下载文档原格式
基于GARCH-VaR和GARCH-CVaR模型的货币基金产品风险研究【摘要】本文基于GARCH-VaR和GARCH-CVaR模型对货币基金产品风险展开研究。
在分析了研究背景、研究意义以及研究目的。
接着在介绍了GARCH模型、VaR模型和CVaR模型的原理，然后分别探讨了基于GARCH-VaR模型和GARCH-CVaR模型的货币基金产品风险研究。
通过模型的运用和分析，可以更全面地了解货币基金产品的风险特征及波动情况，从而为投资者提供更加准确的风险评估和决策依据。
最后在结论部分总结了研究结论，并展望了未来可能的研究方向。
本研究有助于提高投资者对货币基金产品风险的认识，并为风险管理提供新的思路和方法。
【关键词】GARCH模型, VaR模型, CVaR模型, 货币基金产品, 风险研究, 研究背景, 研究意义, 研究目的, 研究结论, 研究展望, 结尾1. 引言1.1 研究背景货币基金是一种投资于短期债券、票据和其他高流动性投资工具的理财产品，通常被认为是低风险的投资选择。
金融市场的波动性和不确定性使得货币基金面临各种风险，包括市场风险、信用风险和流动性风险等。
对货币基金产品进行风险评估和管理显得尤为重要。
在过去的几十年中，金融市场风险管理领域已经出现了许多量化风险模型。
基于GARCH（广义自回归条件异方差）的风险模型被广泛应用于金融市场风险的测量和预测。
价值-at-风险（VaR）和条件风险（CVaR）作为两种重要的风险度量指标，也被广泛应用于金融风险管理领域。
基于GARCH-VaR和GARCH-CVaR模型对货币基金产品的风险进行研究，能够有效地评估货币基金产品在不同市场环境下的风险水平，帮助投资者更好地了解和管理其投资组合的风险暴露。
本研究旨在探讨如何运用GARCH-VaR和GARCH-CVaR模型对货币基金产品的风险进行量化分析，为投资者提供更科学的风险管理指导。
1.2 研究意义通过对货币基金产品的风险情况进行研究，可以帮助投资者更好地理解和把握货币基金产品的风险水平，从而更加科学地进行投资决策，降低投资风险。
MATLAB中基于GARCH模型对股票指数的拟合与预测引言股票市场作为金融领域的重要组成部分，对经济发展起着重要的促进作用。
股票指数的波动情况直接反映了市场的风险状况，因此对股票指数的拟合与预测成为了投资者和决策者关注的重要问题。
而Generalized Autoregressive Conditional Heteroskedasticity （GARCH）模型，作为股票市场波动性预测的重要工具，可以有效地对股票指数的波动性进行建模和预测。
本文将介绍在MATLAB环境下使用GARCH模型对股票指数进行拟合与预测的方法和步骤。
一、GARCH模型简介GARCH模型是由Engle（1982）提出的一种用于描述时间序列波动性的模型，其主要思想是将波动性建模为过去的波动项和过去的波动性的函数。
GARCH模型可以被表示为：\[ \sigma^2_t = \omega + \alpha \epsilon^2_{t-1} + \beta \sigma^2_{t-1} \]二、股票指数数据的获取与预处理在MATLAB环境中，可以利用Datafeed Toolbox获取股票指数的历史数据。
假设我们以上证指数为例，可以使用以下代码获取上证指数的历史收盘价数据：```% 设置获取股票指数数据的参数c = ctp('datafeed');instrument = '000001.SH'; % 上证指数代码startdate = '01-Jan-2020'; % 起始日期enddate = '31-Dec-2020'; % 截止日期获取到的数据包括日期、开盘价、最高价、最低价、收盘价等信息。
在使用GARCH模型进行拟合和预测之前，还需要对股票指数数据进行预处理，包括对收盘价数据进行对数化处理以及计算股票指数收益率序列等操作。
```% 对收盘价数据进行对数化处理close_price = data.Close; % 获取收盘价数据log_close_price = log(close_price); % 对收盘价数据进行对数化处理% 计算股票指数的日收益率序列returns = diff(log_close_price); % 计算对数收盘价的一阶差分，得到日收益率序列```在MATLAB环境中，可以使用Econometrics Toolbox中的garch函数来对股票指数的收益率序列进行GARCH模型的拟合：```% 设置GARCH模型参数Mdl = garch('GARCHLags',1,'ARCHLags',1,'Distribution','Gaussian');% 拟合GARCH模型EstMdl = estimate(Mdl,returns);```通过上述代码，可以得到拟合好的GARCH模型EstMdl，其中包括了模型的参数估计结果以及残差序列的条件方差序列等信息。
