基于動態條件得分模型的風險測度和MCS檢驗

翟曉婧

摘要：本文在研究動態條件得分模型（DCS）的基礎上，通過構建風險測度模型對我國股市的風險進行了度量。

關鍵詞：動態條件得分模型 DCS t分布 VaR ES MCS

（二）模型參數估計

可以發現，上證綜指沒有表現出明顯的杠桿性，而深證成指則表現出了在5%顯著性水平上的杠桿性，說明對深證成指來說，壞消息的沖擊增加了其波動性 。再者，盡管估計兩個指數得到的y值都大于0，但是由于估計上證綜指得到的 值小于估計深證成指得到的y值，所以壞消息對深市波動的沖擊要明顯強于對滬市波動的沖擊。這可能有以下幾個方面的原因：第一，從上市公司結構來看，深市不僅包括主板上市公司，也包括中小板和創業板的上市公司，中小板和創業板上市的公司規模相對較小且多處于發展階段，當外部環境惡化時更易受到沖擊，業績穩定性差，而業績不穩定的屬性進一步影響了股市的波動性。第二，從投資者結構來看，相比滬市而言，在深市參與投機的散戶占的比重可能更大，當壞消息出現時更易形成拋售的羊群效應，從而加大了深市的波動。

（三）在險價值VaR的后驗測試和MCS檢驗

我們將檢驗區間設定為最后1000個數據，通過Kupiec的失敗率檢驗法、Christoffersen的獨立性檢驗和條件覆蓋檢驗、Hansen等提出的動態分位數檢驗（DQ test），對6個模型在置信水平為95%和99%時的表現進行檢驗，可以得到它們估計上證綜指和深證成指樣本外VaR的效果。

通過MCS檢驗發現，當α=0.10時，本文所涉及的模型在測度兩個指數VaR的績效上具有等效性。因此可以說，在度量兩個指數的VaR上，不僅t分布DCS模型與t分布GARCH模型相比具有等效性，而且無論是DCS模型還是GARCH模型，非對稱性的加入并不會明顯改變模型對VaR的預測績效。通過研究損失函數（Loss列）的排序可以給我們在選擇風險度量模型上提供參考，無論使用的置信水平為95%還是99%，在度量上證綜指、深證成指VaR時，分別選擇AR（1）-LGARCH （1，1）-t模型和AR（1）-LDCS（1，1）-t模型可以得到較高的預測績效。

四、研究結論

動態條件得分模型（DCS）是新提出的一類很有發展空間和研究價值的模型。本文分別以t分布DCS模型的兩種形式和t分布非對稱DCS模型的兩種形式作為條件方差方程，結合AR（1）結構的條件均值方程構建了樣本外風險測度模型：AR（1）-DCS（1，1）-t模型、AR（1）-EDCS（1，1）-t、AR（1）-LDCS（1，1）-t模型和AR（1）- LEDCS（1，1）-t模型。同時以具有相似結構的AR（1）-GARCH（1，1）-t模型和AR（1）-LGARCH （1，1）-t模型為參照，對它們在測度上證綜指和深證成指VaR和ES上的效果進行了對比研究。

綜上所述，本文通過比較分析t分布下的動態得分模型（DCS）和GARCH模型在預測VaR和ES上的效果，發現動態得分模型（DCS）同GARCH模型一樣可以有效地預測VaR和ES，而且它們在預測VaR的績效上具有等效性，從而在一定程度上佐證了動態得分模型（DCS）在金融風險度量領域具有較高的應用價值。動態得分模型（DCS）的提出和發展為金融風險管理者進行有效的風險度量提供了更多可行的工具。

（作者單位：南昌大學前湖學院）