当前位置：文档之家 › 我国开放式基金风险度量研究——基于GARCH-VaR模型

我国开放式基金风险度量研究——基于GARCH-VaR模型

  • 格式：pdf
  • 大小：1.34 MB
  • 文档页数：6

2021年第4期

52我国开放式基金风险度量研究——基于GARCH-VaR模型宋沁鸽 李 阳（青海民族大学，青海 西宁 810007）摘 要：选取我国开放式基金中的15支股票型和混合型基金做为研究样本，采用GARCH-VaR模型进行风险度量研究，并通过VaR风险值的计算来衡量开放式基金的风险，同时将适合拟合金融时间序列的GARCH模型作为VaR计算的基础，进一步增强对开放式基金市场风险测度的准确性。通过实证分析发现我国开放式基金的收益率波动特征，即具有“波动聚集性”和“尖峰厚尾”特征。同时得出结论：不同类型开放式基金风险差异明显，股票型开放式基金风险水平整体高于混合型，其中，偏股型开放式基金风险相对平衡混合型更高，投资者应根据自身风险偏好选择配置不同类型的开放式基金。关键词：开放式基金；风险度量中图分类号：F832.5 文献标识码：A文章编号：1674-537X（2021）04.0052-06一、引言证券投资基金作为一种新形势的投资理财产品，区别于理财产品和固定资产投资等传统投资方式，在21世纪逐渐进入大众视野，尤其在08年金融危机之后基金的发展进入新的阶段，品种和规模都在根据投资者需求的变化而不断丰富和扩大，实现了从封闭式基金到开放式基金的发展，行业内资本市场到大众中小投资者的投资方式的跨越，打破了国内和国外市场的分隔；同时行业法律法规随其得到补充和完善。2016年以来，基金行业法律法规和交易制度不断完善，投资者理念逐渐现代化，公司数量、基金类型、投资风格等各个方面向多样化、规范化发展，促进了基金市场的蓬勃发展。2015年初公募基金市场中有1833只开放式基金共计资产规模4.7万亿元、144只封闭式基金0.15万亿元，截至2020年5月底已发展到6120只开放式基金，资产规模共计约16万亿元，949只封闭式基金，资产规模共计1.8万亿元，基金管理人143家。由此可见，开放式基金相比于封闭式基金的优势受到市场众多投资者的青睐，规模得到迅速扩大，约是封闭式基金规模的10倍，占到市场份额的90%，已经占据基金市场的主力位置。当前在我国基金行业内，因基金公司、基金品种、基金规模都在不断创下历史新高，󰀁因此，不同类型、不同行业的基金在特定的经济周期中对股票和证券品种的配置以及聚焦的行业板块也具有一定的雷同[1]。这样的投资行为容易对证券市场造成巨大的波动影响，形成一荣俱荣、一损俱损的局面，不利于分散证券市场的系统性风险。无论是从基金经理还是投资者、资产配置还是投资行为，我国的基金市场都有待完善[2]。开放式基金与封闭式基金最大的不同是灵活性，即可赎回性，也正因如此，开放式基金在管理上要面对的流动性限制和风险都更高[3]。同时涉及市场风险、操作风险等各种不确定因素引起的风险，如何更好地管理和防范开放式基金风险成为金融业一大研究热点，同时，如何有效配置基金类型和资金比例以降低风险又能实现一定的收益目标就成为个人投资者不断关注和思考的问题。二、基于GARCH-VaR模型的开放式基金市场风险度量的实证检验（一）样本的选取及数据处理本文主要以我国开放式基金的市场风险为研究对象，因其债券型和货币型两类开放式基金受市场波动影响较小，收益比较稳定，相对不足以代表开放式基金的市场风险，因此剔除掉这两种[4]。选取股票型、混合型（偏股混合型、平衡混合型和偏债混合型）两大类基金，因其受证券市场波动影响较大，具有开放式基金市场风险的代表性。在选取这四种类型基金基础上结合晨星评级、资金规模、成立时间、年化收益率等因素，通过对不同类型基金的不同标准进行筛选：资金规模（20亿以上和50亿以上）、成立时间（2015年及以前）、最近三年同类排名（100以内），结合成立以来总回报和年化回报率以及晨星评级，确定出15只样本基金（因偏债混合型规模较大排名靠前中大部分成立时间在三年内，因此这些被剔除）。当前市场上混合型基金数量最多，其中偏股混合型居多，因此在这里选取的样本中偏股混合型个数较多。因其开放式基金的市场风险表现为收益率的波动，又考虑到基金不定期进行分红的影响，因此，选取基金的每日累计净值数据作为样本原始数据[5]。因其个别基金成立时间的限制，数据时间范围确定为2016年1月4日至2020年5月29日，2021年第4期

