【我國商業(yè)銀行利率風(fēng)險實證探究（論文）9100字】

我國商業(yè)銀行利率風(fēng)險實證研究目錄77981導(dǎo)論 1256701.1選題背景與意義 1232141.2文獻(xiàn)綜述 167761.3論文的結(jié)構(gòu)及主要內(nèi)容 2248791.4論文的研究方法 220102商業(yè)銀行利率風(fēng)險度量模型 353992.1利率敏感性缺口模型 3216532.2久期缺口模型 3244892.3VaR模型 392673我國基準(zhǔn)利率選取實證分析 476653.1變量選取與數(shù)據(jù)處理 4124343.2相關(guān)性檢驗 4141623.3基準(zhǔn)性檢驗 5278013.4結(jié)論 681574我國商業(yè)銀行利率風(fēng)險實證分析 6158034.1樣本數(shù)據(jù)選取 6272204.2數(shù)據(jù)檢驗分析 651144.3建立GARCH模型 9181294.4VaR值的計算 10302344.5事后檢驗 11112715結(jié)論及建議 11116055.1結(jié)論 11135305.2建議 1224044參考文獻(xiàn) 131導(dǎo)論1.1選題背景與意義隨著我國經(jīng)濟(jì)進(jìn)入新的發(fā)展階段，金融市場的活躍度不斷提升，同時也極大地激發(fā)了金融中介機(jī)構(gòu)的活力，金融體系也得到充分的構(gòu)建和完善。但是，在金融市場繁榮發(fā)展的同時，與此伴隨而來的風(fēng)險也逐漸暴露出來，特別是利率風(fēng)險已經(jīng)成為現(xiàn)代金融體系不容忽視的風(fēng)險之一。在利率市場化的背景下，利率完全由市場的供給和需求決定，政府不再直接干預(yù)，這就使得利率波動幅度加大，變動更加靈活，因此帶來了很大的不確定性，助長過度投機(jī)，不利于金融市場的正常發(fā)展，進(jìn)而導(dǎo)致利率風(fēng)險基于之前的水平明顯提高。商業(yè)銀行作為金融中介機(jī)構(gòu)的重要組成部分，隨著利率市場化進(jìn)程的推進(jìn)，在穩(wěn)步發(fā)展的同時伴隨的利率風(fēng)險也進(jìn)一步加大，進(jìn)行利率風(fēng)險管理十分必要。而這其中利率風(fēng)險的度量作為利率風(fēng)險管理過程中的關(guān)鍵一環(huán)，需要管理者重點關(guān)注。因此，采用合適的研究方法來準(zhǔn)確度量商業(yè)銀行利率風(fēng)險，是商業(yè)銀行進(jìn)行風(fēng)險控制和管理的必要環(huán)節(jié)，并且及時采取有效的措施來降低預(yù)期損失，對商業(yè)銀行的正常經(jīng)營和盈利，都有著十分重要的實踐意義。1.2文獻(xiàn)綜述1.2.1關(guān)于利率風(fēng)險度量方法的研究利率是整個金融市場和金融體系中最活躍的因素。隨著金融體系的不斷完善以及金融市場的多樣化發(fā)展和金融工具的不斷創(chuàng)新，關(guān)于利率風(fēng)險度量方法的研究也不斷深入，各位學(xué)者采取的度量方法和模型也更加多樣化，更加具有實踐價值?，F(xiàn)有的文獻(xiàn)大部分以利率的變動對金融工具價格變動的影響程度為基礎(chǔ)，進(jìn)而對利率風(fēng)險進(jìn)行度量，從最初的利率敏感性缺口模型到久期缺口模型，再過渡到將VaR模型應(yīng)用于度量利率風(fēng)險之中。在利用利率敏感性缺口分析我國利率風(fēng)險方面，劉陽（2019）應(yīng)用利率敏感性缺口的方法研究了在利率市場化的背景下，商業(yè)銀行面臨的主要利率風(fēng)險，并且根據(jù)得到的分析結(jié)果提出相應(yīng)的對策建議。魏瑤瑤（2020）選擇9家上市商業(yè)銀行的有關(guān)數(shù)據(jù)，根據(jù)其數(shù)值的變動用利率敏感性缺口模型進(jìn)行利率風(fēng)險度量。