基于極值理論的滬深股市風(fēng)險(xiǎn)度量

杜詩(shī)雪,唐國(guó)強(qiáng),李世君

(桂林理工大學(xué) 理學(xué)院,廣西 桂林 541006)

0 引 言

金融風(fēng)險(xiǎn)管理一直以來(lái)都是工商企業(yè)、 金融機(jī)構(gòu)及學(xué)術(shù)界密切關(guān)注的熱點(diǎn)問(wèn)題。 金融危機(jī)的出現(xiàn)表明,風(fēng)險(xiǎn)是現(xiàn)實(shí)存在的[1]。 近三十年來(lái),受經(jīng)濟(jì)全球化和金融創(chuàng)新的影響, 金融市場(chǎng)波動(dòng)明顯, 這使得金融風(fēng)險(xiǎn)管理成為工商企業(yè)和金融機(jī)構(gòu)經(jīng)營(yíng)管理必需的工具和能力[2]。 風(fēng)險(xiǎn)價(jià)值(VaR)是當(dāng)前市場(chǎng)上較為主流的金融風(fēng)險(xiǎn)測(cè)量方法。 國(guó)內(nèi)外學(xué)者對(duì)風(fēng)險(xiǎn)度量研究已經(jīng)取得了豐厚的成果： 龔銳等[3]認(rèn)為中國(guó)股票市場(chǎng)并不服從于簡(jiǎn)單的正態(tài)分布, 建立了在正態(tài)分布、t分布和GED分布下的GARCH族模型的風(fēng)險(xiǎn)價(jià)值； Orhan等[4]用GARCH族模型對(duì)股票市場(chǎng)進(jìn)行了風(fēng)險(xiǎn)價(jià)值的對(duì)比研究； 張穎等[5]運(yùn)用CAViaR模型[6]對(duì)我國(guó)股市和國(guó)外成熟市場(chǎng)進(jìn)行了實(shí)證研究； 簡(jiǎn)志宏等[7]則對(duì)比了加入極值理論的CAViaR模型和GARCH-EVT模型, 發(fā)現(xiàn)CAViaR-EVT模型能更好地描述我國(guó)股市隔夜風(fēng)險(xiǎn)； 劉亭等[8]發(fā)現(xiàn)加入分位數(shù)回歸的QR-t-GARCH模型比未加入分位數(shù)回歸的t-GARCH模型效果更好； 唐勇等[9]用核擬合優(yōu)度統(tǒng)計(jì)法和平均超額分布函數(shù)圖分別選取閾值, 對(duì)低頻數(shù)據(jù)和高頻數(shù)據(jù)分布擬合了POT模型, 認(rèn)為用核擬合優(yōu)度統(tǒng)計(jì)法選取閾值比較有效； 張虎等[10]用極值理論對(duì)滬深股市收益率的風(fēng)險(xiǎn)價(jià)值進(jìn)行研究； 王淼等[11]對(duì)滬市收益波動(dòng)和厚尾性的條件風(fēng)險(xiǎn)價(jià)值(CVaR)進(jìn)行研究。 在Harvey等[12]提出了Beta-skew-t-EGARCH模型和Gamma-skew-GED-EGARCH模型的基礎(chǔ)上, 侍成等[13]比較了GARCH-t、 EGARCH-t、 GJR-GARCH-t和Beta-skew-t-EGARCH模型下的VaR; 張保帥等[14]發(fā)現(xiàn)Beta-skew-t-EGARCH-POT模型能有效提高極值風(fēng)險(xiǎn)的預(yù)測(cè)精度; 孫召偉等[15]將Copula函數(shù)和非對(duì)稱Laplace結(jié)合研究上證指數(shù)和深證成指的VaR和CTE。

目前， 同時(shí)考慮收益率的尖峰、 肥尾特性、 杠桿效應(yīng)和厚尾性的文獻(xiàn)相對(duì)較少, 為了全面考慮收益率序列, 同時(shí)考慮極端值的VaR， 本文將極值理論與GARCH模型進(jìn)行結(jié)合, 比較EGARCH-t模型、 EGARCH-t-POT模型和Beta-skew-t-EGARCH-POT模型在95%和99%置信水平下的VaR,并實(shí)證檢驗(yàn)?zāi)Ｐ偷木群陀行浴?/p>

