期货交易所有四家，分别是东京工业品交易所（TOCOM）、上海期货交易所 (SHFE) 、新加坡交易所 (SGX)、泰国农产品交易所 (AFET)。 （一）东京工业品交易所 东京工业品交易所（以下简称TOCOM）是全球最早上市天然橡胶期货的交易所，于1952年上市天然橡胶期货合约，其合约标的物为RSS3（三号烟胶片）。二战以后，伴随日本工业的快速发展，天然橡胶期货受到全球投资者越来越多的关注，TOCOM天然橡胶期货的市场地位也逐步提高，并逐渐发展成为全球天然橡胶的定价中心，目前其报价仍然是全球天然橡胶下游加工企业、现货流通贸易商的首要参照。 近年来，日本经济的持续不景气使得TOCOM的定价中心地位受到冲击。尤其是2008年金融危机以来，市场资金大幅转移，其市场规模萎缩的速度也有所加快，此外，其自身制度（标的物单一，RSS3的生产和流通量大幅减少）及管理上（交割制度苛刻，不利于生产商套保）的缺陷也是导致其市场规模下降的重要因素。虽然TOCOM于2009年5月采取了延长交易时间、修改保证金制度和交易规则等一系列改革措施，但效果仍欠佳。2009年至今，TOCOM胶所有合约总持仓的平均水平一直在25000-40000手之间，2011年大多时间不足3万手，仅相当于90年代中期高峰时期的十分之一。 （二）上海期货交易所 上海期货交易所（以下简称SHFE）于1993年上市天然橡胶期货，目前交割品级质量标准包括国产天然橡胶（SCR WF）以及进口3号烟胶片（RSS3）。2003年起，SHFE天然橡胶的市场规模开始全面超出TOCOM和SICOM等海外市场，尤其在2005年以后，市场快速发展，交易活跃，成交量、持仓量快速增长，交易量由2005年的950万手增至2010年的16741.49万手，增幅高达1660%，成交金额也达到21.32万亿元。 SHFE天胶期货的快速发展，一方面得益于国内经济腾飞直接带动中国工业的发展，另一方面，制造业的壮大使得中国成为全球轮胎制造中心，也带动中国成为全球天然橡胶最大的消费国。 随着SHFE天然橡胶期货市场覆盖面、认可度和参与度的不断提高，SHFE天胶期货套期保值、价格发现的功能得到进一步发挥，其价格辐射力也进一步增强。SHFE天然橡胶价格已成为国内市场的权威报价，目前也是国内橡胶企业购销合同或定价最重要的报价参考。中国政府在制定、实施橡胶行业的宏观政策时，已将天胶期货价格纳入了重要参考依据；在国家增加天胶战略储备时，也将天胶货作为国家收储的重要渠道之一。虽然目前SHFE还不是全球天然橡胶的定价中心，但SHFE天然橡胶期货的影响力、影响范围仍在不断提高，相信

期货市场存在的问题及解决对策

中国期货市场存在的问题及解决对策 一、中国期货市场发展状况 改革开放后，中国经济有了长足发展。其中，农产品流通范围不断扩大，农产品价格波动也较大。1990年10月，中国郑州粮食批发市场作为中国第一个农产品交易所正式开业。郑州粮食批发市场建立后，在现货市场的基础上逐步引入了期货机制，如集中交易、会员制、保证金制度等。从1991年开始，郑州粮食批发市场开始着手退出标准化期货合约，并且制定了中国第一部规范化的期货交易规则。从1991年开始，全国掀起一股“期货热”，各地交易所纷纷建立。目前，中国期货市场用仅仅20年的时间走完了欧美国家150年的发展历程，其价格发现、规避风险、优化配置资源的功能在促进国民经济健康发展过程中发挥着越来越重要的作用。中国已有3家商品期货交易所和1家金融期货交易所，160多家期货公司，已上市交易2]个关系国计民生的大宗商品期货品种，建立起了覆盖金属、农产品、能源化工等行业的商品期货品种体系，并向金融衍生品期货方向发展。2010年4月16日，经过四年多的筹备，首批四个沪深300股票指数期货合约上市交易。首批上市合约为2010年5月、6月、9月和12 月合约，四个合约的挂盘基准价均为3399点。股指期货的推出，作为资本市场的一大里程碑，意味着A股市场从此有了稳定器，即将告别单边市从而踏人“做空时代”。