近幾年，使用VaR方法度量利率風(fēng)險已得到眾多學(xué)者的認(rèn)可。外國學(xué)者率先一步在此方面進(jìn)行探索，Kupiec(1995)運用似然比統(tǒng)計量檢驗VaR模型的精確度，隨后VaR方法廣泛應(yīng)用于度量金融風(fēng)險。Chew和Lilian(1996)系統(tǒng)介紹了VaR的3種計算方法，即蒙特卡羅模擬法、RiskMetrics方法和歷史模擬法。PhilippeJorion(1997)介紹了VaR的相關(guān)原理和理論概念、計算方法和檢驗方法及在投資和風(fēng)險管理等領(lǐng)域的實際應(yīng)用。在我國，宿玉海和王美伶(2015)通過建立GARCH模型和TARCH模型來計算VaR值，認(rèn)為基于TARCH(1，1)-GDE模型對度量隔夜SHIBOR利率風(fēng)險的效果較好。李洛源(2016)構(gòu)建了在不同分布下的ARMA-GARCH模型來度量SHIBOR風(fēng)險，認(rèn)為在正常的市場情況下VaR方法能夠很好地度量利率風(fēng)險。王飛航和張莉（2016）采用Vasicek模型以及CIR模型來描述利率的波動幅度，并且采用GARCH模型估計利率的波動率，進(jìn)而使用VaR的方法度量利率風(fēng)險。冷琦琪和王學(xué)軍(2018)在多種分布下應(yīng)用EGARCH模型計算VaR值，并且使用KUPIEC和CHRISTOFFERSEN檢驗法來檢驗VaR的有效性。羅熙茗和付湘山（2020）把倫敦銀行間同業(yè)拆借利率(LIBOR)作為研究對象，使用VaR方法來度量商業(yè)銀行的利率風(fēng)險。目前，采用利率敏感性缺口模型和久期缺口模型進(jìn)行利率風(fēng)險度量的研究與之前相比有所減少，學(xué)者們更傾向于選擇VaR模型作為主要的研究方法。但是進(jìn)行實證分析時所選取的基準(zhǔn)利率大部分是SHIBOR利率，隨著基準(zhǔn)利率培育工作的有序進(jìn)行，出現(xiàn)了新的參考利率，SHIBOR利率的代表性有所減弱。而現(xiàn)有的文獻(xiàn)中，對選擇新的參考利率作為樣本數(shù)據(jù)進(jìn)行利率風(fēng)險度量的研究較少。1.2.2我國基準(zhǔn)利率選取的研究在度量利率風(fēng)險時，基準(zhǔn)利率的選擇對實證結(jié)果有著明顯的影響，因此選用哪種利率更具有代表性和研究價值也成為關(guān)注的重點之一。劉義圣、王春麗（2019）通過在新環(huán)境下對貨幣市場基準(zhǔn)利率的選擇進(jìn)行實證檢驗，結(jié)果顯示:DR001的基準(zhǔn)性、相關(guān)性和穩(wěn)定性都更強(qiáng)，因此選擇DR001作為我國基準(zhǔn)利率的觀測指標(biāo)更合適。曹超（2020）以市場性、相關(guān)性和基準(zhǔn)性等五個基本屬性為基礎(chǔ)，將選取的四種不同類型的市場利率作為研究對象，進(jìn)行實證分析，研究結(jié)果表明存款類機(jī)構(gòu)質(zhì)押式7天回購利率（DR007）具有較好的基本屬性，并且優(yōu)于其他貨幣市場利率的效果。項衛(wèi)星、閆博（2020）研究發(fā)現(xiàn)，如果把特定期限的業(yè)務(wù)作為基準(zhǔn)利率，那么7天逆回購利率比較合適；如果把貨幣市場利率作為基準(zhǔn)利率，R001與DR001技術(shù)性上都具備條件，但是R001具有較強(qiáng)的市場代表性，DR001具有較強(qiáng)的政策指導(dǎo)性。1.3論文的結(jié)構(gòu)及主要內(nèi)容本文包括六個部分，各部分的研究重點如下所示:第一部分:導(dǎo)論。該部分是在收集利率市場化背景下利率風(fēng)險變動的資料以及相關(guān)研究文獻(xiàn)的基礎(chǔ)上，總結(jié)論文的研究背景與意義；之后介紹國內(nèi)外現(xiàn)有研究的基本情況。第二部分:相關(guān)概念理論的闡述。