53基金基本信息如下表1。数据来源于Wind数据库、东方财富Choice金融终端和天天基金网，以Excel、Eviews9.0为研究工具。表1：样本基金基本情况序号基金代码基金名称资金规模（亿元）投资类型（二级）晨星评级1001410信达澳银新能源产业116.9股票型五星2001938中欧时代先锋142.29股票型五星3110022易方达消费行业176.01股票型四星4110011易方达中小盘混合147.14偏股混合型四星5260108景顺长城新兴成长混合138.59偏股混合型五星6162703广发小盘成长混合（LOF）A117.26偏股混合型五星7001071华安媒体互联网混合103.81偏股混合型五星8519712交银施罗德阿尔法核心混合102.41偏股混合型五星9161903万家行业优选混合（LOF）78.35偏股混合型五星10180012银华富裕主题混合78.12偏股混合型五星11000083汇添富消费行业混合76.87偏股混合型五星12002001华夏回报混合A105.33平衡混合型三星13270002广发稳健增长混合149.89平衡混合型四星14340001兴全可转债混合46.35偏债混合型四星15000436易方达裕惠定开混合32.36偏债混合型暂无数据来源：天天基金网本文将基金的日收益率做对数处理，表达式如下：Rlnt=NAVNAVt−t1其中，Rt为第t日对数收益率，NAVt为第t日基金的累计净值，NAVt−1为第t-1日基金的累计净值。（二）数据的描述性统计和假设检验通过上节中对收益率进行对数处理后，首先对其收益率的时间序列特征进行描绘，由于15只基金的时序图输出结果较多，这里以中欧时代先锋股票A（001938）、广发小盘成长混合（162703）、广发稳健增长混合（270002）三只为例，其时序图如下所示：

-.08-.06-.04-.02.00.02.04.06

1617181920zosd

图1：中欧时代先锋股票A收益率时间序列图-.020-.015-.010-.005.000.005.010

1617181920gfwj

图2：广发稳健增长混合收益率时间序列图

-.05-.04-.03-.02-.01.00.01.02.03

1617181920gfxp

图3：广发小盘成长混合收益率时间序列图由上面三个时序图可以看出，它们的收益率均存在明显的波动聚集性，即一次大的波动之后往往伴随着另一次较大的波动，一次小的波动之后往往伴随着另一次较小的波动。对收益率数据进行均值、方差等简单统计分析得到如下表2所示。表2：描述性统计Stock󰀁CodeMinimumMaximumMedianMeanStd.Deviation001410-0.0832750.0558440.0007110.0008470.017522001938-0.0734790.0394900.0009170.0006260.011742110022-0.0835570.0524660.0004160.0008240.014791110011-0.0635780.0577320.0004980.0007930.012905260108-0.0411200.0228740.0003190.0003750.006872162703-0.0431610.0227570.0000580.0002350.006730001071-0.0870110.0596440.0000000.0004900.018641519712-0.0784520.0440840.0003970.0004410.011042161903-0.0557980.0418480.0005070.0004760.009263180012-0.0542000.0352780.0002260.0006280.010497000083-0.0754150.0449370.0004200.0007330.014477002001-0.0149010.0099570.0000000.0001250.002963270002-0.0187890.0089820.0001730.0001390.002477340001-0.0138660.0067230.0000560.0000670.001766000436-0.0108660.0075850.0000000.0002430.001736从表2对数据的描述性统计的特征可以看出，15只样本基金的收益率最小值均为负数，最大值有四个小于0.01，收益率的平均值全部都很小，几乎为0，表明近四年基金行业的业2021年第4期

