我國銀行間同業拆借利率VaR風險度量

一、背景

長期以來，我國商業銀行更為注重信用風險和流動性風險的管理，對于利率風險的管理較為忽視，為了防止利率波動給商業銀行帶來影響，也考慮到銀行的不同業務活動存在不同的風險，銀監會規定將銀行的利率風險分為銀行賬戶和交易賬戶，對于銀行賬戶的監管依然采用利率敏感性缺口分析，因為其計算簡便，清晰易懂，所以被眾多商業銀行所采用，而對于交易賬戶則采用VaR內部模型分析法。銀監會在2007年發布了中國銀行業實施新資本協議的指導意見，要求大型商業銀行從2010年底開始按照巴塞爾協議的要求采用內部模型法度量商業銀行的利率風險。銀行可借助VaR模型對歷史數據進行模擬計算，得出在確定時期內投資組合所面臨的市場風險大小和可能遭受的最大損失程度。同時，相較于傳統的利率敏感性缺口度量方式，VaR具有時效性，管理利率風險的能力較強，更適合于分析銀行同業拆借利率的風險。

近幾年來，隨著金融風險的加劇，銀行對于同業拆借利率的風險度量方式也在不斷的研究和調整，從一開始的利率敏感性缺口度量轉向建立完整的VaR風險度量體系。國內的很多學者也對于商業銀行的利率風險大小做出了度量，姚曉緯（2010）通過GARCH族模型得出收益率標準差大小，再根據不同的置信水平計算商業銀行同業拆借利率的風險大小。王健（2013）通過使用參數法-GARCH族模型，結合正態分布、t分布和廣義誤差分布三種不同的殘差分布假設計算收益率的VaR值。最后發現GED分布能夠較好刻畫出我國商業銀行同業拆借利率序列分布情況。尹英美（2014）先采用利率敏感性分析法選出具有代表性的商業銀行的利率敏感性缺口，然后使用VaR方法中的GARCH模型計出波動率和分位數，進而求得商業銀行每日在險價值。因此本文采用VaR 模型進行商業銀行的同業拆借利率風險度量，相較于傳統的利率風險度量模型VaR具有全面性和直觀性。

二、VaR模型在我國同業拆借市場現狀以及發展情況分析

銀監會在2007年發布了中國銀行業實施新資本協議的指導意見，要求大型商業銀行從2010年底開始按照巴塞爾協議的要求采用內部模型法度量商業銀行的利率風險。這是由于我國商業銀行對于信用風險和流動性風險管理的重視程度遠大于利率風險，為了防止利率波動給商業銀行帶來影響，銀監會規定將銀行的利率風險分為銀行賬戶和交易賬戶，對于銀行賬戶的監管依然采用利率敏感性缺口分析，因為其計算簡便，清晰易懂，所以被眾多商業銀行所采用，而對于交易賬戶則采用VaR的內部模型分析法。銀行借助該模型，對歷史數據進行模擬運算，可以評估和度量在既定時期內投資組合所面臨市場風險的大小和可能遭受的最大損失。與傳統的利率風險檢測方法——利率敏感性缺口、持續期缺口相比，VaR模型可以更加準確的度量出銀行在既定時間內最大的損失額度，缺口分析是一種靜態度量方法，而靜態度量方法對于風險的控制是基于對宏觀經濟的判斷，無法對風險大小進行具體的度量。VaR模型可以更為準確的度量銀行交易賬戶所面臨的利率風險大小，度量結果更為準確。我國同業拆借市場所使用的基礎利率為SHIBOR，作為資金短期的拆借市場，運用較為頻繁的便是隔夜拆借利率，對于金融機構而言利率的風險管理是動態的，金融機構需要更加準確的度量出持有的拆借頭寸在下一交易日風險大小，所以本文使用VaR模型其進行度量。

三、實證分析

（一）指標的選取

本文選取2015年到2018年的上海銀行間同業拆借利率（SHIBOR），因為在同業拆借市場中，SHIBOR的利率是最能反映出銀行間資金需求狀況的，可以更加準確的度量銀行間同業拆借市場風險大小。

（二）數據收集和處理

本文所用數據來源為WIND數據庫上海隔夜拆借利率。上海銀行間同業拆借利率時序圖如圖3-1左邊所示。收益率是將日利率取對數做差所得，其表達式為：，通過計算得到998個收益率數據，繪制收益率走勢圖，如圖3-1右邊所示。

經過正態性檢驗，結果顯示日收益率數據的偏度為4.457865，可知，有很多數據點游離在右側，其均值右偏，峰度值為65.88732，其值遠大于3，呈現出“尖峰肥尾”特點。J-B的值為167591.7，且概率值P為0，就說明數據的序列分布不服從正態分布的，但符合金融數據的特點。之后對數據進行平穩性檢驗，是為了檢驗數據是否存在趨勢效應，本文選用的檢驗方法是ADF檢驗，看數據是否存在單位根，當數據存在單位根時則說明數據是不平穩的。由圖3-1可以看出，數據前期波動幅度較小，后面的波動幅度相對大一些。然后對數據進行ADF檢驗，檢驗結果如下：