借鑒國內(nèi)外學(xué)者的研究方法，分析現(xiàn)存的利率風(fēng)險度量的方法。第三部分:實證分析基準(zhǔn)利率的選取。第四部分:在確定具有代表性的基準(zhǔn)利率數(shù)據(jù)后，對我國商業(yè)銀行利率風(fēng)險進(jìn)行實證分析。第五部分:根據(jù)實證分析得出的結(jié)果，提出商業(yè)銀行利率風(fēng)險管理的改進(jìn)措施。1.4論文的研究方法（1）文獻(xiàn)總結(jié)法文獻(xiàn)總結(jié)法是以搜集、整理文獻(xiàn)資料為基礎(chǔ)從而進(jìn)一步了解研究現(xiàn)狀的重要方法。通過在中國知網(wǎng)上，利用“商業(yè)銀行”、“利率風(fēng)險”和“利率風(fēng)險度量實證分析”等關(guān)鍵詞，下載近十年來商業(yè)銀行利率風(fēng)險管理方面的文獻(xiàn)。（2）比較分析法本文闡述了三種利率風(fēng)險度量模型的主要理論，然后根據(jù)現(xiàn)階段商業(yè)銀行發(fā)展特征的適用性，選擇VaR模型作為利率風(fēng)險度量的工具；通過對比分析選用了GARCH模型計算商業(yè)銀行利率風(fēng)險的VaR值。（3）定量研究法基于各種利率的數(shù)據(jù)，綜合運用商業(yè)銀行學(xué)、計量經(jīng)濟(jì)學(xué)等學(xué)科的理論知識，運用時間序列數(shù)據(jù)建立GARCH模型進(jìn)行VaR值測算，對我國商業(yè)利率風(fēng)險進(jìn)行實證分析。2商業(yè)銀行利率風(fēng)險度量模型2.1利率敏感性缺口模型利率敏感性缺口模型通過測算利率變動時，銀行凈利息收入隨之變化的幅度，來進(jìn)行有效的利率風(fēng)險度量。主要測算指標(biāo)為利率敏感性缺口，用利率敏感性資產(chǎn)與利率敏感性負(fù)債的差額來表示，其中利率敏感性資產(chǎn)是指需要在一定時期內(nèi)重新定價的資產(chǎn),利率敏感性負(fù)債是指需要在一定時期內(nèi)重新定價的負(fù)債。該指標(biāo)反映了銀行凈利息收入的變動方向與利率的變動方向之間的關(guān)系，當(dāng)利率敏感性缺口大于0時，為正缺口，即兩者同向變動；當(dāng)利率敏感性缺口等于0時，為零缺口，即利率的變動不會影響銀行凈利息收入的變動；當(dāng)利率敏感性缺口小于0時，為負(fù)缺口，即兩者反向變動。利率敏感性缺口模型最早用于銀行的利率風(fēng)險度量，容易理解、計算簡單、成本較低。但是也存在一定的局限性，首先，該模型需要假設(shè)資產(chǎn)和負(fù)債的利率變化幅度一致，從而忽略了不同頭寸的利率變動差異；其次，該模型選擇不同的考察期，由于忽略了資金的時間價值，導(dǎo)致測算得到的缺口狀況也不同，這樣就可能造成錯誤的分析。2.2久期缺口模型久期缺口模型通過測算利率變動時，銀行的權(quán)益價值隨之變化的幅度，來進(jìn)行有效的利率風(fēng)險度量。該模型的主要測算指標(biāo)為久期缺口，根據(jù)已有的研究得出，可以將久期缺口定義為Dgap=DA-DL，其中DA表示資產(chǎn)久期；表示資產(chǎn)負(fù)債率，即=VLVA；DL表示負(fù)債久期。然后利用久期缺口建立利率變動和權(quán)益價值變化之間的關(guān)系，整理可得VE=Dgapr（1+r）VA，其中VE表示權(quán)益價值變化；r表示利率變動；VA表示資產(chǎn)價值，從而得出，當(dāng)前的市場利率越高，利率變化對權(quán)益價值的影響越小。久期缺口模型彌補(bǔ)了利率敏感性缺口模型的局限性，即考慮了資金的時間價值，屬于對利率風(fēng)險的比較靜態(tài)分析。2.3VaR模型VaR是指在正常的市場條件下和一定的置信水平下，金融資產(chǎn)或資產(chǎn)組合在一定時期內(nèi)的最大損失。因為大多數(shù)的金融時間序列都是非正態(tài)的，且存在尖峰厚尾的分布特征，所以本文假設(shè)資產(chǎn)的價值變化服從廣義誤差分布（GED）。