浅析基于GARCH-VaR模型的股指期货风险度量实证研究【摘要】本文针对我国股指期货的风险问题进行了实证与规范研究。
在总结了国内外关于股指期货风险度量与控制文献的基础上，综合阐述了VaR三种常见的计算方法。
鉴于收益率通常存在尖峰厚尾的特点，本文重点应用基于GARCH模型的VaR方法，对沪深300股指期货IF1106合约进行风险度量的实证研究，计算出VaR值，并做了可靠性检验。
分析结果表明基于GARCH模型的VaR方法适用于我国股指期货的风险管理。
【关键词】股指期货；GARCH模型；VaR方法；风险度量；尖峰厚尾1.引言自从1982年2月16日堪萨斯期货交易所推出了第一张股指期货合约——价值线股指期货以来，在短短的20多年间，以其独特的魅力和成功的运作，被世界许多国家所接纳，成为国际金融市场上最活跃的期货品种之一。
我国的证券期货市场形成较晚，因而我国迄今尚未真正领略到股指期货的风光。
1993年海南省对股指期货小试牛刀，却因诸多原因而不幸破产。
2008年推出的以沪深300指数为标的股指期货给了我们宝贵的经验。
2010年4月16日我国的股指期货正式推出，开辟了我国衍生品市场的新领域。
股指期货的推出让我们欢欣鼓舞，可是现在中国金融市场相对比较封闭，股指期货作为一种金融衍生产品和一种风险管理工具，在发挥套期保值、对冲风险等作用的同时，也引发过巨大的灾难：巴林银行的倒闭、我国的327国债风波及海南股指期货试点的流产。
这不得不引发我们的深思，在发挥这些金融衍生产品积极作用的同时，如何发现其带来的市场风险并通过监管防范控制。
1.1 研究意义在金融全球化和自由化的背景下，金融衍生工具的应用以及金融机构业务范围、业务品种的不断扩大，使得市场之间的联系也越来越密切，让投资者所面临的风险更为广泛、复杂且难以被全面的衡量和掌握。
股指期货作为一种金融衍生产品和一种风险管理工具，在发挥套期保值、对冲风险等作用的同时，也具有杠杆效应以及由此而产生的高风险特性，如果运用不当的话，将会造成巨大的灾难。
基于GARCH-VaR模型的股票市场风险估计基于GARCH-VaR模型的股票市场风险估计概述随着股票市场不断发展壮大，投资者对于市场风险的关注度也越来越高。
风险估计是投资决策中至关重要的一个环节，对于投资者来说，了解当前市场的风险水平，有助于制定合理的投资策略和管理风险的方法。
本文将介绍一种被广泛应用于股票市场的风险估计模型——基于GARCH-VaR模型的方法，并探讨其原理、应用以及优缺点。
一、GARCH模型的原理GARCH模型（Generalized Autoregressive Conditional Heteroskedasticity Model）是一种用于描述金融资产收益率波动性的经济计量模型。
它的基本思想是通过对条件异方差进行建模，从而更准确地估计资产收益率的波动性。
GARCH模型主要包含两个方程：平均方程和波动方程。
平均方程用来刻画资产收益率的均值，通常选择AR （AutoRegressive）或者ARMA（AutoRegressive Moving Average）模型。
这些模型能够很好地刻画资产收益率的自回归特征，也较好地解决了资产收益率序列相关的问题。
波动方程则用来描述资产收益率的条件异方差。
GARCH模型假设资产收益率的波动性与历史波动性以及残差的平方成正比。
以GARCH（1，1）模型为例，方程形式如下：```σ²(t) = α₀ + α₁e²(t-1) + β₁σ²(t-1)```其中，σ²(t)表示第t期的条件异方差，α₀、α₁、β₁为参数，e²(t-1)代表第t-1期的残差平方。
二、VaR模型的原理VaR（Value at Risk）是一种用于衡量投资组合或资产风险的指标。
它描述了在一定置信水平下，某个时间段内的损失可能达到的最大值。
VaR模型的基本思想是通过建立投资组合或资产的收益率分布函数，然后在该分布上计算出置信水平下的损失阈值，该阈值即为VaR。
基于CVaR-EGARCH模型的保险资金投资风险分析
舒金兰; 李加明
【期刊名称】《《中国证券期货》》
【年(卷),期】2012(000)009
【摘要】本文基于EGARCH模型和GED分布下的CVaR模型对保险资金投资风险进行度量,实证测算了八只股票的个股及投资组合的绝对值和相对值,描述了各自的极端损失状况;金融机构可以根据个股值和组合值,设置风险资本或提取风险准备金,从而有效地监控潜在的极端损失。