54绩整体表现不佳，一定程度也可以看出2015年股灾之后的证券市场一直处于相对萎靡状态，金融行业行情不景气；从标准差来看，从0.001736到0.018641不等，各基金的波动幅度有明显差异。（三）正态性检验建立GARCH模型需要确定其分布特征，在前文中介绍GARCH模型有三种分布包括正态分布、t分布和广义误差（GED）分布，因此假设检验的第一步是确定样本数据的分布特征。常用的正态性检验是Jarque-Bera检验，简称JB检验，通过观察JB统计量进行正态测试，测试大样本是否具有与正态分布一致的偏度和峰度的拟合度。JB统计量是由Carlos󰀁Jarque和Anil󰀁K󰀁Bera共同建立的，其计算公式如下：JBS=+64n2(K−3)2其中，n为样本容量，S为偏度，K为峰度。在正态分布下，偏度为0，峰度为3，因而JB统计量的值为0，如果变量不服从正态分布，则JB统计量是一个逐渐增大的值。下面对15只样本基金进行正态检验，如表3所示：表3：正态性检验Stock󰀁CodeSkewnessKurtosisJ-BProb001410-0.6383095.918104455.26070.000001938-0.6840247.274821904.03600.000110022-0.4381405.721859366.91530.000110011-03525985.897743399.12790.000260108-0.4883436.199686502.23680.000162703-0.9214219.1026041823.6230.000001071-0.3474515.234175245.66490.000519712-1.06392710.834462957.5550.000161903-0.6461388.8420891606.5240.000180012-0.4571825.469100311.09670.000000083-0.6605936.339511578.79160.000002001-0.4100975.449082299.34860.000270002-1.08857610.886813004.0130.000340001-0.8848139.5252562051.2600.000000436-0.6499038.5230851444.7040.000从表3可以看出，15只基金收益率分布的偏度值全部为负值，且都较为显著，说明盈利的概率要小于亏损的概率，样本基金收益率序列左偏明显，展现出长左拖尾的特征；峰度值在5-11之间，均显著大于正态分布的峰度3，结合偏度和峰度来看这15只基金的对数收益率序列具有“尖峰厚尾”的特征。同时，JB统计数的数值最大在3000以上，非常显著，远远超过了5%置信水平下正态分布的标准值，P值均为0.000，拒绝原假设。因此，可以得出这15只样本基金的收益率序列不服从正态分布。（四）平稳性检验GARCH模型要求时间序列数据是平稳的，而通过前人的研究结论可知大多数金融时间序列是不平稳的。因此，本文通过Eviews分别在1%、5%、和10%的置信水平下对15只样本基金的对数收益率进行单位根（ADF）检验，得到15只样本基金的平稳性检验结果如下表4。表4：平稳性检验Stock󰀁Code1%level5%level10%levelT-StatisticProb.*001410-3.436210-2.864016-2.568139-33.305160.0000001938-3.436210-2.864016-2.568139-34.709970.0000110022-3.436210-2.864016-2.568139-33.946570.0000110011-3.436210-2.864016-2.568139-34.755650.0000260108-3.436210-2.864016-2.568139-33.987710.0000162703-3.436210-2.864016-2.568139-34.146250.0000001071-3.436210-2.864016-2.568139-33.867930.0000519712-3.436210-2.864016-2.568139-34.832330.0000161903-3.436210-2.864016-2.568139-34.822110.0000180012-3.436210-2.864016-2.568139-34.939850.0000000083-3.436210-2.864016-2.568139-34.302760.0000002001-3.436210-2.864016-2.568139-33.700520.0000270002-3.436210-2.864016-2.568139-36.483180.0000340001-3.436227-2.864023-2.568143-17.350900.0000000436-3.436210-2.864016-2.568139-30.842300.0000表4中结果显示15只基金的t值都远远小于临界值，并且P值全部为0.0000，远远小于0.01，因此15只样本基金时间序列数据均拒绝1%显著水平下的原假设，即不存在单位根，表明15只基金的日对数收益率序列在各个置信水平下均为平稳的。（五）自相关性检验