在確定資產(chǎn)價值變化的分布狀況后，關(guān)鍵是要得出資產(chǎn)收益率序列的波動率，從已有的研究發(fā)現(xiàn)，對于大多數(shù)金融時間序列，GRACH模型能夠效果較好地估計出序列的波動率，因此本文在實證部分通過建立GARCH模型來得到一個條件方差序列，進(jìn)一步計算得出波動率。那么VaR值的計算公式可以表達(dá)為：VaR=0Ztt，其中0代表資產(chǎn)價值，假定為1；Z表示一定置信水平下的分位數(shù)；t表示收益率波動,t表示持有期。VaR模型提供了對風(fēng)險的總體測度，通過預(yù)測市場因子的波動性，來得出資產(chǎn)的價值變化。而且該模型估計結(jié)果的準(zhǔn)確性和模型的有效性，還可以通過事后檢驗進(jìn)行驗證，提高了風(fēng)險度量的準(zhǔn)確度。3我國基準(zhǔn)利率選取實證分析3.1變量選取與數(shù)據(jù)處理根據(jù)研究目的和具體實踐來看，適合進(jìn)行實證檢驗的利率變量分別為存款類機(jī)構(gòu)間利率債質(zhì)押隔夜回購利率（DR001）、存款類機(jī)構(gòu)間利率債質(zhì)押7天回購利率（DR007）、上海銀行間隔夜拆借利率(SHIBORO/N)。SHIBOR、DR001和DR001的數(shù)據(jù)來自Wind數(shù)據(jù)庫，選取的時間期限為2017年2月3日至2021年3月31日的日數(shù)據(jù)，本文采取Eviews7.2對選取的利率進(jìn)行相關(guān)性與基礎(chǔ)性檢驗分析。3.2相關(guān)性檢驗基準(zhǔn)利率是在多種利率同時存在的條件下，起著決定作用的利率，并且其他利率會隨之變動而發(fā)生相應(yīng)的變化。因此，作為基準(zhǔn)利率的選取標(biāo)準(zhǔn)之一就是與市場其他利率存在較強(qiáng)的相關(guān)性。為了觀察選取的利率間的相關(guān)性，先做出所選數(shù)據(jù)的走勢圖。如圖3-1所示，數(shù)據(jù)的變動趨勢大致相同，但DR001的波動幅度與其它利率相比更加顯著，說明DR001對其他利率有一定的帶動性和影響力，接下來使用Eviews7.2對選取數(shù)據(jù)的相關(guān)系數(shù)進(jìn)行分析。圖3-1SHIBORO/N、DR001、DR007利率走勢圖根據(jù)表3-1顯示，DR001與SHIBOR之間的相關(guān)性最高，兩者的相關(guān)系數(shù)為0.925075；其次為DR001與DR007，相關(guān)系數(shù)為0.748104，相關(guān)性最低的為SHIBOR與DR007，但也高達(dá)0.697231。比較而言，DR001與SHIBOR、DR007的相關(guān)密切程度都較強(qiáng)，可以進(jìn)一步推測DR001與市場上其他利率的相關(guān)性也同樣較強(qiáng)，較高的相關(guān)系數(shù)表明利率在市場中具有明顯的聯(lián)動效應(yīng)。表3-1SHIBORO/N、DR001、DR007之間相關(guān)性檢驗表SHIBORDR001DR007SHIBOR1.0000000.9250750.697231DR0010.9250751.0000000.748104DR0070.6972310.7481041.0000003.3基準(zhǔn)性檢驗基準(zhǔn)利率選取的另一標(biāo)準(zhǔn)是具有基準(zhǔn)性，關(guān)于利率指標(biāo)的基準(zhǔn)性檢驗，可以通過格蘭杰因果檢驗得以實現(xiàn)，分析各變量間是否存在因果關(guān)系，從而確定一個指標(biāo)變量是否具有基準(zhǔn)性，也就是檢驗其是否是引起其他變量變動的原因。格蘭杰因果檢驗只適用于平穩(wěn)序列，因此先對時間序列數(shù)據(jù)進(jìn)行單位根檢驗，保證變量數(shù)據(jù)為平穩(wěn)數(shù)據(jù)，再進(jìn)行格蘭杰因果檢驗。