1 理論介紹

1.1 EGARCH-t模型

為了反映金融市場(chǎng)波動(dòng)的非對(duì)稱性,Nelson[16]提出了指數(shù)條件異方差模型EGARCH(p,q)。本文采取低階的EGARCH(1,1)模型

(1)

EGARCH-t模型的VaR計(jì)算公式為

VaR=μt+t1-p,vσt,

(2)

其中：μt和σt為收益率的條件均值和條件標(biāo)準(zhǔn)差,t1-p,v是自由度為v的t分布的1-p分位數(shù)。

1.2 EGARCH-t-POT模型

EGARCH-t-POT模型：提取EGARCH-t模型標(biāo)準(zhǔn)化殘差,選取適當(dāng)?shù)拈撝?對(duì)超過(guò)閾值的數(shù)據(jù)擬合廣義帕累托分布(GPD)。定義超越期望函數(shù)為

(3)

其中,Nu是殘差值超過(guò)閾值u的數(shù)據(jù)個(gè)數(shù),即超越量;xti是對(duì)應(yīng)收益率的值。 超越期望函數(shù)選擇閾值的標(biāo)準(zhǔn)為閾值u足夠大,在xti>u之后的超越期望函數(shù)曲線近似線性[17]。

假設(shè)日對(duì)數(shù)收益率為r1,r2, …,rn, 分布函數(shù)為F(r),xi=ri-u為超越量, 超越量x的分布函數(shù)表示為

(4)

式中，Pr表示概率， 將式(4)變換可得

F(r)=F(x+u)=[1-F(u)]Fu(x)+F(u),r>u。

(5)

對(duì)于一個(gè)充分大的閾值u,Fu(x)可用廣義帕累托分布(GPD)近似。 GPD分布包括形狀參數(shù)ξ和尺度參數(shù)β，可表示為

(6)

對(duì)于分布函數(shù)F(r), 可用經(jīng)驗(yàn)估計(jì)值(n-Nu)/n來(lái)近似， 則可以得到實(shí)際樣本的分布函數(shù)為

(7)

解出上述分布函數(shù)分位數(shù),則EGARCH-t-POT模型的VaR計(jì)算公式為

(8)

1.3 Beta-skew-t-EGARCH-POT模型

為了更好地描述金融時(shí)間序列的尖峰、肥尾、偏斜、非正態(tài)、波動(dòng)率聚集以及杠桿效應(yīng),Harvey和Sucarrat在2014年提出Beta-skew-t-EGARCH-POT模型[12]：

(9)

Beta-skew-t-EGARCH-POT模型標(biāo)準(zhǔn)化過(guò)后的殘差為resid, 在置信水平p下金融產(chǎn)品的VaR為

(10)

1.4 VaR的返回檢驗(yàn)[2]

VaR的準(zhǔn)確率檢驗(yàn)是指VaR模型的測(cè)量結(jié)果對(duì)實(shí)際損失的覆蓋程度。例如,假設(shè)事先給定置信區(qū)間為95%,則VaR的準(zhǔn)確性是指實(shí)際損失結(jié)果超過(guò)VaR的概率是否小于5%。VaR的準(zhǔn)確率檢驗(yàn)方法有失敗率檢驗(yàn)法、 區(qū)間預(yù)測(cè)法、 分布預(yù)測(cè)法、 超額損失大小檢驗(yàn)法、 方差檢驗(yàn)法、 概率預(yù)測(cè)法和風(fēng)險(xiǎn)軌跡預(yù)測(cè)法等。 本文采用Kupiec[18]提出的失敗率檢驗(yàn)法測(cè)量VaR計(jì)算的準(zhǔn)確程度。 構(gòu)造檢驗(yàn)統(tǒng)計(jì)量

(11)

其中：p為顯著性水平;N為失敗天數(shù);T為觀測(cè)總天數(shù), 則失敗頻率為N/T。 假設(shè)計(jì)算VaR的置信度為c, 則模型的準(zhǔn)確性評(píng)估就轉(zhuǎn)變?yōu)闄z驗(yàn)失敗頻率N/T是否顯著不同于1-c。 在原假設(shè)的條件下,LR統(tǒng)計(jì)量應(yīng)服從自由度為1的卡方分布。如果計(jì)算出的LR大于卡方統(tǒng)計(jì)量的臨界值,就拒絕VaR有效的原假設(shè)。