总体看，中国期货市场呈现如下特征：第一，交易规模迅速扩大。中国商品期货的交易额呈逐年递增趋势，2007年市场成交金额达4l万亿元，是1993年的73倍，是中国GDP的2倍；2008年，中国期货市场共成交合约14亿手，成交金额72万亿元，再创历史新高。2009年前10个月，中国期货市场成交量亿手，成交总金额为万亿元，同比分别增长％、％，继续保持较快增长势头。第二，上市品种不断增加。2004年以来，中国期货市场共上市12个新的期货品种，使中国商品期货合约总数达到21个，基本上建立起一个覆盖面较全的商品期货品种体系。股指期货的推出填补了中国长期以来没有金融期货产品的空白，对发展和健全中国期货市场具有划时代意义。第三，参与期货交易的人数明显增加。截至2009年10月底，中国期货市场开户数量达万户，保证金接近1000亿元。第四，交易制度和技术不断创新，风险控制能力得到提高。2007年出台的《期货交易管理条例》及配套办法，对交易所的期货交易规则及实施细则等作了全面系统的梳理和修订完善，建立了“五位一体”的监管协调体系和辖区监管责任制，推动了期货市场和期货行业各项规章制度的建立与完善，使市场运行和发展的法制化得到深化，监管工作更加系统和有效。第五，期货市场的影响力不断增强。2008年年底，在按照期货和期权交易量排名的全球52家交易所中，中国三大商品期货交易所均进入前20强。截至2009年7月底，中国期货市场共有21个品种上市交易，商品期货成交量已占全球三分之一，成为仅

《商业银行资本管理办法》附件10_市场风险内部模型法监管要求.

附件10： 市场风险内部模型法监管要求 一、内部模型法应涵盖的风险因素 （一）利率风险 1．商业银行的内部模型应涵盖每一种计价货币的利率所对应的一系列风险因素。 2．商业银行应使用业内普遍接受的方法构建内部模型使用的收益率曲线。该收益率曲线应划分为不同的到期时间，以反映收益率的波动性沿到期时间的变化；每个到期时间都应对应一个风险因素。 3．对于风险暴露较大的主要货币和主要市场的利率变化，商业银行应使用至少六个风险因素构建收益率曲线。风险因素的数量应最终由商业银行交易策略的复杂程度决定。 4．风险因素必须能反映主要的利差风险。 （二）股票风险 1．内部模型应包含与商业银行所持有的每个较大头寸股票所属交易市场相对应的风险因素。 2．对每个股票市场，内部模型中至少应包含一个用于反映股价变动的综合市场风险因素（如股指）。投资于个股或行业股指的头寸可表述为与该综合市场风险因素相对应的“beta等值”。 3．银监会鼓励商业银行在内部模型中使用市场的不同行业所对应的风险因素，如制造业、周期性及非周期性行业等；最审慎的做法是对每支股票的波动性都设立风险因素。 4．对于一个给定的市场，建模技术的特点及复杂程度应与商