表3-2ADF單位根檢驗結(jié)果TestStatistic1%CriticalValue5%CriticalValue10%CriticalValueSHIBORO/N-5.033086-3.436450-2.864122-2.568196DR001-5.162292-3.436456-2.864124-2.568198DR007-3.941614-3.436480-2.864135-2.568203MacKinnon(1996)one-sidedp-values在構(gòu)建模型之前，需要對數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗，本文采用的方法是ADF檢驗。結(jié)果如表3-2顯示，在確定的水平條件下，SHIBORO/N、DR001、DR007的ADF統(tǒng)計量都分別小于1%、5%、10%顯著水平的臨界值，因此所有變量都是平穩(wěn)的，符合做格蘭杰因果檢驗的條件。所以，進(jìn)一步對SHIBORO/N、DR001、DR007進(jìn)行格蘭杰因果檢驗。表3-3格蘭杰因果檢驗結(jié)果ObsF-StatisticProbDR001doesnotGrangerCauseSHIBOR101722.17952.E-68SHIBORdoesnotGrangerCauseDR0011.149750.2891DR007doesnotGrangerCauseSHIBOR6.795791.E-18SHIBORdoesnotGrangerCauseDR0071.857930.0109DR001doesnotGrangerCauseDR0072.305210.0008DR007doesnotGrangerCauseDR0013.807452.E-08檢驗結(jié)果如表3-3顯示，DR001不僅是SHIBORO/N的格蘭杰原因，也是DR007的格蘭杰原因，因此，格蘭杰因果關(guān)系給出了存款類機(jī)構(gòu)間利率債質(zhì)押隔夜回購利率（DR001）作為基準(zhǔn)利率最優(yōu)性的解釋，即DR001的基準(zhǔn)性較強(qiáng)。3.4結(jié)論研究結(jié)果表明，存款類機(jī)構(gòu)間利率債質(zhì)押隔夜回購利率（DR001）的基準(zhǔn)性和相關(guān)性相較于存款類機(jī)構(gòu)間利率債質(zhì)押7天回購利率（DR007）、上海銀行間隔夜拆借利率(SHIBORO/N)等都更強(qiáng)，比較而言，DR001更適合作為本文進(jìn)行度量利率風(fēng)險實驗數(shù)據(jù)的首選。4我國商業(yè)銀行利率風(fēng)險實證分析4.1樣本數(shù)據(jù)選取由上面的實證結(jié)果得出，DR001市場代表性更強(qiáng)，更適合作為基準(zhǔn)利率進(jìn)行本文下一步的實證分析。因此本文選取2017年2月3日至2021年3月31日存款類機(jī)構(gòu)間利率債質(zhì)押隔夜回購利率（DR001）數(shù)據(jù)作為樣本(數(shù)據(jù)來源于Wind數(shù)據(jù)庫)，樣本數(shù)量一共為1038個。對DR001利率進(jìn)行對數(shù)差分處理：r=ln（DR001t）-ln（DR001t-1）（r：對數(shù)日收益率；DR001t：t日的存款類機(jī)構(gòu)間利率債質(zhì)押隔夜回購利率；DR001t-1：t-1日的存款類機(jī)構(gòu)間利率債質(zhì)押隔夜回購利率）4.2數(shù)據(jù)檢驗分析在建立模型之前，對收益率序列進(jìn)行正態(tài)性、平穩(wěn)性、自相關(guān)性和條件異方差性檢驗。4.2.1正態(tài)性檢驗圖4-1LR時間序列直方分布圖以及JB檢驗結(jié)果由圖4-1可以看出,DR001收益率的平均值為-0.000244，標(biāo)準(zhǔn)差為0.147897，偏度為0.173418,偏度值大于0，說明序列分布存在右偏分布。