【总页数】2页(P54-55)
【作者】舒金兰; 李加明
【作者单位】安徽财经大学金融学院安徽蚌埠 233030
【正文语种】中文
【相关文献】
1.我国保险资金投资的风险分析 [J], 赵晓彤
2.保险资金投资证券化产品的价值及风险分析 [J], 步倩
3.基于VaR模型中国保险资金投资风险的度量 [J], 赵玮
4.保险资金投资证券市场的风险分析 [J], 王凯
5.保险资金投资不动产的机遇与风险分析 [J], 谢青
因版权原因，仅展示原文概要，查看原文内容请购买。
基于GARCH—VaR模型对股市风险研究股市风险是指股票和股票投资基金价格波动程度的不确定性和严重性。
股市风险是目前金融领域的一项永恒主题，因为高度波动的股价是金融市场最引人注目的东西之一，它可以产生高收益，但也带来了巨大的风险。
因此，股票投资者和市场分析师需要一种强大的风险管理工具来识别并测量股市风险，从而更好地保护他们的投资组合。
本文基于GARCH（Generalized Auto Regressive Conditional Heteroskedasticity）-VaR（Value at Risk）模型研究股市风险。
GARCH模型是一种常用于资产价格波动性建模和风险测量的时间序列模型。
它可以估计在不同市场和资产条件下波动性的变化，并预测未来价格的波动性。
VaR是对资产价格下降可能性进行度量的一种方法。
VaR表示在市场风险出现时，某个特定的资产、投资组合或资产类别在给定置信水平下所出现的最大损失。
因此，VaR可以用来确定资产价格下跌的风险大小。
本文使用历史模拟法计算VaR，历史模拟法基于历史价格数据，通过对每个在过去相同时间段内的价格变化计算预测。
随着时间的推移，历史模拟法可提供一组有关资产价格波动性的预测，并将这些预测应用于确定最小可能损失，即VaR。
GARCH模型和VaR模型的组合可以通过评估股票价格的波动性和可能损失来提高风险管理能力。
它们可以帮助投资者识别和管理股市风险，从而更好地保护他们的投资组合。
本文将使用这些模型来研究股市风险并识别风险最大的股票。
在股市风险研究中，数据的选择至关重要。
为了应用我们的GARCH-VaR模型，我们需要市场数据。
我们将使用美国标准普尔500指数的日收盘价数据，时间跨度为2012年1月1日至2021年1月1日。
对这些数据进行统计分析，确定历史价格变化的波动性，建立GARCH模型，估算未来价格的波动性，并使用历史模拟法计算VaR值。
在我们的分析中，我们假设有一个基于S&P500指数的股票投资组合，该组合保持上市公司股票和ETF的权重。
基于GARCH模型的我国股市风险分析
股市风险是指股票价格的波动性和不确定性，投资者在股市中面临的风险。
风险分析对于投资者合理评估风险并做出投资决策至关重要。
基于GARCH模型的股市风险分析是一种常用的方法，它可以通过对股票价格波动的建模来预测未来的股票价格波动情况。
GARCH模型是基于ARCH模型（自回归条件异方差模型）的扩展，主要用于描述时间序列的波动，并不仅仅限于股市。
GARCH模型包含一个条件异方差项，用来捕捉股票价格波动的自相关特征。
通过对股票价格历史数据进行建模分析，可以估计出模型中的参数，并预测未来的股票价格波动。
我国股市风险分析可以基于GARCH模型进行。
需要收集股票价格的历史数据，通常包括每日的收盘价或每周的收盘价。
然后，根据历史数据计算出股票价格的波动率，作为GARCH模型的输入变量。
接下来，使用最大似然估计方法估计模型的参数，并进行模型拟合。
利用估计的模型，可以进行未来股票价格波动的预测和风险分析。
GARCH模型的输出结果包括条件异方差项的系数和波动率的预测。
系数可以用来判断股票价格波动的自相关特征，以及预测未来的波动模式。
波动率的预测可以反映出未来股票价格的波动情况，进而帮助投资者评估股市的风险。
除了基于GARCH模型的股市风险分析，还可以结合其他方法进行综合分析。
可以结合股票价格的历史数据和基本面分析，来评估股市的风险。
基本面分析包括公司财务状况、市场竞争状况等因素的考虑，可以提供更全面的风险评估。
中国股票市场风险价值分析——基于GARCH模型的测度方
法
刘明
【期刊名称】《发展》
【年(卷),期】2010(000)007
【摘要】以中国股票市场为研究对象,运用GARCH模型计算沪深两市指数的条件异方差,进而测度其风险价值,有较好的测算效果.测算结果发现:2006年8月至2010年4月近4年中股市风险在2008年的1、2两月最大;总体上深市风险高于沪市风险.