业银行对该市场的风险暴露以及个股的集中度相匹配。 （三）汇率风险 内部模型中应包含与商业银行所持有的每一种风险暴露较大的外币(包括黄金)与本币汇率相对应的风险因素。 （四）商品风险 1．内部模型中应包含与商业银行持有的每一个较大商品头寸所属交易市场相对应的风险因素； 2．对于以商品为基础的金融工具头寸相对有限的商业银行，可以采用简化的风险因素界定方法。即银行有风险暴露的每一种商品的价格都有一个对应的风险因素；如商业银行持有的总商品头寸较小，也可采用一个风险因素作为一系列相关商品的风险因素。 3．对于交易比较活跃的商品，内部模型必须考虑衍生品头寸（如持有远期、掉期）和实物商品之间“便利收益率”的不同。 （五）其他 1．内部模型应包含能有效反映与上述四大类别市场风险相关的期权性风险、基准风险和相关性风险等风险因素。 2．原则上，商业银行所使用的定价和估值模型中的风险因素都应包含在内部模型中。如未包含，则应说明其合理性。 二、内部模型法的最低定性要求 商业银行使用内部模型法必须满足银监会关于市场风险管理的一般要求和本办法第二章的具体要求，并符合以下定性要求：1．资本计量必须与其日常市场风险管理活动紧密结合，包括：（1）资本计量必须基于日常市场风险管理的内部模型，而非针对市场风险资本要求计算特别改进过的模型。

国际期货介绍

认识国际期货 ——什么是国际期货 ——国际期货的发展历程与进入中国——国际期货市场简介（交易所介绍）——国际期货的主流交易品种

什么是国际期货 国际期货International futures 国际期货是指交易所建立在中国大陆以外的期货交易。以美国、欧洲、 伦敦等交易所内的产品为常见交易期货合约。 期货合约，就是指由期货交易所统一制定的、规定在将来某一特定的时 间和地点交割一定数量标的物的标准化合约。有些美国期货合约品种如 大豆、铜对国内期货价格变动会有影响，国内投资者可以参考外盘行情 。大型生产商与贸易商也可根据外盘行情做好套期保值，对冲现货交易 损失。 期货的英文为Futures，是由“未来”一词演化而来。

国际期货发展历程 The development course 2009年，中国商品期货成交总量超越美国跃居全球第一，占全球的43%，期货成为中国投资者最关注的投资产品之一。 2009 1874年，芝加哥商业交易所（CME ）产生， 1876年，伦敦金属交易所（LME ）也正式创建。 20世纪中期 金融衍生品成为全球最火热投资产品，2008年执行了超过300亿笔期货与期权合约，涵括所有类别资 产，总值近8千万亿美元。 21世纪初 芝加哥的商人发起组建芝加哥期货交易所 （CBOT ），并推出了标准化合约，同时实行保证金制度，促成了真正意义上的期货交易的诞生。 1848 1874 1969 1969年，芝加哥商业交易所已发展成为世界上最大 的肉类和畜类期货交易中心。 期货商品交易市场正式进入中国。

CME 芝加哥商业交易所 芝商所是全球金融衍生品交易服务龙头，四大期货交易所为芝商所以及整个期货行业的核心 LME 伦敦金属交易所 LME是世界上最大的有色金 属交易所，交易所的价格和 库存对世界范围的有色金属 生产和销售有着重要的影响 EUREX 欧洲期货交易所 EUREX是世界上最大的期货和期 权交易所之一，唯一全面电子化 交易所，其电子交易平台可以提 供广泛的国际基准产品的访问 SGX 新加坡交易所 SGX是亚太地区首家集证 券及金融衍生产品交易于 一体的企业股份制化交易 所 国际期货市场简介 international futures market 其他主要交易所名称及英文简写 MATIF法国国际期货期权交易所IPE伦敦国际石油交易所KCBT美国堪萨斯期货交易所 FIA美国期货工业协会COMEX纽约商品交易所NYMEX纽约商业交易所CBOT芝加哥期货交易所 CBOE芝加哥期权交易所BOTCC芝加哥期货交易所结算公司IMM芝加哥商业交易所国际货币市场分部 LIFFE伦敦国际金融期货交易所SFE悉尼期货交易所SIMEX新加坡国际金融交易所GLOBEX芝加哥商业交易所 其中：COMEX（纽约商品交易所，也简称CMX）交易的软商品、金属、能源期货对世界价格影响大。Nymex(纽约能源金属），Nybot（纽约软性品）合并为COMEX。 CME(芝加哥商业交易所）旗下包括芝加哥商业交易所(CME)、芝加哥期货交易所(CBOT)、纽约商业交易所(NYMEX)、纽约商品交易所(COM 四大期货交易所，为芝商所以及整个期货行业的核心，在超过250年的期货交易史上有着不可磨灭的地位，造就了今日的全球期货市场。

