大數據背景下金融市場風險度量方法探討

李井

[提要] 隨著大數據時代的到來，金融市場瞬息萬變，金融風險的防范更加重要。本文介紹VAR相關理論和大數據條件下金融市場風險度量方法，探討大數據背景下現有市場風險度量方法存在的不足，結合大數據的特點和已有研究成果，對大數據時代金融市場風險測度方法的研究前景進行展望。

關鍵詞：大數據；VAR；風險度量

中圖分類號：F83 文獻標識碼：A

收錄日期：2017年10月9日

一、引言

所謂金融風險，是指受到數個不確定因素的影響而使得最終的投資結果不確定。為了在面對風險時能很好地做出防御措施，就要進行風險管理。風險管理的第一步就是要進行風險度量，即需要對風險的大小進行量化或度量。科學有效的金融風險度量方法不僅對經濟主體規避潛在風險，降低風險損失、成本、贏得更多收益機會有著巨大的作用，而且也是金融機構核心競爭力的重要體現。

近年來，隨著互聯網金融的發展，金融風險的度量也迎來了新的挑戰。由于我國已經邁入經濟發展新常態的軌道，經濟發展的外部環境與相關條件都產生了許多的變化。此時期金融市場上數據量越來越多，突發情況也呈現上升的趨勢，這時的金融風險與以往的金融市場的特征相比就體現出了不同之處。主要原因在于數據的數量、形態等發生了巨大的變化，即所謂的大數據時代的來臨，大數據不等于海量數據，其具有“規模性（Volume）、多樣性（Variety）、高速性（Velocity）、價值性（Value）”的4V特點，其焦點是對海量數據進行專業化“加工”。大數據的這些特征，使得變量的選取變得更加多樣，更加充分，我們開始重視變量之間的相關性，這給金融風險的測度方法研究帶來了新的契機。常規的技術方法已經不能夠有效、及時地處理多樣化的信息。如何從金融市場繁雜的數據中快速獲取有價值的信息來發現金融風險的特征，變得越來越重要。

二、傳統VAR的各種度量方法

VAR值是對一定時間段內由于市場的不確定因素的變化引起的潛在損失的一種估計。VAR的度量不是簡單告訴我們將會實際損失超過值多少，而是說明實際損失超過值的可能性大小。

（一）方差——協方差法。VAR的權衡有許多種方法，其中最簡便的方法是假設資產收益率是風險因素的線性函數，并認為風險因素是正態分布的。

這就是正態分布假設下VAR的一般表達式。此時，只需參考一下標準累積正態函數表就可以了。

（二）歷史模擬法。歷史模擬法是利用歷史上某一時間段所觀察總結得到的市場因子的變化情況來表示市場因子在未來的變化，其本質思想是用收益的歷史分布來代替收益的真實分布，以此來求得資產組合的VAR值。

歷史模擬法的推導是以歷史數據的價格分布為基礎的。由于它不對收益分布作出假設，所以這種方法對于任何分布，無論是離散的還是連續的，厚尾的還是薄尾的，都是有效的，所以又被稱為非參數估計.從概念層面上來看，歷史數據模擬是最簡單的方法。但問題在于用歷史數據模擬方法計算VAR所花費的時間要比參數VAR多得多。

（三）蒙特卡羅模擬法。蒙特卡羅模擬法也不需要對未知整體作出假設，而是通過產生一個模擬的資產組合收益分布來估算VAR值。但蒙特卡羅模擬法的基礎是假設一個隨機過程。蒙特卡羅模擬法估算風險值的大致思路是：（1）借助計算機及已有樣本來產生大量的符合歷史分布的可能數；（2）對收益的不同行為分布進行模擬，構造可能損益情況，確定整體的分布； （3）按照所給定的置信水平估算出VAR值。