表3-1 收益率序列的平穩性檢驗結果

由表3-1可以看出收益率序列的ADF統計值為-28.2102，顯著小于在1%，5%，10%置信水平下分別對應的t統計值：-2.567286、-1.941141和1.616485，且ADF統計值對應概率P為0.0000，說明對數日收益率序列平穩，不存在單位根。

本文還對該數據進行了自相關性檢驗，采用的檢驗方法為相關圖法。樣本收益率序列的AC和PAC都非常小且接近于0，Q統計量的值也不顯著，P值越大，越接受自相關系數等于0的原假設，所以序列基本上不存在自相關性，即上海銀行間同業拆放利率的對數日收益率序列不存在自相關性。同時還對數據進行異方差檢驗采用相關圖法對殘差平方序列進行檢驗看其是否存在ARCH效應，并且得出結論。序列存在自相關性，則對數日收益率序列存在異方差性。所以本文考慮使用GARCH模型對收益率的波動性進行描述，因為該模型可以考慮到數據存在異方差的情況。

（三）建立模型--GARCH模型

根據以上對上海銀行間同業拆借利率的對數收益率的分析，得知可以用GARCH類模型來描述收益率的波動性，本文先用常用的GARCH（1，1）、GARCH（1，2）、GARCH（2，1）和GARCH（2，2）模型來對收益率數據進行擬合，通過對比AIC、SC值選出最優的模型。

由表3-2可以看出GARCH（2，2）的SC和AIC的值最小，因此GARCH（2，2）是最優模型。

表3-2 GARCH模型AIC、SC值對比表

本文采用ARCH-LM模型檢驗看是否對GARCH（2，2）模型消除了ARCH效應，滯后階數選擇為5階，其檢驗結果如表3-3所示。從表3-3可以看出，obs*R^2統計量的值為0.641841，其概率是0.9860，概率值大于0.1，說明模型已經充分消除了條件異方差效應。

表3-3 GARCH（2，2）模型的ARCH-LM檢驗結果

前面的分析表明對數收益率數據不符合正態分布的特點，因此這里考慮建立t分布和GED分布下的GARCH（2，2）模型來擬合對數收益率的波動情況。

表3-4 t分布下的GARCH（2，2）模型擬合結果

由表3-4結果可知，在5%的顯著性水平下，t分布下的GARCH（2，2）模型中ARCH項和GARCH項的系數均沒能通過顯著性檢驗，且P值大于0.1，因此該模型不予考慮。

表3-5 GED分布下的GARCH（2，2）模型擬合結果

由表3-5結果可知，在5%的顯著性水平下，GED分布下的GARCH（2，2）模型中的GARCH項的系數沒能通過顯著性檢驗，因此該模型不予考慮。

綜合以上分析，這里選擇正態分布下的GARCH（2，2）模型來擬合對數收益率的波動情況，基于該模型進行VaR風險值的計算。表3-6為正態分布下的GARCH（2，2）估計結果。

表3-6 正態分布下的GARCH（2，2）估計結果

由表3-6結果可知，在5%的顯著性水平下，正態分布下的GARCH（2，2）模型中的ARCH項和GARCH項的系數均通過了顯著性檢驗。

由表3-8的估計結果可得GARCH模型為：

（四）實證結果分析

VaR是指在一定的置信度下，在市場正常波動時，某一資產在特定時間內的最大損失，反映了給定置信度下，特定持有期內資產的最大損失，用p表示發生損失大于給定VaR值的概率，用1?p表示損失不會超過VaR的概率。

根據前面的GARCH模型得到 σ2，再通過軟件計算得到標準差σ，為了研究需要，這里仍采取組合正態方法計算VaR，計算公式為：

其中，初始投資額P假定為1；Zα為標準正態分布下α分位數，這里選擇置信度為α=0.05，Zα/2=11.96；σ為用GARCH模型估計的對數收益率的條件標準差；為持有期，本文只考慮一天的VaR值，則令。得到的VaR風險值的描述性統計結果如表3-7所示。

表3-7 VaR風險值的描述性統計結果

四、結語

本文首先分析了我國銀行間同業拆借市場的發展現狀，隨著金融市場的不斷改革和利率市場化的開始，同業拆借市場進入了飛速發展的階段，同業拆借利率的變動也更加敏感的反應資金市場的需求情況。而我國商業銀行對于風險的管理與國外還存在較大的差距，風險的度量和對沖方式還較為不足，這與我國金融市場不夠發達有很大的關系。之后選取了最具代表性的SHIBOR隔夜拆借利率，通過VaR模型度量銀行間同業拆借市場的風險大小，對數據進行處理后選取了合適的GARCH模型，并通過對三種不同的殘差分布假設的檢驗，確定了使用正態分布來度量SHIBOR的波動性大小，通過GARCH模型計算出對數收益率的標準差大小，進而求得在95%的置信水平下，我國商業銀行持有1單位隔夜拆借頭寸的最大損失額。