商业银行市场风险资本计量内部模型法监管办法

商业银行市场风险资本计量部模型法监管指引 (第4次征求意见稿) 第一章总则 第一条为促进商业银行提高市场风险管理水平，保障商业银行安全稳健运行，根据《中华人民国商业银行业监督管理法》、《中华人民国商业银行法》等法律法规，制定本指引。 第二条本指引适用于《中国商业银行业实施新资本协议指导意见》确定的新资本协议银行和自愿实施新资本协议的其它商业银行。 第三条本指引的目的在于，明确商业银行使用部模型法计量市场风险资本时应达到的基本标准，以及监管机构的审批程序和监管要求。 本指引所称的部模型（或模型）指商业银行用于计量市场风险资本的风险价值（VaR）模型。 本指引所要求的市场风险资本计量围包括商业银行交易账户的利率风险和股票风险、交易账户和银行账户的汇率风险和商品风险等四大类别市场风险。商业银行的结构性外汇敞口不在计算围之。

第四条任何拟使用部模型法计量市场风险资本的商业银行，都必须向监管机构提出申请，并取得监管机构的书面批准后方可实施。 第二章风险因素 第五条部模型在计量不同类别市场风险时，必须包含足够的、能够准确反映可能对商业银行市场风险暴露产生实质性影响的风险因素。 四大风险类别中所包含的风险因素应分别满足如下基本要求： （一）利率风险 1、每一种计价货币的利率所对应的一系列风险因素都应包含在部模型中。 2、商业银行应采用业普遍接受的方法构建部模型中的收益率曲线。该收益率曲线应划分为不同的到期时间，以反映收益率的波动性沿到期时间的变化；每一个到期时间都应对应一个风险因素。 3、对于主要货币和主要市场的利率变化所产生的较大风险暴露，商业银行应采用至少六个风险因素构建收益率曲线。风险因素的数量应最终由商业银行交易策略的复杂程度决定。 4、风险因素必须能反映主要的利差风险。 （二）股票风险 1、部模型须包含与商业银行所持有的每一个较大股票头寸所属交易市场相对应的风险因素； 2、对每一个股票市场，部模型中至少须包含一个用于反映股价变