三、大數據背景下金融市場風險度量方法

通常所說的“大數據”是相對于“小數據”而言的，并非特指數據量上更多，大數據不僅包括結構性數據，也包括非結構性數據，而傳統的小數據往往是指二維的結構性數據。大數據時代的到來，互聯網金融業的快速發展，使得金融變量數據在數量上、本質上發生了巨大的變化，使得數據信息的應用有了質的飛躍，促進了金融風險管理方式的變革和度量方法的改進。

（一）大數據下結構突變面板單位根檢驗。由于缺乏數據，在以往的研究實驗中，僅僅采取單類度量模型的研究方法。現在大數據技術的不斷完善，使得多模型度量的轉換與銜接成為可能。由于金融市場時變因素的普遍存在性，因此金融數據的結構突變問題也是金融風險測度過程中比較重要的問題，突變可以給金融風險測度提供重要的信息來源。大數據解決了金融數據橫向與縱向之間的關系，可以使過去許多繁瑣的檢驗與估計方法變得簡單，使面板數據的研究應用得到很好的發展，為更加準確地測度金融風險提供了理論保障和技術支持。

（二）結合Copula金融市場風險度量方法。Copula理論用于金融風險測度的理論關鍵在于Copula函數的選取，有很多國內外學者從不同角度、應用不同類型的連接函數，測度了多元風險的相依性，得出了一些有益的結論。但是也有學者在研究中發現，由于計算技術和數據規模與質量的影響，有些結果還不盡完善。隨著互聯網、云計算等科學技術的發展，基于大數據Copula函數的測度金融風險的方法逐步進入到了當前的研究和實踐中。

（三）Copula理論基礎上的風險度量方法。考慮兩個風險因子，他們的聯合分布可以被分解成兩個統計結構：第一部分為兩個變量旳邊緣分布；第二個部分是兩個邊緣分布聯系在一起的部分，這正是Copula函數所做的，它是一個把邊際分布連接為聯合分布的函數。

用Copula函數構建隨機向量的聯合分布是重要的任務，Malevergne（2000）利用Copula函數來研究金融市場的相關性分析，但是受當時技術的局限，部分結果還不盡完善。接下來Cherubuni和Luciano（2001）又將Copula理論運用于投資組合在險值估算中，數據是這些問題研究的關鍵。

在大數據條件下，動態Copula函數族得以實現，動態Copula模型是Patton提出的，由于數據的限制，因此用途不廣泛。模型是Copula函數在建模中結構上具有突變的可能，將在金融數據相關的變化因素中得以體現。Patton在2006年證明了這點，Fantazzini在2006年利用Copula動態模型更準確地度量了投資組合的風險。大數據條件下會讓動態Copula模型族更加準確地表現金融風險的規律。由于動態Copula出現時間較短，國內外專家學者關于動態Copula在VAR方面的研究還不是特別廣泛，以往的研究成果表明動態Copula具有更好的擬合，可以更為準確地計量在險值VAR，因此對動態Copula函數仿真技術在投資組合風險方面進行深入研究是非常有必要的。

四、大數據背景下金融市場風險度量方法研究中存在的問題

大數據條件下的金融市場風險的度量方法，是在傳統的VAR度量方法基礎上，結合大數據的4V特點，借助計算機技術的發展，逐步建立起來的。雖然在某些方面取得了一定的成果，但是通過上面的梳理和歸納，可以看出還有很多問題急需解決。

第一，大數據條件下金融市場風險度量尚處于起步階段，還沒有較為系統和完善的理論方法。實踐結果顯示，動態Copula模型在大數據分析方面更具有優勢，這方面的研究有待于進一步加強，并且Copula模型與傳統的VAR模型的結合研究不夠深入。

第二，隨著時間的推移，模型會出現衰減現象，原先應用較好的數據關系會消失，這在傳統金融模型中已有很多先例。

第三，大數據背景下對投資組合風險理論的研究還不夠深入。在VAR理論基礎上，近年來出現了一些條件尾部期望、尾部風險價值等新的風險度量方法，這些方法的實施和各自的特點等相關問題，如何與大數據特點相聯系，也是研究中的難點。