峰度值為7.851731，高于正態(tài)分布的峰度值3，說明是尖峰分布，即收益率序列具有尖峰厚尾的特點。Jarque-Bera統(tǒng)計量為1022.291，P值為0.000000，在99%的置信水平下，拒絕是正態(tài)分布的原假設(shè)。為了提高模型的擬合度，需選取其它的分布形式。4.2.2平穩(wěn)性檢驗本文采用ADF單位根檢驗法對收益率序列進(jìn)行平穩(wěn)性檢驗，ADF檢驗結(jié)果如表4-1所示。表4-1收益率序列ADF單位根檢驗結(jié)果t-StatisticProb.*AugmentedDickey-Fullerteststatistic-24.458690.0000Testcriticalvalues:1%level-3.4364565%level-2.86412410%level-2.568198由表4-1可知，收益率序列的ADF檢驗值的t統(tǒng)計量為-24.45869，都分別小于1%、5%、10%顯著水平下的臨界值，且對應(yīng)的P值為0.0000，收益率序列不存在單位根，說明經(jīng)過對數(shù)差分后得到的收益率序列數(shù)據(jù)平穩(wěn)。4.2.3自相關(guān)檢驗本文對樣本數(shù)據(jù)進(jìn)行自相關(guān)檢驗，檢驗結(jié)果如表4-2所示。表4-2收益率序列自相關(guān)檢驗結(jié)果AutocorrelationPartialCorrelationACPACQ-StatProb*||*||1-0.104-0.10411.2080.001*||*||2-0.107-0.11923.0980.000*||*||3-0.141-0.17043.7940.000||*||4-0.013-0.06843.9630.000||||50.0710.02349.1800.000||||6-0.031-0.05550.1620.000||||7-0.023-0.03650.7320.000*||*||8-0.074-0.08456.5290.000||||90.0650.02860.9120.000||||100.010-0.01261.0100.000||||11-0.040-0.05462.7050.000*||*||12-0.071-0.08167.9840.000||*||13-0.036-0.06769.3180.000||*||14-0.005-0.07169.3410.000||*||15-0.055-0.11972.5220.000從表4-2可以得到，在5%的顯著水平下，Q統(tǒng)計量的值都較大，且對應(yīng)的P值=0.000，拒絕相關(guān)系數(shù)為零的原假設(shè)，即序列具有自相關(guān)性。其中滯后五期的相關(guān)系數(shù)為0.071，比其它階數(shù)都高，此時序列正相關(guān)性最強(qiáng)。4.2.4異方差檢驗金融時間序列可能存在條件異方差，因此需要進(jìn)行條件異方差檢驗。在此之前，先觀察一下收益率的時間序列圖，結(jié)果如圖4-2所示：圖4-2收益率時間序列圖由圖可以看出，收益率序列在2019年5月-2021年這一時間段較為聚集，存在明顯的“集群”現(xiàn)象，且波動幅度較大，而在2019年之前波動都較平緩。在這之后應(yīng)用ARCH-LM法對殘差進(jìn)行異方差檢驗，由表4-2可知，時間序列滯后一期的偏自相關(guān)系數(shù)超過0.05，所以構(gòu)建AR（1）模型進(jìn)行回歸分析，然后根據(jù)結(jié)果判斷模型是否有效，結(jié)果如表4-3所示：表4-3AR（1）模型回歸結(jié)果VariableCoefficientStd.Errort-StatisticProb.C-0.0002660.004144-0.0641390.9489AR(1)-0.1038310.030933-3.3566590.0008由得出的結(jié)果發(fā)現(xiàn)，常數(shù)項c的P值較大，未通過檢驗，因此去掉常數(shù)項c再一次構(gòu)建新的AR（1）模型，回歸結(jié)果如表4-4所示：表4-4AR（1）模型回歸結(jié)果VariableCoefficientStd.Errort-StatisticProb.AR(1)-0.1038270.030918-3.3581510.0008由表可知，去掉常數(shù)項c后，AR（1）模型有效，接下來對AR（1）模型的殘差進(jìn)行ARCH-LM檢驗，結(jié)果如表4-5所示。