(5.30) -0.0588

　　(-2.66) -0.0669

　　(-3.17) -0.0618

(-2.99) 0.0000

　　(1.59) 0.0000

　　(1.55) -0.1725

(-3.32) 0.3673

　　(6.88) 0.4196

　　(6.09) 0.5412

(8.19) -0.3498

　　(-6.86) -0.3210

　　(-5.03) -0.4191

(-5.35) 1.5360

　　(23.11) 1.1910

　　(8.38) 1.3014

(8.72) -0.5506

　　(-8.75) -0.2468

　　(-1.93) -0.3075

(-2.08) -- -0.0703

　　(-2.53) 0.1047

　　(3.84) GED PARAMETER 1.165

　　(24.06) 1.142

　　(24.83) 1.185

　　(24.11) 持续性 1.0029 1.2193 1.1160 对数似然函数值 7640.734 7643.396 7658.534 注：括号内的数字为Z统计量。

　　从表6-表8中模型的估计结果来看，各模型的参数在5%的显著性水平下均显著。对各模型的残差分别做序列相关性Ljing-Box检验和异方差效应的LM检验，发现其序列相关性和条件异方差效应均得到有效消除，所以上述各模型均能够较好地反映同业拆借利率序列的自相关性和异方差现象，进而充分刻画同业拆借利率的波动特性。

　　对比表6-表8中的对数似然函数值，我们发现t-分布下和GED分布下模型的对数似然函数值明显大于正态分布下的对数似然函数值，说明t-分布下的模型和GED模型下的模型可以更好地捕捉序列的尖峰厚尾特性。另外，在表8中，GED分布下各模型估计的尾部参数(GED PARAMETER)的值大约在1.15左右，显著小于2，也说明同业拆借利率序列不服从正态分布， GED模型可以较好地捕捉其尖峰厚尾现象。

从表6-表8中各模型非对称参数的估计结果及其显著性来看，同业拆借利率序列存在显著的非对称效应。在表6中，TGARCH(5，5)-n模型的非对称性参数显著存在，说明同业拆借利率的波动具有非对称杠杆效应，而且利率在向上变动时的波动性要大于利率向下变动时的波动性：当出现一阶“利好消息”时()，会给利率波动带来0.3957倍的冲击，而当一阶“利空消息”出现时()，会给利率波动带来0.339=(0.3957-0.0567)倍冲击。在EGARCH(3，2)-n模型中，利率向上变动时的波动幅度为0.6324=(0.5379+0.0945)，而利率向下变动时的波动幅度为0.4434=(0.5634-0.2937)。从表7和表8中的估计结果同样可以看出，各模型的非对称性参数显著存在，且TGARCH中,EGARCH中。这说明我国银行同业拆借市场存在非对称效应，而且这与一般的杠杆效应描述的坏消息对市场冲击更大的现象相反，银行同业拆借市场好消息对市场冲击更大，存在明显的乐观投资情绪，我们称之为反杠杆效应。这与李成、马国校在《VaR模型在我国银行同业拆借市场中的应用研究》(2005)得出同业拆借市场是否存在杠杆效应不明确的结论不同。

　　从表6-表8中的结果中我们还可以发现所有模型的条件方差中存在一定的持续性，即ARCH项和GARCH项系数之和略大于1(1.0到1.20之间)，这与GARCH模型所隐含的平稳性条件要求ARCH项和GARCH项系数之和小于1不一致，它会导致残差呈指数型增长。国际上的同类研究也发现利率数据具有这样的特点，如Glosten L.R等(1993)对美国国库券收益率的研究，发现参数之和为1.03;Kees Nissen等(1997)研究了一个月美国国库券收益率，得到参数之和为1.10，与我们利用7天期信用拆借率序列的到持续性很接近。

　　(四)VaR值的估计结果

运用EViews6.0求取表6-表8中各模型的条件均值和条件方差的向前一步预测值和，再利用VaR计算公式(6)和(7)，在95%的置信度下，计算同业拆借利率的日均VaR值。在样本区间内实际损失超过VaR的天数和为失败天数，进一步利用公式(8)可以计算LR统计量并进行模型回顾测试。

　　表9-表11是各模型估计的VaR均值和标准差，以及用回顾测试方法得到的结果，包括失败天数、失败率及其似然比统计量LR。多头头寸的VaR均值和标准差可参照空头头寸推算，在此略去。

表9 正态分布假设下各模型VaR值的统计结果 Model 置信度(%) 空头头寸VaR 多头头寸VaR VaR均值 VaR标准差 失败天数 失败率(%) LR统计量 失败天数 失败率(%) LR统计量 AR(6)-GARCH(3,3) 95 0.0275 0.0108 84 5.54 0.82 46 3.03 14.55 AR(6)-TGARCH(5,5) 95 0.0276 0.0109 86 5.67 1.29 58 3.82 4.94 AR(6)-EGARCH(3,2) 95 0.0273 0.0104 84 5.54 0.82 43 2.83 17.90 注：LR统计量服从分布，在5%的显著性水平下的分位数为3.841。LR统计量的值越小，越不能拒绝VaR模型是正确的原假设，说明该模型的预测越精确，用方框框起来的LR统计量表示相应的模型通过了回顾测试(下同，在以后的统计结果中不再重复注解)。

　　表10 t-分布假设下各模型VaR值的统计结果 Model 置信度(%) 空头头寸VaR 多头头寸VaR VaR均值 VaR标准差 失败天数 失败率(%) LR统计量 失败天数 失败率(%) LR统计量 AR(6)-GARCH(2,2) 95 0.0275 0.0110 92 6.07 3.26 54 3.03 7.51 AR(6)-TGARCH(2,1) 95 0.0275 0.0109 100 6.60 7.19 54 3.82 7.51 AR(6)-EGARCH(3,1) 95 0.0271 0.0103 95 6.27 4.57 55 2.83 6.82 表11 GED分布假设下各模型VaR值的统计结果 Model 置信度(%) 空头头寸VaR 多头头寸VaR VaR均值 VaR标准差 失败天数 失败率(%) LR统计量 失败天数 失败率(%) LR统计量 AR(6)-GARCH(2,2) 95 0.0276 0.0111 87 5.74 1.56 48 3.17 12.54 AR(6)-TGARCH(22) 95 0.0276 0.0112 90 5.94 2.51 50 3.30 10.70 AR(6)-EGARCH(2,2) 95 0.0273 0.0105 83 5.47 0.63 53 2.84 17.90 从表9-表11的统计结果来看，对于空头头寸持有者(资金拆出者)来说，各种模型计算得到的VaR值并无明显差异，约为0.027左右，并没有发现以往一些学者得出的t-分布下VaR值估计过于保守的结论，这可能与t分布分位数标准化过程及选取数据的样本区间有关。从VaR估计的标准差而言，用EGARCH模型最小，GARCH和TGARCH相差不大。EGARCH类模型计算的VaR值相对稳定，估计VaR值时可优先选择EGARCH类模型。

 5/6   首页 上一页 3 4 5 6 下一页 尾页