【总页数】2页(P100-101)
【作者】刘明
【作者单位】兰州商学院统计学院
【正文语种】中文
【相关文献】
1.基于GARCH-CVaR模型的开放式股票型基金的市场风险度量研究 [J], 姚凤阁;刘超群;张蒙
2.基于GARCH模型的股票市场风险度量 [J], 柯希均
3.基于GARCH-VaR模型的股票市场风险度量与预测分析——以新能源行业为例[J], 曾忠东;李萍
4.基于t—Copula—GARCH—t模型的中国股票市场风险分析 [J], 熊健;王丽
5.基于GARCH-VaR模型对股票市场风险价值及风险溢出的研究 [J], 魏鹏乘
因版权原因，仅展示原文概要，查看原文内容请购买。
□财会月刊·全国优秀经济期刊基于CVaR-GARCH-GED模型的股指期货风险预测王丽娜（博士）张丽娟（博士）（上海立信会计学院上海201620上海大学房地产学院上海200444）【摘要】本文以我国沪深300指数期货合约（IF1012）的日收益率为样本进行实证分析，结果表明：建立在GARCH-GED模型基础上的CVaR预测收益率涨跌变化与原始收益率的变化趋势一致；CVaR准确性检验说明CVaR预测收益的准确性在95%的置信水平下是显著的，能够比较准确地预测风险。
【关键词】股指期货CVaR方法CVaR-GARCH-GED模型一、研究背景股指期货是全球增长最快的金融衍生品，其在国际资本市场的风险管理过程中日益发挥着重要的作用。
我国股指期货的推出可以在很大程度上优化投资者的资产组合，有效规避股票市场的系统性风险，并促进资本市场的发展，但是股指期货本身也会给金融市场带来一定的风险。
近年来，关于股指期货的风险管理、定价机制、套期保值、期货与现货关系等问题已成为学术界和实务界关注的热点。
其中，较多研究集中于股指期货的风险预测、控制和规避。
股指期货的风险来源广泛，而且具有放大性和连锁性的特点。
然而，运用一定的统计资料和工具可以较为准确地预测股指期货的风险，并达到规避和减小风险的目的。
陈晓杰（2008）应用股指期货无套利区间定价模型对沪深300股指期货仿真交易定价进行实证检验，结果发现股指期货仿真交易存在较为严重的实际价格与无套利价格背离现象。
魏宇（2010）以沪深300股指期货仿真交易的5分钟高频数据为例，运用基于日收益数据的历史波动率模型和基于高频数据的已实现波动率模型对股指期货波动率进行刻画和预测，实证结果显示：已实现波动率模型以及加入附加解释变量的扩展随机波动模型的预测精度较高。
虽然波动性对其衡量指标具有高度敏感性，但是波动性衡量指标研究的假设前提是期货与现货市场价格变化同方差。
然而，实证研究表明，市场价格的收益率为异方差。
因此，以异方差为假设前提的实证分析结果就会存在很大的误差。
目前，许多学者普遍采用VaR方法度量金融市场风险。
由于VaR方法可以全面地衡量包括利率风险、汇率风险、股票和商品价格风险以及金融衍生品风险在内的各种市场风险，能够较为精确地计算交易风险的数值，并通过设置VaR 限额来有效防止过度投机，同时能够较好地弥补传统金融风险管理工具中敏感性和波动性分析精确度较低的缺陷，从而大大提高了风险管理系统的科学性。
1993年VaR方法正式被引入市场风险管理，现今VaR方法作为市场风险管理的方法迅速普及，其概念也进一步明确。
而且，VaR方法日益发展并形成一个体系，由其经典模型方差—协方差法、历史模拟法到蒙特卡罗模拟法。
国外研究者大多着眼于VaR方法作为风险计量和市场风险监管的作用，而国内大量文献更为关注VaR方法在绩效评估、投资组合优化、金融机构竞争力评价体系的构建等方面的作用。
虽然VaR方法有广泛的应用价值，但VaR方法本身也存在一定的局限性。