2 上證指數(shù)收益率風(fēng)險(xiǎn)度量

2.1 數(shù)據(jù)選取和描述性統(tǒng)計(jì)

為了檢驗(yàn)上述模型的精度和有效性,選取滬市上證綜合指數(shù)2009年1月5日—2018年11月16日的日收盤(pán)價(jià),共2 401個(gè)數(shù)據(jù)作為研究數(shù)據(jù)。假設(shè)t時(shí)刻的收盤(pán)價(jià)為Pt,由于收益率序列比收盤(pán)價(jià)序列具有更好的統(tǒng)計(jì)特征,本文對(duì)收盤(pán)價(jià)取對(duì)數(shù)再進(jìn)行差分運(yùn)算即可得到日收益率rt=lnPt-lnPt-1,共2 400個(gè)數(shù)據(jù)(圖1)。數(shù)據(jù)來(lái)自國(guó)泰安數(shù)據(jù)庫(kù),均采用R軟件分析。

圖1 上證綜合指數(shù)日收盤(pán)價(jià)和日收益率Fig.1 Daily closing value and daily return of Shanghai Composite Index

偏度是統(tǒng)計(jì)分布非對(duì)稱程度的特征, 由表1可以看出, 收益率偏度為負(fù)值, 具有左偏特征。 根據(jù)邊寬江等[19]的檢驗(yàn)方法對(duì)尖峰、 厚尾進(jìn)行檢驗(yàn), 峰度為5.057 111>3, 具有尖峰的特征。 J-B統(tǒng)計(jì)量p值小于顯著性水平0.01, 拒絕正態(tài)和無(wú)尖峰的原假設(shè)。由圖2的Q-Q圖中也可以明顯看出收益率不服從正態(tài)分布,且圖中上下兩端數(shù)據(jù)均偏離直線,表明收益率尾部具有厚尾性。ADF檢驗(yàn)和P-P檢驗(yàn)表明，序列是平穩(wěn)的；Ljung-Box檢驗(yàn)顯示在0.05的顯著性水平下,收益率序列不存在自相關(guān)。日收益率圖中可以看出波動(dòng)率聚集特征,對(duì)收益率序列進(jìn)行ARCH效應(yīng)檢驗(yàn),結(jié)果表明收益率序列具有條件異方差性。

圖2 上證綜合指數(shù)日收益率Q-Q圖Fig.2 Q-Q plot of Shanghai Composite Index

表1 上證綜合指數(shù)的日收益率描述統(tǒng)計(jì)量Table 1 Descriptive statistics of daily closing value of Shanghai Composite Index

2.2 模型建立

2.2.1 EGARCH(1,1)-t模型建立 由于上證綜合指數(shù)序列具有非對(duì)稱性和異方差性, 且t分布相對(duì)于正態(tài)分布和廣義誤差分布(GED)能更好地反映收益率特征, 建立EGARCH(1,1)-t模型,通過(guò)極大似然估計(jì)法估計(jì)出模型參數(shù)及參數(shù)顯著性檢驗(yàn)值,如表2所示。

表2 EGARCH(1,1)-t模型參數(shù)估計(jì)Table 2 Parameters estimation of EGARCH(1,1)-t model

可見(jiàn), 除了參數(shù)α的p值沒(méi)有通過(guò)檢驗(yàn)之外, 其余參數(shù)均通過(guò)顯著性檢驗(yàn)。 收益率的參數(shù)

值(ω=-0.056 603)非常小, 說(shuō)明市場(chǎng)的風(fēng)險(xiǎn)很大。 將參數(shù)估計(jì)值帶入式(1), 即可得到EGARCH(1,1)-t模型的條件方差方程

(12)

