基于GARCH-VaR和GARCH-CVaR模型的货币基金产品风险研究

刘倩 李洁

摘 要：随着我国互联网金融模式的不断发展，我国的理财产品种类也越来越多。基于GARCH-VaR和GARCH-CVaR模型，对我国基金市场中具有代表性的天弘余额宝基金以及汇添富全额宝进行研究，对其基金收益率的异方差性、尖峰厚尾等特征进行实证分析。实证结果表明，一是对不同的货币基金产品建立VaR和CVaR模型进行风险度量时，适合采用的GARCH分布是不同的;二是在相同分布下，CVaR模型可以更有效地覆盖可能损失的最大值，即其对货币基金产品风险的度量优于VaR模型。

关键词：GARCH-VaR;GARCH-CVaR;基金风险

中图分类号：F830.91        文献标志码：A      文章编号：1673-291X（2019）21-0082-02

一、互联网金融发展概述

随着近几年的发展，目前我国互联网金融主要分为三大类：以支付宝、微信支付为代表的支付类，以P2P、众筹模式为代表的融资类，以及以余额宝等“宝宝”类为代表的理财类（祝福云等，2018）。我国的基金产品主要分为开放式基金、货币基金、理财基金、场内基金以及分级基金五种类型，本文主要研究我国基金产品中的货币基金产品风险，在货币基金产品中选取具有代表性的两只基金，通过建立模型对这两只基金的风险进行分析。

二、实证分析

（一）数据处理

我国学者在对基金风险进行度量时，一般采用GARCH-VaR、GARCH-CVaR等相关方法，对理财市场的基金进行分析（如宋光辉等，2014;黄崇珍、曹奇，2017）。本文主要从该角度出发，比较两者同时进行GARCH模型时对模型分布选择是否一致，并研究CVaR和VaR模型对两款基金产品风险的度量效果是否一致，试图探讨较为科学的货币基金产品风险度量模型。

因此，本文以天弘余额宝（000198）和汇添富全额宝（000397）作为研究样本，从天天基金网选取两个样本2014年4月1日至2018年12月31日的基金每万份收益数据，每个基金1 735个数据，共3 470个样本数据，用以进行下文的实证分析。考虑到金融产品价格的变动时间序列或其收益回报率序列是比较之下比较平稳的，有利于进一步进行实证分析，因此本文利用公式Rt=lnPt-lnPt-1，即基金每日万份收益的对数收益率来作为样本数据，式中Rt是基金每日万份收益的对数收益率，Pt是第t天的基金每日万份收益价格。

由实证结果可知（表格和图省略），余额宝的对数收益率序列是存在波动性的，且JB统计量为264 154.5，这个值远大于临界值的，并且峰度为63.44836，也是远大于3，偏度为0.037842，大于0，即为右偏。因此，该序列存在尖峰、后尾的特征，不服从正态分布的。其ADF的值为-34.65817，该值小于1%置信水平下的检验标准值，为平稳序列。而汇添富全额宝的对数收益率序列统计特征具有相同特征，因此汇添富全额宝也是尖峰厚尾、不服从正态分布，同时是平稳序列。

对两只基金处理后的序列进行ARCH-LM和残差自相关检验，并用LM对序列的条件异方差进行ARCH检验。结果显示，两只基金的LM统计量均在1%下显著，即该残差序列具有GARCH效应。接下来，对序列建立相应的GARCH族模型进行研究，确定在不同分布下的GARCH模型选择。

（二）GARCH模型的选择

将余额宝在给定95%的置信水平下，分别对GARCH模型下的三种分布进行选择，选取标准依据AIC信息准则，GARCH-N分布下應选择GARCH（1，6），GARCH-t分布下应选择GARCH（1，3），GARCH-GED分布下应选择GARCH（1，6）。

（三）VaR的计算

此处建立一个LR统计量，对由VaR模型求出来的值进行检验：

在置信水平为95%的情况下，置信区间接受域的临界值分别为0和3.84。由VaR实证结果可知，在余额宝的时间序列中，GARCH-t模型的LR统计量值是最小的，并且也仅有该值是在置信区间里的。而在汇添富全额宝的时间序列中，也仅有GARCH-GED模型的LR统计量值是最小的且在置信区间内。

（四）CVaR的计算

在此构建一个检验统计量LE，来度量CVaR和VaR在失败时的差距：

LE度量的是CVaR覆盖可能损失的最大值的程度，若LE统计量越小，则说明两者差距越小，则代表其对基金产品风险的度量较好。

CVaR实证结果表明，在余额宝的时间序列中，GARCH-N模型得出的LE统计量值在三个模型中是最小的。因此对余额宝来说，GARCH-N模型针对CVaR模型的估计效果最佳。在汇添富全额宝的时间序列中，GARCH-t模型的LE统计量值最小。因此对汇添富全额宝来说，GARCH-t模型最适合用来估计CVaR。

三、结语

本文选取了货币基金市场中以余额宝（天弘余额宝000198）和腾讯理财通（汇添富全额宝000397）两个货币基金作为研究样本，最终可以得出以下结论：首先，对不同的货币基金产品建立VaR和CVaR模型进行风险度量时，适合采用的GARCH分布是不同的。如在95%的置信水平下，对于余额宝时间序列来讲，在进行VaR模型时最适合采用GARCH-t模型，在进行CVaR模型时最适合采用GARCH-N模型;对于汇添富全额宝时间序列来讲，在进行VaR模型时最适合采用GARCH-GED模型，在进行CVaR模型时最适合采用GARCH-t模型。其次，在相同分布下，CVaR模型可以更有效地覆盖可能损失的最大值，即其对货币基金产品风险的度量优于VaR模型。

随着我国金融体系的不断完善，互联网金融形式不断丰富，与此同时这些互联网金融产品带来的风险也就越发复杂、越发多变。防范互联网金融产品或金融体系中的风险，不仅要从国家监管出发，健全金融监管体系，提高监管效能，还要从金融产品本身的风险防范出发，继续探索科学的风险度量模型，对金融产品进行风险度量，建立风险预警机制，从两个角度出发对我国货币基金产品和金融产品进行风险控制。

参考文献：

[1]  谢平，邹传伟.互联网金融模式研究[J].金融研究，2012，（12）：11-22.

[2]  祝福云，周颖，陈媛.互联网金融产品风险和绩效评价的实证分析——基于EGARCH-GED模型的VaR方法[J].上海立信会计金融学院学报，2018，（6）：60-69.

[3]  宋光辉，吴超，吴栩.互联网金融风险度量模型选择研究[J].金融理论与实践，2014，（12）：16-19.

[4]  黄崇珍，曹奇.基于GARCH-VaR模型的开放式基金风险度量[J].统计与决策，2017，（1）：152-155.