关注公众号卧新实验室,并回复关键数字获取本文帮助文档。例如:20001
在金融市场上,金融机构的风险不仅受其自身因素的影响,还受其他金融机构风险的冲击,这种机构之间的风险波动传导机制即为风险溢出效应,然而,传统的度量风险的主流方法VaR(在险价值)只能衡量机构自身的风险,却无法捕捉到风险溢出效应的影响。在08年危机之后,VaR方法受到了人们的责备和质疑,而Adian和Brunnermeier于2009年提出的CoVaR方法,为风险管理实践提供了新的思路。
条件风险价值(CoVaR)能够很好地度量风险溢出效应,是度量系统性风险的有效指标之一。计算CoVaR有多种方法,其原理不尽相同,需要合理选用方能有效评估系统性风险:
① 分位数回归法;② Copula函数法;③ DCC-GARCH模型。
这三种方法是比较典型的三种方法。本文从不同的几个案例对这三种计算方法分别做了研究和测算了CoVaR。
一、分位数回归法
由于现实中的金融数据往往不呈正态分布,而是呈“尖峰厚尾”分布,因此传统的线性回归方法在估计金融计量模型时失效。而且,传统的线性回归方法是基于均值进行估计,不能准确反映总体分布各个不同部分之间的关系。分位数回归的提出有效地弥补了传统线性回归的这一缺陷。
分位数回归根据变量的不同分位数进行回归,可以得到全部分位数的回归模型。它将基于均值相关性的模型扩展至关注尾部相关性。而金融风险一般恰恰是由尾部事件(tail event)引起的,因此,分位数回归的方法广泛应用于金融风险的测度。
同时与普通的回归估计方法不同的是,分位数回归模型特别适用于存在异方差性的模型,能够更加细致地刻画条件分布。并且它对分布的假设要求不高,估计量也不易受到异常值的影响,参数估计结果比最小二乘估计更加有效、稳健。
根据CoVaR(条件风险价值)的定义,不难发现CoVaR本质上是VaR,而VaR本质上是一个分位数,因此CoVaR实际上也是一个分位数(条件分位数)。通过设定相应的置信水平,利用回归技术就可以得到线性关联关系下金融机构i风险价值对应的系统性风险价值。