基于小波分析股市高频数据的流动性风险研究

高　谦，赵炜涛

（中南财经政法大学a.金融学院；b.统计与数学学院，武汉430060）

基于小波分析股市高频数据的流动性风险研究

高谦a，赵炜涛b

（中南财经政法大学a.金融学院；b.统计与数学学院，武汉430060）

本文在原有流动性风险研究的基础上，充分考虑股票市场投资者的异质性以及高频数据的不平衡性，基于股市交易中买卖价差构建流动性指标，并对构建的流动性指标数据进行db4小波变换，分解到多个时间尺度上，然后运用GARCH模型分别计算各尺度上的VaR值，最后对其进行了有效性检验。通过对各尺度VaR值的统计结果进行分析，验证模型的有效性以及投资时间尺度不同所面对的不同的流动性压力。

流动性风险；高频数据；小波分解；GARCH模型；VaR值

一、引言

市场流动性是资产在短期内以合理价格完成市场交易的能力，流动性被认为是决定市场行为和市场效率的一个非常重要的因素，不仅可以活跃市场，同时有助于稳定市场价格，促进金融市场的资源配置。流动性风险常常被认为有两个部分构成：由于将资产变成现金方面的潜在困难而造成的投资者被迫贱卖资产；由于市场流动性的缺失而错失投资机会。而这两个部分也并非彼此独立：当投资者持有市场组合中的一部分出现流动性缺失的时候，他们会自然而然的趋向其他部分获得流动性，导致风险被传播出去，形成系统性风险。流动性风险以剧变的形式出现时将会带来无法估计的损失，因而流动性风险的管理与监测已成为现代金融风险管理的重点。

股票市场中的投资者，由于其不同个体间的差异，使得投资者间具有对市场具有不同的预期、对风险的不同厌恶程度，以及不同的信息渠道甚至对于相同信息有不同的解读方式等，上述的因素导致他们具有不同的投资时间尺度，即所谓的市场异质性。市场参与者的异质性行为使得股票市场具有多层次并且复杂的变化，股票价格的波动即是投资者的不同时间尺度的市场行为的反应，并且价格波动在不同的时间尺度上对于市场中的事件和投资者行为会呈现出不同的特征。本文充分考虑到股票价格波动的多尺度特征，运用离散小波变换对股票数据进行多尺度分解以观察不同时间尺度的特征，同时，通过大量数据模拟和检验，确定了贴合中国股票市场特征的流动性度量指标，结合GARCH模型从多个时间尺度上分别计算VaR，更精确地刻画股票市场不同时间尺度，不同市场的流动性风险。

金融市场交易迅速且蕴含着巨大的信息量，细节方面的变化非常适合于用高频数据的形式来描述。然而，高频数据作为时间金融序列不满足平衡性条件，并且具有非线性、非平稳性和长记忆性，因此传统的方法不能适用于预测。考虑到小波分解可以将时间序列由高频到低频进行分解，从而得到不同时间尺度下的变化状态，本文采用小波分析对高频数据进行分解，并对分解出的高频和低频部分分别立模型并进行预测，可以得到比较理想的结果。

二、股市高频数据的流动性风险实证分析

本文的主要研究思想是计量不同时间尺度上的股票市场流动性风险值。对收集到的股票历史数据，首先运用基于小波变换的多分辨分解方法将数据由高频到低频分解，然后再运用GARCH-VaR模型分别计算各个尺度上的流动性风险值，最后通过失败频率检验法对VaR值进行检验来衡量模型的有效性。

（一）流动性指标选取及数据来源

国外采用的是做市商制度即做市商为投资者提供买卖双边报价，提供流动性，通过报价的更新来引导成交价格发生变化。做市商报出的最佳买价和卖价一般都能保证一定的深度，因此做市商可以维持价格稳定，遏制过度的投机，起到市场“稳定器”的作用。国外对外生流动性的研究也多建立在对买卖价差分布与波动的基础上。而我国的股票市场是一个典型的订单驱动型市场，市场中流动性依赖于投资者提交的委托深度，而买卖委托单不平衡将导致部分委托单会面临着当期不能执行的风险，其未成交的指令委托将为下一个时期的交易提供流动性。这意味着实际交易是投资者面临的流动性成本远远超过了表面所看到的低买卖价差。针对我国股市这一特征，本文在实证分析中，提出以下方法来度量我国股市流动性：