合集下载

我国股票型开放式基金资产配置特征——基于DCC—MVGARCH模型的研究

我国股票型开放式基金资产配置特征——基于DCC—MVGARCH模型的研究

２０　１　５　

我国股　票型开　－－一，．＿＿Ｊ　０＿．Ｐ．－　不Ｔ士／ｌ　放式基金资产配置特征　

——基于ＤＣＣ—ＭＶＧＡＲＣＨ模型的研究　

林达　

（湖南大学金融与统计学院，湖南　长沙４１００７９）　

摘要：本文基于ＤＣＣ—ＭＶＧＡＲＣＨ模型计算我国股票型基金指数与股票市场各板块代表性指　

数的动态相关系数，判断股票型开放式基金于各时点在各板块的资产配置特征，并根据系数的变化　

估计基金调仓的情况，分析基金持仓偏好的动态变化。研究结果表明：股票型开放式基金更偏好于　

配置中小板股票和二线蓝筹股，对于大盘股的配置谨慎，对于创业板股票的配置具有较大的波动性；　

当前Ａ股市场使用最为广泛、常被用作业绩比较基准的上证指数有失真的趋势，无法较为全面地反　

映股市的波动和投资者的盈亏。股票型基金的上述持仓特征与我国经济转型、产业升级、股市估值　

体系、行政干预、新股发行制度等因素有密切的关系。　

关键词：投资基金；开放式基金；股票型基金指数；持仓特征；股票指数　

中图分类号：Ｆ８３０．９　文献标识码：Ａ　文章编号：１００７—９０４１－２０１５（８）一００４１—０６　

一、问题的提出　

投资基金，是一种利益共享、风险共担的集合投资制度，它募集投资者的资金，交由专　业的投资经理统一管理，而无需耗费投资者自身精力去打理。其中，开放式基金因其门槛较　

低（一般１０００元便可起投）、申赎较为自由（每个交易日皆可申赎）的优点，规模逐步扩大。　

出于商业保密的需要，基金有权不透露过于详细的操作信息。然而，对股票型基金的投资者　

而言，由于事关自身的财富，且股票投资风险较高，难免想对股票型基金的持仓情况有一定　的了解，加上近年不时爆出的基金老鼠仓、内幕交易等不良事件，进一步引发了投资者的关　

注与担忧。２０１５年初创业板指数快速上涨，再次把股票型开放式基金推上了风口浪尖，因为　

有部分评论家公开批评公募基金创业板仓位过重，抱团持股、变相坐庄，用基民的钱爆炒创　

不同分布下GARCH模型的我国基金风险探究

不同分布下GARCH模型的我国基金风险探究

不同分布下GARCH模型的我国基金风险探究

【摘 要】 由于我国的金融市场还不完善，基金行业机制尚不健全，我国开放式基金面临着多种风险。文章针对我国开放式基金的特点采用定量分析为主的方式，应用计量分析方法建立不同分布下的GARCH模型，同时将VaR方法引入基金的风险度量中。经过比较分析发现，T分布下的模型比正态分布能更好地衡量我国开放式基金的风险，同时发现不同类型开放式基金的风险存在着一定的差异，成长类和价值类的基金风险比平衡类和指数类基金大。希望利用T分布下的VaR—GARCH模型更好地指导投资者和基金管理人员实现对基金的风险控制和预测工作。

【关键词】 开放式基金； VaR—GARCH模型； 风险度量

一、引言

近年来，随着金融全球化和金融创新进程的加快，各类金融产品在品种和规模方面得到了迅速的发展。其中，开放式基金以其特有的优势深受广大投资者的青睐。自我国2001年推出第一只开放式基金——华安创新以来，开放式基金的规模和品种在我国得到了迅速发展。基金的发展与宏观经济的走势密不可分，我国基金市场发展时间尚短，也遇到过种种挫折，例如曾经出现过开放式基金认购规模缩减的趋势，引起了我国相关学者对开放式基金风险的研究。近年来，国家在完善金融市场的同时也希望通过一系列的金融改革来降低此类金融产品的风险。而对于投资者和基金管理人员来说，关注收益的同时如何更好地实现风险控制变得愈发重要。国内目前针对开放式基金特点进行定量分析的研究相对较少，本文在结合我国开放式基金特点的基础上，选取八只不同类型的开放式基金，涵盖成长型、价值型、平衡型和指数型，分别运用基于T分布和正态分布下的VaR—GARCH模型对开放式基金的风险进行分析研究，计算VaR风险价值，并提出合理化建议。

二、文献综述

开放式基金在国外的历史比较长，国外学者对金融资产的风险度量方面做了诸多的研究。Engle（1982）针对金融数据常出现的方差时变性以及尖峰厚尾的情况提出了ARCH模型，并逐步将计量经济的分析方法引入到风险衡量中，受到了广泛的关注。Bali（2007）研究探讨了VaR与传统方法在风险控制方面的差异以及风险与收益的关系。Ortiz（2011）应用极值理论下的VaR模型来跟踪衡量股市风险，证实基于极值理论下的VaR模型比传统的VaR模型能够更加准确地衡量金融风险。Rongda（2013）使用非线性条件下的VaR模型来描述厚尾下的市场风险情况，证明费雪方法比蒙特卡罗模拟法和傅里叶反演方法计算速度更快，效果更好。Fadhila（2013）将VaR的方法引入到最大似然估计中，并证明2009年至2013年应用历史数据模拟得到的VaR风险水平较低，与正常的风险曲线有较小差异。