2.2.2 EGARCH(1,1)-t-POT模型建立 由上述EGARCH(1,1)-t模型可以得到標(biāo)準(zhǔn)差的估計(jì)。 由于EGARCH(1,1)-t模型度量的是正常市場(chǎng)中的風(fēng)險(xiǎn), 而現(xiàn)實(shí)情況中往往是少數(shù)的極端值卻可能造成巨大的損失。 因此, 對(duì)EGARCH(1,1)-t模型的標(biāo)準(zhǔn)化殘差建立EGARCH(1,1)-t-POT模型,即對(duì)超過(guò)閾值u的數(shù)據(jù)進(jìn)行建模。建立POT模型最重要的就是閾值的選擇,閾值選擇過(guò)大會(huì)造成尾部數(shù)據(jù)太少,估計(jì)出的參數(shù)的方差就會(huì)很大,精度變差;相反,如果閾值選擇太小,就會(huì)把靠近中心的數(shù)據(jù)用來(lái)擬合,造成有偏的參數(shù)估計(jì)[20]。選取閾值的方法一般采用超越期望函數(shù)圖法,要求超過(guò)閾值部分呈現(xiàn)線性特征。另外,DuMouchel等[21]提出的10%原則:在閾值u允許的情況下,選取10%左右的數(shù)據(jù)作為要研究的極端值數(shù)據(jù)。

根據(jù)超越期望函數(shù)(圖3), 綜合DuMouchel提出的10%原則, 可以看出在標(biāo)準(zhǔn)化殘差大于1.6之后超越期望函數(shù)圖呈線性趨勢(shì)。 因此, 選擇閾值1.6較為合理。 對(duì)于超過(guò)閾值的數(shù)據(jù)擬合廣義帕累托分布(GPD), 得到形狀參數(shù)ξ和尺度參數(shù)β的估計(jì)結(jié)果(表3)。為了檢驗(yàn)?zāi)Ｐ偷臄M合效果,對(duì)EGARCH(1,1)-t模型的標(biāo)準(zhǔn)化殘差建立POT模型，診斷檢驗(yàn)如圖4所示。散點(diǎn)和擬合線越接近說(shuō)明模型擬合得越好,可以看出,大部分散點(diǎn)都落在擬合線上或附近,極少部分點(diǎn)與擬合線有微小的偏差,說(shuō)明模型擬合效果良好,這也說(shuō)明選取閾值1.6是合理的。

圖3 EGARCH(1,1)-t模型的超越期望函數(shù)圖Fig.3 Mean excess plot of EGARCH(1,1)-t model

圖4 EGARCH(1,1)-t-POT模型診斷檢驗(yàn)圖Fig.4 Diagnostic test plot of EGARCH(1,1)-t-POT model

表3 EGARCH(1,1)-t-POT模型參數(shù)估計(jì)Table 3 Parameter estimation of EGARCH(1,1)-t-POT model

2.2.3 Beta-skew-t-EGARCH-POT模型建立 對(duì)上證綜合指數(shù)日對(duì)數(shù)收益率序列擬合Beta-skew-t-EGARCH模型,結(jié)果如表4所示。參數(shù)ω是長(zhǎng)期波動(dòng)的常數(shù)項(xiàng);φ是持續(xù)性參數(shù), 數(shù)值較大說(shuō)明波動(dòng)的叢集性較強(qiáng);κ1是ARCH參數(shù), 其絕對(duì)值越大說(shuō)明波動(dòng)對(duì)沖擊的反應(yīng)越大;κ*是杠桿參數(shù),說(shuō)明收益率序列具有杠桿效應(yīng);參數(shù)df和skew分別是模型自由度和偏度參數(shù)[14]。

表4 Beta-skew-t-EGARCH模型參數(shù)估計(jì)Table 4 Parameter estimation of Beta-skew-t-EGARCH model

對(duì)Beta-skew-t-EGARCH模型的殘差進(jìn)行標(biāo)準(zhǔn)化,再建立POT模型。 從圖5中可以看出, 超越期望函數(shù)圖在某個(gè)臨界值之后開(kāi)始呈現(xiàn)線性趨勢(shì), 選取閾值為1.5， 得到POT模型的形狀參數(shù)ξ和尺度參數(shù)β的估計(jì)結(jié)果如表5。 為了檢驗(yàn)?zāi)Ｐ偷臄M合效果, 對(duì)Beta-skew-t-EGARCH模型的標(biāo)準(zhǔn)化殘差建立POT模型， 診斷檢驗(yàn)如圖6所示, 散點(diǎn)和擬合線越接近， 說(shuō)明模型擬合得越好， 可知大部分散點(diǎn)都在擬合線上,極少部分點(diǎn)與擬合線有微小的偏差,說(shuō)明模型的擬合效果較好。

圖5 Beta-skew-t-EGARCH模型的超越期望函數(shù)圖Fig.5 Mean excess plot of Beta-skew-t-EGARCH model