表4-5ARCH-LM檢驗結(jié)果F-statistic21.63921Prob.F(2,1033)0.0000Obs*R-squared41.65483Prob.Chi-Square(2)0.0000通過ARCH-LM檢驗發(fā)現(xiàn)，P值小于0.05，在95%的置信區(qū)間內(nèi)，拒絕原假設(shè)，收益率序列存在異方差,即存在ARCH效應(yīng)。綜合以上檢驗結(jié)果得出，收益率序列是非正態(tài)、平穩(wěn)、存在自相關(guān)性、存在異方差的序列，因此本文后面的回歸分析采用GARCH模型。4.3建立GARCH模型GARCH（p,q）模型的表達(dá)形式為：條件均值方程：rt=rt-1+t條件方差方程：σt2=0+1t-12+σt-12在進(jìn)行下一步的回歸之前，需要確定GARCH模型中各個階數(shù)，所以先設(shè)定不同的p值、q值，并對其進(jìn)行回歸分析，從得到的結(jié)果中提取出AIC和SC的值，根據(jù)AIC、SC最小準(zhǔn)則來確定合適的階數(shù)，AIC、SC提取的結(jié)果如表4-6所示：表4-6AIC、SC提取結(jié)果GARCH（1,1）GARCH（1,2）GARCH（2,1）AIC-1.278093-1.277379-1.277291SC-1.259008-1.253523-1.253434通過設(shè)定不同的p值、q值得到的回歸結(jié)果發(fā)現(xiàn)，當(dāng)p=1,q=1時，AIC、SC的值均為最小，符合相關(guān)原則，所以本文以GARCH（1,1）模型進(jìn)行研究。由前面對收益率序列相關(guān)的描述性統(tǒng)計得知，序列存在尖峰厚尾的分布特點，因此本文認(rèn)為選擇在廣義誤差（GED）的假設(shè)條件下，建立GARCH（1,1）模型進(jìn)行回歸分析，擬合程度較好，結(jié)果如表4-7所示：表4-7GED分布假設(shè)下，GARCH（1,1）模型回歸結(jié)果VariableCoefficientStd.Errorz-StatisticProb.AR(1)-0.1281500.030030-4.2674560.0000VarianceEquationC0.0016700.0004144.0340620.0001RESID(-1)^20.4763480.0885405.3800320.0000GARCH(-1)0.5593980.05585810.014600.0000GEDPARAMETER1.0142450.05849517.338990.0000再對殘差序列做ARCH-LM檢驗，結(jié)果如表4-8所示：表4-8ARCH-LM檢驗結(jié)果F-statistic1.324777Prob.F(4,1027)0.2588Obs*R-squared5.297574Prob.Chi-Square(4)0.2581由上表檢驗結(jié)果可知，P值為0.2588，大于臨界值0.05，即接受原假設(shè)，收益率r序列的異方差通過GARCH模型得到了很好的解決。結(jié)合表4-7，確定GARCH（1,1）模型的回歸方程表示為：rt=-0.128150rt-1+t（t=tt,tGED（0.058495））t2=0.001670+0.476348t-12+0.559398t-12根據(jù)回歸方程得出，1的值大于0，說明收益率序列波動程度加劇；為0.559398，表明市場環(huán)境的變化對收益率產(chǎn)生長期性的影響；1與兩個系數(shù)和大于1，說明目前的影響具有一定的持久性。