基于VaR-GARCH模型的开放式基金风险实证分析

基于VaR-GARCH模型的开放式基金风险实证分析

基于VaR-GARCH模型的开放式基金风险实证分析

投资风格不同的开放式基金，其风险程度不同，而高收益对应高风险。本文选取三只不同投资风格的开放式基金，基于广义自回归条件异方差GARCH模型，使用标准t(d)分布拟合方法分别计算各个基金的VaR值，结果表明三只样本基金的收益率序列都具有典型的金融数据统计特征，其中股票型基金风险最大，债券型风险最小，混合型风险居中，说明此模型具有一定的实际意义。

关键词：VaR GARCH模型 开放式基金

研究背景

证券投资基金具有集合投资、利益共享、分散共担、专家管理、流动性强、安全性高等特点，自诞生以来就备受投资者的青睐，对社会经济的发展起到了重要作用。与国外发达国家证券投资基金相比，我国证券投资基金发展时间较短，在风险管理上还存在诸多不规范、不合理之处，蕴藏着较大的风险。

VaR（Value at Risk）的含义是处于风险中的价值，是指在市场的正常波动下，在给定的置信水平下，某一金融资产或者证券投资组合在未来的特定的一段时间内的最大的可能损失。由于VaR模型是按照随机变量的特征，通过随机变量的概率分布来刻画风险概念，并且把全部资产组合风险概括为一个以货币计量单位来表示的简单数字，具有综合性和概括性的优点，目前在金融界得到了广泛的运用，比如在基金风险管理中VaR就起到了很大作用。

VaR是描述一定目标时段下资产（或资产组合）的损益分布的分位点。如果我们选择置信水平为p，则VaR是对应损益分布的上p分位点。从统计角度上讲，VaR的定义如下：

（1）

其中，△p代表资产（或资产组合）在持有其△t内的损失，VaR（α）表示置信水平α下的VaR值。例如，在95%的置信水平下，VaR（95%）对应于损益分布上的累计概率不超过5%的那一点。

在计算VaR时，常假设收益率服从某一特定分布，而最常见的是正态分布，然后根据这一分布的统计特征，如期望、方差，再进一步计算VaR，这种方法比较大的缺陷是，其暗含假设现在的收益变化与过去的收益变化一样等等。相反，在金融时间序列中，现在的收益变化与过去的收益变化往往是不一样的，常常会出现某一特征的值成群出现的情况，即一次大的波动后伴随着较大幅度的波动；

基于VaR—GARCH模型对交易型货币基金风险的实证研究

基于VaR—GARCH模型对交易型货币基金风险的实证研究

龙源期刊网

基于VaR—GARCH模型对交易型货币基金风险的实证研究

作者：郑荻 牛慧 万冬瑾

来源：《现代经济信息》2016年第10期

摘要：本文分别在正态分布、t分布和GED分布三种不同的假设条件下通过GACRH（1，1）模型，对我国市场中现有的七只交易型货币基金收益率的波动性进行分析，并建立一个基于GARCH模型的VaR计算方法，对我国交易型货币基金的风险进行估计，再利用失败概率对VaR估计结果的准确性进行返回检验，最终发现基于GED分布下的VaR-GARCH模型更能真实地反映基金风险。

关键词：交易型货币基金；VaR-GARCH模型；风险度量

中图分类号：F822 文献识别码：A 文章编号：1001-828X（2016）010-000-04

一、引言

自2012年我国首只交易型货币基金华宝添益成立以后，目前我国市场共有七只交易型货币基金。交易型货币基金是近年来金融市场上的创新产品，相关领域的研究尚不完善，随着交易型货币基金的迅速发展，其投资风险日益显露，因此建立合适的模型对交易型货币基金的风险进行度量十分必要。

在对基金风险的研究中，目前多数学者用基金收益率的波动来刻画基金风险。在研究波动规律时，通常用方差或者标准差数据进行计量，自回归条件异方差模型最早在1982年由外国学者Engle提出，后经Bollerslev发展形成GACRH模型，现被广泛应用于波动性的分析与预测，特别是用在金融时间序列的研究中。

二、研究方法

在分析金融时间序列时，通常会遇到数列的方差具有时变性的现象，即在某段时间内收益率的波动在某一特征值附近成群出现，在统计学角度称该序列存在异方差现象。为了更好地体现出这种波动集聚效应，广义自回归条件异方差（GARCH）模型被广泛应用于金融时间序列数据的分析。本文拟采用VaR模型来刻画交易型货币基金的投资风险，考虑到收益率时间序列可能存在尖峰厚尾和波动成群等现象，在计算VaR过的程中，本文将引入GARCH模型，建立一个基于GARCH模型的VaR计算方法，从而对我国交易型货币基金的风险进行更为准确的估计。