圖6 Beta-skew-t-EGARCH-POT模型診斷檢驗(yàn)圖Fig.6 Diagnostic test plot of Beta-skew-t-EGARCH-POT model

表5 Beta-skew-t-EGARCH-POT模型參數(shù)估計(jì)Table 5 Parameter estimation of Beta-skew-t-EGARCH model

2.3 VaR計(jì)算和返回檢驗(yàn)

Kupiec[18]提出的失敗率檢驗(yàn)法認(rèn)為: 當(dāng)VaR低于實(shí)際損失則記為一次失敗事件; 反之, 當(dāng)VaR超過(guò)實(shí)際損失則記為一次成功事件。 實(shí)際失敗率p等于失敗天數(shù)N除以觀測(cè)總天數(shù)T。 模型原假設(shè)為H0:p=N/T=α, 其中α是顯著性水平。 當(dāng)實(shí)際失敗率p小于給定的顯著性水平α, 則高估風(fēng)險(xiǎn); 反之, 當(dāng)實(shí)際失敗率p大于給定的顯著性水平α,則低估風(fēng)險(xiǎn)。 對(duì)各模型進(jìn)行VaR計(jì)算, 結(jié)果見(jiàn)表6。

表6 各模型的失敗率及LR統(tǒng)計(jì)量Table 6 VaR value and statistic LR of models

從整體來(lái)看, 各模型失敗率都小于顯著性水平, 說(shuō)明各模型都有不同程度上的低估風(fēng)險(xiǎn)。 從各模型失敗率的表現(xiàn)來(lái)看, 在顯著性水平為0.05和0.01下, 表現(xiàn)最差的都是EGARCH-t模型; 但在加入了極值理論后的EGARCH-t-POT模型, 失敗率表現(xiàn)得更為接近顯著性水平。 對(duì)于Beta-skew-t-EGARCH-POT模型來(lái)說(shuō), 失敗率在顯著性水平為0.05下較EGARCH-t-POT模型有所提升， 但是在較低的顯著性水平0.01下, 失敗率并沒(méi)有表現(xiàn)得更好。 就似然比統(tǒng)計(jì)量LR來(lái)說(shuō), 在顯著性水平為0.05和0.01下, 卡方臨界值分別為3.841和 6.635, 只有EGARCH-t模型在0.05的顯著性水平下, 8.020 239>3.841, 預(yù)測(cè)準(zhǔn)確率不高。 其余模型在顯著性水平為0.05和0.01下都接受原假設(shè), 認(rèn)為VaR是有效的。

3 深證指數(shù)收益率風(fēng)險(xiǎn)度量

選取2009年1月5日—2018年11月16深證成分指數(shù)的日收盤(pán)價(jià)作為研究對(duì)象,具體分析過(guò)程同第2節(jié)。對(duì)深證成分指數(shù)建立EGARCH(1,1)-t模型,得到模型參數(shù)估計(jì)如表7。

表7 EGARCH(1,1)-t模型參數(shù)估計(jì)Table 7 Parameter estimation of EGARCH(1,1)-t model

從上述模型參數(shù)估計(jì)表來(lái)看,所有參數(shù)均通過(guò)了顯著性檢驗(yàn),將參數(shù)估計(jì)值帶入式(1), 得到深證成分指數(shù)的EGARCH(1,1)-t模型的條件方差方程

(13)

對(duì)EGARCH(1,1)-t模型的標(biāo)準(zhǔn)化殘差建立EGARCH(1,1)-t-POT模型,根據(jù)超越期望函數(shù)圖和DuMouche10%原則,選擇閾值為1.35,對(duì)超閾值的數(shù)據(jù)建立POT模型,結(jié)果如表8所示。

表8 EGARCH(1,1)-t-POT模型參數(shù)估計(jì)Table 8 Parameter estimation of EGARCH(1,1)-t-POT model

對(duì)深證成分指數(shù)收益率序列擬合Beta-skew-t-EGARCH-POT模型。同樣,根據(jù)超越期望函數(shù)圖和DuMouche10%原則,選擇閾值為1.35,得到模型參數(shù)估計(jì)如表9所示。

表9 Beta-skew-t-EGARCH-POT模型參數(shù)估計(jì)Table 9 Parameter estimation of Beta-skew-t-EGARCH-POT model