对中国期货市场的认识与思考

对中国期货市场的认识与思考 摘要：期货交易是商品生产者为规避风险，从现货交易中的远期合同交易发展而来的。期货交易是市场经济发展到一定程度的必然产物，认识研究期货，利用好期货市场对于发展中国日益活跃的商品流通体制，促进中国经济的又好又快发展，具有重要意义。 关键词：期货交易改革监管 一、认识期货 期货合约，简称期货，是一种跨越时间的交易方式，指买卖双方通过签订合约，同意以约定的价格、时间以及其他交易条件等，交收指定数量的现货。期货与现货完全不同，现货是实实在在可以进行交易的商品，期货主要不是货，而是以某种大宗产品如棉花、大豆、石油等及金融资产如股票、债券等为标的标准化可交易合约。期货可分为商品期货和金融期货。商品期货又分工业品（可细分为金属商品（贵金属与非贵金属商品）、能源商品）、农产品、其他商品等。金融期货主要是传统的金融商品（工具）如股指、利率、汇率等，各类期货交易包括期权交易等。期货是市场经济发展到一定程度的必然产物，是对于现货交易的一种提升和发展。 期货交易具有套期保值功能、防止市场过度波动功能、节约商品流通费用功能以及促进公平竞争功能等四大功能，这些功能对于发展中国日益活跃的商品流通体制具有重要意义。期货是继外汇外的最大的交易手段。 期货交易是商品生产者为规避风险，从现货交易中的远期合同交易发展而来的。最初的现货远期交易是双方口头承诺在某一时间交收一定数量的商品，后来随着交易范围的扩大，口头承诺逐渐被买卖契约代替。期货市场最早萌芽于欧洲。早在古希腊和古罗马时期，就出现过中央交易场所、大宗易货交易，以及带有期货贸易性质的交易活动。历史上最早的期货市场是江户幕府时代的日本。第一家现代意义的期货交易所1848年成立于美国芝加哥，该所在1865年确立了标准合约的模式。 中国古代已有由粮栈、粮市构成的商品信贷及远期合约制度。民国时期曾经成立过多个期货交易所。中国期货市场产生的背景是粮食流通体制的改革。随着国家取消农产品的统购统销政策、放开大多数农产品价格，市场对农产品生产、流通和消费的调节作用越来越大，农产品价格的大起大落和现货价格的不公开以及失真现象、农业生产的忽上忽下和粮食企业缺乏保值机制等问题引起了领导和学者的关注。20世纪90年代，我国的现代期货交易所应运而生。而现在，我国拥有以能源与金属商品期货交易为主的上海期货交易所、以经营农产品期货为主的大连商品交易所和郑州商品交易所，以及以经营金融期货为主的中国金融期货交易所四家期货交易所，其上市期货品种的价格变化对国内外相关行业产生了深远的影响。，并且这四家期货交易所的交易量都在世界名列前茅，这说明我国的期货市场获得了长足的发展，我国也已成为全世界最大的商品期货市场。 二、对于中国期货市场的思考 我国现代的商品交易期货市场产生于上世纪90年代，历经20余年的快速发展，已经成为全球最大的期货市场，这不得不说是一个奇迹。 中国期货市场得以快速发展的原因是多方面的。首先最重要的是中国政府对于期货市场的重视及对期货市场的政策引导。1988年3月，七届人大一次会议的《政府工作报告》提出：积极发展各类批发贸易市场，探索期货交易，拉开了中国期货市场研究和建设的序幕。1990年10月12日郑州粮食批发市场经国务院批准成立，以现货交易为基础，引入期货交易机制，迈出了中国期货市场发展的第一步。2010年4月16日中国推出国内第一个股指期货——沪深300股指期货合约。2011年4月15日中国大连商品交易所推出世界上首个焦炭期货合约。2012年12月3日中国郑州商品交易所推出首个玻璃期货合约。这一系列成就，都有中国政府在背后所付出的巨大努力。

商业银行市场风险资本计量内部模型法监管指引

中国银行业监督管理委员会关于印发《商业银行市场风险资本计量内部模型法监管指引》的通知 （银监发[2010]13号） 各银监局，各政策性银行、国有商业银行、股份制商业银行，邮政储蓄银行：现将《商业银行市场风险资本计量内部模型法监管指引》（以下简称《指引》）印发给你们，请《中国银行业实施新资本协议指导意见》确定的新资本协议银行和自愿实施新资本协议的其他商业银行遵照执行。银监会鼓励暂不准备实施新资本协议的银行参照本《指引》改进风险管理。 请各银监局将本《指引》转发至辖内城市商业银行、农村商业银行、农村合作银行和外资法人银行。 中国银行业监督管理委员会 二0一0年二月二十七日 商业银行市场风险资本计量内部模型法监管指引 第一章总则 第一条为促进商业银行提高市场风险管理水平，保障商业银行安全稳健运行，根据《中华人民共和国银行业监督管理法》、《中华人民共和国商业银行法》等法律法规，制定本指引。 第二条本指引适用于《中国银行业实施新资本协议指导意见》确定的新资本协议银行和自愿实施新资本协议的其他商业银行。 第三条本指引的目的在于，明确商业银行使用内部模型法计量市场风险资本时应达到的基本标准，以及监管机构的审批程序和监管要求。 本指引所称的内部模型（或模型）指商业银行用于计量市场风险资本的