其中，hpt，lpt分别代表第t个交易日股票的最高价和最低价。

（二）小波分解过程

本文根据600519［贵州茅台］自2014年10月08日至2015年10月08日五分钟的高频交易数据，构建流动性指标数据。并对该数据序列运用db4小波变换进行五层分解，最大时间尺度为1天。该指标在不同尺度上的波动细节如图1所示。

图1　股票流动性小波分解

（三）GARCH-VaR模型的结果分析

根据小波分析将数据由高频到低频分解的基础之上，进行GARCH-VaR模型的估计。在进行GARCH回归之前对股票的流动性进行分析，结果表明流动性指标是尖峰厚尾的，具有波动集聚现象，具有明显的ARCH效应。因此本文在此基础上采用GARCH（1，1）模型刻画流动性指标的条件异方差的特征。表1报告了GARCH（1，1）模型的估计结果。

表1　GARCH（1，1）模型参数估计结果

根据表1的结果可以看出，模型中的α+β取值接近于1，但没大于1表明股票的流动性指标具有较高的波动持续性。为了计算股票的流动性风险，将通过GARCH模型拟合后得到的条件标准差带入方程VaRt=-μt+σtφ（α），即可得到建立在流动性指标序列上的动态VaR值。

图2　序列cd1及其动态VaR值

上图为在5%的置信度下，通过GARCH（1，1）模型计算得到的贵州茅台一年中流动性指标序列经小波分解的第一层序列及对应建立的五分钟高频数据的VaR值。因为VaR值为最高不超过的临界值，因而其绝对值相对而言更大一些。从图中可以看出VaR对流动性指标的风险的度量还是比较准确的。表现于2014年11月左右和2015年3月左右，VaR值显著增大，这一变化也与宏观环境的情况所吻合。

（四）VaR值的检验

运用kupiec检验法对计算出的VaR值进行检验，对于建立的五个时间尺度分别构造LR统计量，检验发现各个时间尺度的LR值均为超过显著性水平为0.05的临界值，这表明本文运用的GARCH（1，1）模型构造的VaR对于股市的流动性指标的度量比较有效。贵州茅台的检验效果如表2所示。

三、结论

表2　VaR值有效性检验

本文验证了将高频数据分解到多个时间尺度，可以在研究高频交易细节的同时，研究较大时间尺度中交易的趋势。在多个时间尺度之上运用GARCH（1，1）模型对构建的流动性指标计算得出的VaR值是有效的，可以用来衡量股票市场的流动性风险变化的特征。并且随着时间尺度的拉长，外界因素带来的冲击渐趋向平和，拟合的波动曲线也渐趋平滑。由此可见外界因素的冲击随着投资者投资时间尺度的放大而被稀释，因而投资者可以适当放大投资的时间尺度以缓解突发事件带来的流动性风险。

［1］王春峰，姚宁.基于小波变换的多尺度跳跃识别与波动性估计研究［J］.管理科学学报，2010，10（3）：63～68.

［2］宋逢明，谭慧.VaR模型中流动性风险的度量［J］.数量经济技术经济研究，2004，6（2）：114～123.

［3］徐正国，张世英.上海股市“日历效应”的高频估计与检验［J］.天津大学学报：社科版，2005，7（2）：8～89.

［4］徐梅，张世英.基于小波分析的金融波动分析［J］.统工程理论与实践，2005（2）：1～10.

［5］王灵芝，杨朝军.金融危机中流动性风险与市场风险动态相关性［J］.上海交通大学学报，2010，3（1）：364～368.

［7］Sam ia M.Accuracy and conservatism of VaR models：a wavelet decomposedVaRapproachversus standard ARMA-GARCH method［J］.International Journal of Econom icsand Finance，2009，9（2）：174～184.

［责任编辑：文筠］

F830.9

A

1005-913X（2016）10-0107-02

2016-06-21

高谦（1995-），女，陕西汉中人，本科学生，研究方向：金融学；赵炜涛（1991-），男，郑州人，硕士研究生，研究方向：金融学。