第四，動態風險度量理論目前還處于理論研究層方面，對于我國金融市場的數據，我們還沒有真正結合理論進行模型檢驗與風險度量，缺乏實例分析驗證。

第五，目前的研究還是僅僅利用了大數據的數據規模，大數據的很多特性還沒有得以應用，比如常常用到的是金融業經營與管理的數據，行為數據還沒有充分的利用。

第六，實時海量的在線數據也包含了很多的信息，由于這些信息的時效性，在目前金融風險管理過程中，還不能充分有效地利用這些數據所提供的關鍵信息。

這些問題不但要求要對已有風險度量方法進行推廣，可能需要進一步研究金融風險度量的新方法。

五、大數據背景下金融風險度量方法展望

金融風險管理是一個系統工程，因此風險測度方法的研究不能脫離整個風險管理的研究而獨立存在。現實中對金融風險進行度量時，投資組合的投資比例在不斷變化是動態優化的，未來應該更多地考慮動態組合，得到最優組合再進行風險度量。

科技往往有“雙刃劍”效應，核能既能造福人類又有可能發生核泄漏出現核威脅。大數據也是如此，在帶來便利的同時也會帶來數據安全、模型風險等問題。目前，互聯網、大數據、人工智能、云計算的發展速度已不是線性增長，而是呈幾何級數的爆發，這為金融業的發展提供了重大的機遇，同時也對現有金融相關理論帶來了嚴峻挑戰。由此，對金融風險的管理提出了更高的要求。現有的度量方法已經不能滿足互聯網金融創新發展的需求。雖然傳統金融業已有一些成熟的理論和方法評估金融風險，但在互聯網金融領域，各種創新都獨具特色，導致傳統的理論和方法應用到互聯網金融領域可能得不到正確的結論。因此，互聯網金融風險管理和風險測度方法亟須探究。

對大數據的相關理論，研究的深度和廣度不斷擴大，因此大數據思維越來越多地融合到金融風險管理過程的各個方面。原來僅僅在理論上對模型進行研究，大數據帶來的機遇，使得其變得易于實現。這也間接從實證方面促進金融風險度量方法的進步，從而會有更多符合實際狀態的度量模型與方法出現。大數據條件下，金融風險度量函數的估計可以將半參數估計方法與非參數估價方法相結合，為模型的可實現性打下堅實的基礎。

總之，大數據時代的來臨給金融風險測定方法研究帶來了許多機會，同時由于數據的完備與充分，又給金融風險測度的精確性提出了更高的要求，從而使金融風險測度方法的研究朝著動態化、實時性的方向發展，以達到對金融風險的有效監控，為政策的制定者提供有效參考，為金融市場的穩定提供有力支持。

主要參考文獻：

[1]菲利普-喬瑞.風險價值VAR：金融風險管理新標準[M].北京：中信出版社，2010.

[2]葉強等.互聯網金融的國家戰略需求和關鍵科學問題[J].中國科學基金，2016.2.

[3]馬薇，盧英，劉月月.大數據條件下金融風險測度的方法[J].統計與決策，2015.9.

[4]Taylor S J. Financial returns modeled by the product of two stochastic processes，a study of daily sugar prices 1961-79[M].Anderson OD（Ed.）.In Time Series Analysis：Theory and Practice.Amsterdam：North-Holland，1982.

[5]史道濟，張春英.尾部指標估計中的閾值選擇[J].天津理工大學學報，2006.22.

[6]C.E.Shannon.The mathematical theory of communication[J]. Bell Sys Tech，1948.27.

[7]戰雪麗，張世英.基于Copula-SV模型的金融投資組合風險分析[J].系統管理學報，2007.16.3.

[8]Patton A J.Modeling Time-Varying Exchange Rate Dependence Using the Conditional Copula[R].Working Paper of Department of Economics，University of California，San Diego，2001.

[9]馬薇，張卓群，王元曄.基于STAR-Copula模型的大數據指數風險相關性測度[J].統計與決策，2016.7.