风险价值（VaR）模型。 本指引所要求的市场风险资本计量范围包括商业银行交易账户的利率风险和股票风险、交易账户和银行账户的汇率风险和商品风险等四大类别市场风险。商业银行的结构外汇敞口不在计算范围之内。 商业银行开展代客理财业务所产生的交易活动，应按其性质计入交易账户，并按本指引的要求计提市场风险资本。 第四条任何拟使用内部模型法计量市场风险资本的商业银行，都必须向监管机构提出申请，并取得监管机构的书面批准后方可实施。 第二章风险因素 第五条内部模型在计量不同类别市场风险时，必须包含足够的、能够准确反映可能对商业银行市场风险暴露产生实质性影响的风险因素。 四大类别市场风险所包含的风险因素应分别满足如下基本要求： （一）利率风险。 1．每一种计价货币的利率所对应的一系列风险因素都应包含在内部模型中。 2．商业银行应采用业内普遍接受的方法构建内部模型中的收益率曲线。该收益率曲线应划分为不同的到期时间，以反映收益率的波动性沿到期时间的变化；每一个到期时间都应对应一个风险因素。 3．对于主要货币和主要市场的利率变化所产生的较大风险暴露，商业银行应采用至少六个风险因素构建收益率曲线。风险因素的数量应最终由商业银行交易策略的复杂程度决定。 4．风险因素必须能反映主要的利差风险。 （二）股票风险。

期货市场回顾与展望

期货市场回顾与展望 This model paper was revised by the Standardization Office on December 10, 2020

我国期货市场回顾与展望 哈尔滨师范大学经济学院 Tony.Tan [摘要]我国期货市场经过十几年的快速发展，已成为国家金融体系的重要组成部分，但与发达国家期货市场相比较，其在法规体系、政府监控、市场运行机制等方面急需进行变革，从而使我国的期货市场得到持续健康的发展。 [关键字] 期货市场；回顾；展望 随着我国经济市场化进程的推进，我国期货市场的发展经历了四个重要阶段：期货市场的理论预备与初步试验阶段（1988--1991）；期货市场的试点发展阶段（1992--1994）；期货市场的规范与调整阶段（1994--2001）；期货市场的恢复与发展阶段（2002--现在）。在十余年的时间里，我国期货市场跨越西方期货市场百年发展历程，呈现出跳跃式发展态势。联想到我国过去经济发展的经验与教训，只有通过对我国期货市场发展历程的回顾与总结，才能更好地展望未来，走向正确的发展道路。 一、我国期货市场发展成就 （一）期货公司普遍实现了现代化的电子化交易。 随着互联网的普及，到2003年，全国的期货机构基本上实现了电子化交易方式。期货客户可以不到公司现场，只要拥有一台计算机并能连通互联网，即可进行交易。电子化交易的普及，使得期货公司客户的范围可以大幅扩大，方便了客户的交易，降低了公司经营场所的维持成本。同时，为期货公司控制客户交易风险提供了技术手段。期货公司可将客户资金使用率录入计算机，一旦客户资金使用达到警戒线就不能开新仓，避免了透支交易。另外，公司也可设置一些指标，实时监控客户交易风险，及时提醒客户。电子化手段不仅应用在交易上，在结算上也使公司告别了手工结算方式，实现了电子化结算，大大提高了结算工作的效率和准确性。 （二）形成了以期货交易所为核心的较为规范的市场组织体系。 经过十余年的试点与发展，尤其是经过1994年以来的清理整顿，我国的期货市场由分散建设逐步趋向集中规范，初步形成了一个比较完整的期货市场组织体系。在这个体系中，期货交易所是核心，已上市期货品种的交易基本稳定，由期货经纪公司会员形成的代理网络基本可以覆盖整个市场。 （三）市场规模稳步增长，行业实力有所增强。 近几年国内期货交易规模年增长率超过50％，超过国际市场20％的增长率。其中大商所已连续五年居国际前10位。2007年期货市场交易量达到7.28亿手；交易金额达到41万亿元，为历史新高。目前，大连、上海、郑州三家商品期货交易所的交易量在世界的排名分别居于第9、16和18位。 1993～2007年中国期货交易成交额和成交量情况