首先，风险度量方法往往要求满足正齐性、次可加性、单调性及传递不变性。
当金融资产的收益率呈正态分布时，VaR方法是齐次可加的，此时尾部损失估计也是充分的。
然而大量的实证研究表明，金融资产回报的波动不符合正态分布，呈现尖峰、厚尾、丛集性和非对称性等特征。
在VaR方法的应用过程中，如果没有充分考虑金融序列数据非正态分布的特征，就会影响风险预测模型的精确度。
可见，正态分布的前提极大地限制了VaR方法在投资组合中的应用范围。
而且，VaR方法计算的是资产组合损失分布的一种百分数，不能推算出超过了VaR度量损失的真实损失的可容忍性。
其次，由于VaR不能表示出临近的不利事件的发生，因此VaR方法不能起到预警作用。
再次，VaR在进行投资组合优化时不能表示为各种组合资产头寸的函数，因而无法对资产组合进行直接优化。
最后，由于金融工具和证券组合的复杂性给市场风险的估计带来很大困难，因此VaR的统计计算必须运用各种近似方法，从而必然产生更大的误差。
为了弥补VaR方法的缺陷，Rockafeller和S.Uryasev于2000年提出CVaR方法。
CVaR方法可以测算在一定的置信水平下，某一资产或资产组合的损失超过VaR的尾部事件的期望值。
同时，CVaR模型可以用来测量客户的总体风险。
一方面，CVaR可以帮助投资者了解目前市场风险的大小，在交易之前判断交易时机是否恰当，如果CVaR值比平日大，则表示当日进场所承担的机会成本较大；另一方面，对于已拥有期货头寸的投资者而言，CVaR可以帮助投资者了解目前所承担的风险是否已超过可容忍的限度。
CVaR的计算要求尽□·56·2010．11下旬全国中文核心期刊·财会月刊□可能准确地刻画金融市场收益率的分布。
目前，国内股指期货风险管理的实证研究大多采用沪深300股指期货仿真交易的数据。
由于仿真交易不可能实现期货与现货的无风险套利，而且仿真交易中投资者操作的随意性较大，风险控制水平低，则价格往往会被高估。
所以，仿真交易的价格存在一定的“估值偏差”。
本文选择沪深300指数期货合约（IF1012）的日收益率真实数据作为研究对象，利用CVaR-GARCH-GED 风险度量模型预测股指期货收益率变动，从而提高了分析的准确性，使结论更具说服力。
另外，条件异方差自回归（GARCH ）模型可以很好地刻画股指期货收益率序列“波动集群”的特征。
针对序列分布尖峰厚尾的特征，采用正态分布尾部太薄，会低估风险；但t 分布尾部又太厚，则会高估风险。
那么，广义误差分布（GED ）比较符合股指期货收益率的分布特征。
本文的实证分析表明，建立在GARCH-GED 模型基础上的CVaR 预测收益率涨跌波动与原始收益率的变化趋势一致。
CVaR 准确性检验说明，CVaR 预测收益的准确性在95%的置信水平上显著，能够准确地预测风险。
二、CVaR-GARCH-GED 模型描述CVaR-GARCH-GED 模型采用CVaR 方法预测风险，将GARCH 模型的预测功能和CVaR 预测风险的方法相结合，并将GED 模型引入GARCH 模型中来，可以有效解决股指期货收益率序列尖峰厚尾的问题，使风险价值的预测更加准确、合理。
CVaR 方法主要测算的是在一定的置信水平下，某一资产或资产组合的损失超过VaR 尾部事件的期望值。
CVaR 的数学公式可以定义为：CVaR=-f （w ）wdw 其中，α为某一置信水平，w 为资产或资产组合的价值，f （w ）为概率密度函数，VaR α为置信水平下α的风险值。
如果用c 表示对应于某一置信水平α的分位数，用x 表示大于c 的分位数，那么我们可以将CVaR 的表达式进一步写为：CVaR=E ［P t-1x σt ｜P t-1x σt ＞P t-1c σt ］=P t-1σt E ［x ｜x ＞c ］=P t-1σt E ［-x ｜-x ＞-c ］=P t-1σt 其中，P t-1是t-1日的结算价格，σt 为时变方差，f （x ）为收益率序列所服从分布的密度函数，c 为某一置信水平下的分位数。