分別對(duì)上述3個(gè)模型進(jìn)行VaR計(jì)算和失敗率檢驗(yàn),結(jié)果見(jiàn)表10。從整體來(lái)看,各模型失敗率都小于顯著性水平,說(shuō)明3個(gè)模型都有不同程度上的低估風(fēng)險(xiǎn)。從各模型失敗率的表現(xiàn)來(lái)看,無(wú)論是在顯著性水平為0.05還是0.01,表現(xiàn)最差的都是EGARCH-t模型；但加入了極值理論后的EGARCH-t-POT模型在兩個(gè)顯著性水平下,失敗率都更為接近顯著性水平,這一點(diǎn)與滬市一致。對(duì)于Beta-skew-t-EGARCH-POT模型來(lái)說(shuō),在顯著性水平0.05下,相對(duì)于EGARCH-t-POT模型失敗率表現(xiàn)更好,這一點(diǎn)與滬市也是一致的；但是在較低的顯著性水平0.01下,則不然。只有EGARCH-t模型在0.05的顯著性水平下的LR統(tǒng)計(jì)量值7.453 078>3.841,預(yù)測(cè)準(zhǔn)確率不高。其余模型在顯著性水平為0.05和0.01下LR統(tǒng)計(jì)量都是小于卡方臨界值的,不拒絕原假設(shè),說(shuō)明預(yù)測(cè)準(zhǔn)確率較高,認(rèn)為VaR有效。

表10 各模型的失敗率及LR統(tǒng)計(jì)量Table 10 VaR value and statistic LR of models

4 結(jié) 論

通過(guò)滬市和深市的日收益率的風(fēng)險(xiǎn)價(jià)值分析,運(yùn)用EGARCH-t模型、EGARCH-t-POT模型和Beta-skew-t-EGARCH-POT模型,分別計(jì)算在95%和99%兩種置信水平下的VaR。3種模型的側(cè)重點(diǎn)各有不同,EGARCH-t模型主要刻畫(huà)了金融時(shí)間序列的非對(duì)稱性和杠桿效應(yīng)。EGARCH-t-POT模型則在提取EGARCH-t模型標(biāo)準(zhǔn)化殘差的基礎(chǔ)上加入了極值理論,能夠很好地刻畫(huà)日收益率剩余波動(dòng)的影響,體現(xiàn)分布的“厚尾性”。Beta-skew-t-EGARCH-POT模型綜合了GRACH族模型的優(yōu)點(diǎn),同時(shí)加入對(duì)模型尾部擬合較好的POT模型,能夠很好地刻畫(huà)金融時(shí)間序列特征。通過(guò)3種模型的實(shí)證研究及對(duì)比分析,得出以下結(jié)論:

(1)我國(guó)股票市場(chǎng)的收益率分布總體上具有尖峰、肥尾、非對(duì)稱性和波動(dòng)集聚性的特征。從側(cè)面證明了用正態(tài)分布去刻畫(huà)收益率序列是不充分的。因此,如何選取合適的模型去描述金融數(shù)據(jù)的特征,也是一個(gè)需要重點(diǎn)研究的問(wèn)題。

(2)加入極值理論的POT模型對(duì)收益率尾部分布進(jìn)行擬合,得出的結(jié)論是VaR值更接近于給定的顯著性水平,風(fēng)險(xiǎn)度量的效果會(huì)更好。但是,關(guān)于閾值的選取,僅僅依靠觀察超越期望函數(shù)圖未免有些主觀,需要綜合多種方法進(jìn)行選擇。

(3)Beta-skew-t-EGARCH-POT模型目前應(yīng)用的還很少,但對(duì)其標(biāo)準(zhǔn)化后的殘差序列擬合極值理論的廣義帕累托分布(GPD),得到的VaR值在95%置信水平下表現(xiàn)最好,但在99%置信水平下表現(xiàn)并沒(méi)有比EGARCH-t-POT模型更好。

(4)通過(guò)似然比統(tǒng)計(jì)量LR進(jìn)行返回檢驗(yàn),發(fā)現(xiàn)只有EGARCH-t模型在95%置信水平下的VaR值沒(méi)有通過(guò)檢驗(yàn),其余模型在95%和99%兩種置信水平下的VaR值均通過(guò)了檢驗(yàn),認(rèn)為其VaR值是有效的。