在GED 分布条件下，CVaR 的计算公式为：CVaR=上述广义误差分布（GED ）的密度函数如下：f （x ，υ）=其中，λ=［2（-2/v ）Γ（1/υ）/Γ（3/υ）］1/2，λ为尾部厚度参数。
当υ＞2时，GED 为厚尾分布；当υ＜2时，GED 为瘦尾分布；当υ=2时，GED 为正态分布。
GED 分布下的GARCH （p ，q ）模型为：r t =μ+εt ，εt =y t σt ，y t ~N （0，1）εt ｜I t-1~GED （0，，v ）=α0+αi +βj 其中：r t 为收益序列；μ为收益的无条件期望值；为方差序列；εt 为残差；αi 为滞后参数；βj 为方差参数。
α0＞0，αi ＞0，βj ≥0，（αi +βj ）＜1，I t 为t 时刻的信息集，残差εt 由独立同分布的随机变量y t 与σt 组成，且两者相互独立，εt 的条件方差为。
CVaR 模型的准确性检验采用Kupiec （1995）提出的失败频率检验法。
假定CVaR 的估计值具有时间独立性，实际损失超过CVaR 的估计值记为“失败”，实际损失低于CVaR 的估计值记为“成功”，则失败观察的二项式结果代表了一系列独立的贝努里实验，失败的期望概率为：p *=1-p假定计算VaR 的置信度为C ，实际考察天数为T ，失败天数为N ，则失败频率为p （N/T ）。
零假设为：p *=p根据Kupiec （1995）可知，对零假设最合适的检验是似然比率检验。
LR＝-2Ln ［（1-p *）T-N p *N ］+2Ln ［（1-p ）T-N p N ］在零假设条件下，统计量LR 服从自由度为1的分布。
三、数据和样本的基本统计分析本文选用的是沪深300指数期货合约（IF1012）从2010年4月16日~2010年6月30日每个交易日收盘价的连续数据。
本文所有数据来源于中国金融期货交易所网站。
本文采用Eviews6.0软件和Mathematic5.0软件对样本数据进行处理。
首先，选取每日收盘价记作P t ，再求对数收益率R t =LnP t -LnP t-1，最后得到均值修正后的对数收益率：y t =R t -R其次，通过沪深300指数期货合约（IF1012）连续收益率的时序图（图1）可知，股指期货收益率序列存在丛集性效应，即一次大的波动后伴随着较大幅度的波动，一次较小的波动后伴随着较小幅度的波动。
0.060.040.020-0.02-0.04-0.06-0.084/164/204/224/264/284/305/065/105/125/145/185/205/245/265/286/016/036/076/096/116/216/236/256/29图1沪深300指数期货合约（IF1012）连续日收益率的序列∫-c -∞P t-1σt 1-a x dx vexp ［-1/2｜x/λ｜v ］λ2（v+1）/v Γ（1/υ）vexp ［-1/2｜x/λ｜v ］λ2（v+1）/v Γ（1/υ）σ2t σ2t ε2t-i 蒡p i=1蒡qj=1σ2t-jσ2t 蒡max （p ，q ）i=1σ2t 11-a∫-VaR α-∞∫-c-∞-xf （x ）dx f （x ）dx ∫-c-∞2010．11下旬·57·□□财会月刊·全国优秀经济期刊再次，本文利用Eviews6.0软件进行样本数据的基本统计特征的描述和检验，具体结果见表1：在正态分布的假设下，S（偏度）=0，K（峰度）=3，J-B≈X2（2）。