4.4VaR值的計算基于GARCH（1,1）模型，VaR值的計算公式如下：VaR=0Ztt（0：資產(chǎn)價值，假定為1；Z：一定置信水平下的分位數(shù)；t：收益率波動；t：持有期，本文選擇的數(shù)據(jù)是DR001，所以持有期為1）。在95%和99%兩種不同置信水平下得出VaR值，（GED分布下，置信水平為0.95時，臨界值Z等于1.63；置信水平為0.99時，臨界值Z等于2.76）并進(jìn)行簡單的整理，得到如表4-9所示的結(jié)果：表4-9不同置信水平下VaR值的相關(guān)數(shù)值置信水平最大值最小值平均值標(biāo)準(zhǔn)差95%1.1012140.1013880.234970.13040599%1.8646330.1716760.3978630.2208084.5事后檢驗為了驗證上述VaR模型是否能夠進(jìn)行準(zhǔn)確的預(yù)測，以及VaR模型的有效性，本文對所選取數(shù)據(jù)進(jìn)行事后檢驗。事后檢驗可以使用檢驗時間序列的歷史分布和檢驗VaR模型在過去的表現(xiàn)如何兩種方法進(jìn)行。本文通過檢驗VaR模型在過去的表現(xiàn)來觀察VaR模型的有效性，而VaR模型在過去的表現(xiàn)又可以通過檢驗例外發(fā)生的頻率或檢驗例外的集中程度（積聚效應(yīng)）來反映。本文通過比較實際損益和估計的VaR值之間的大小，當(dāng)實際損益大于估計的VaR值時，認(rèn)為VaR模型預(yù)測失敗，整理得出在95%置信水平下的失敗天數(shù)，并計算得出失敗率，其中失敗率=失敗天數(shù)/總樣本天數(shù)，結(jié)果匯總?cè)绫?-10所示：表4-10事后檢驗結(jié)果置信水平總樣本天數(shù)失敗天數(shù)失敗率95%1036333.19%由表可以看出，在95%的置信水平下，實際的失敗率=0.0319，小于相應(yīng)的分位數(shù)0.05，且兩者的數(shù)值較接近。所以，設(shè)定的VaR模型預(yù)測出的VaR值通過了事后檢驗，即VaR模型預(yù)測有效。5結(jié)論及建議5.1結(jié)論本文選用2017—2021年存款類機(jī)構(gòu)間利率債質(zhì)押隔夜回購利率（DR001）數(shù)據(jù)進(jìn)行了實證研究，收益率數(shù)據(jù)的樣本容量為1038個。實證分析過程中，先對DR001的時間序列進(jìn)行對數(shù)差分的步驟，處理得到波動程度較平穩(wěn)的時間序列。下一步，運用Eviews7.2軟件對選取的1017個樣本數(shù)據(jù)，進(jìn)行正態(tài)性、平穩(wěn)性、自相關(guān)性和條件異方差性的檢驗?？梢缘贸鲆韵陆Y(jié)論：第一，收益率序列的分布與正態(tài)分布存在較大差異，且收益率序列具有尖峰厚尾的特點，所以為了提高模型的擬合度，本文假設(shè)收益率序列服從廣義誤差分布。第二，根據(jù)序列的ADF檢驗結(jié)果可知，收益率序列不存在單位根，說明經(jīng)過對數(shù)差分后的序列數(shù)據(jù)平穩(wěn)。第三，在5%的顯著水平下，Q統(tǒng)計量的值都較大，且對應(yīng)的P值=0.000，拒絕相關(guān)系數(shù)為零的原假設(shè)，即序列具有自相關(guān)性。第四，收益率序列在2019年5月-2021年時間段較為聚集，存在明顯的“集群”現(xiàn)象，且波動幅度較大。之后對AR（1）模型的殘差進(jìn)行ARCH-LM檢驗，結(jié)果顯示，P值小于0.05，在95%的置信區(qū)間內(nèi)，拒絕原假設(shè)，收益率序列存在異方差,即存在ARCH效應(yīng)。綜合以上收益率序列的特征，以及通過對比不同GARCH模型的AIC、SC值，表明采用GARCH（1,1）模型對序列進(jìn)行擬合效果最優(yōu)。根據(jù)得出的擬合方程，1的值大于0，說明收益率序列波動程度加劇，且市場環(huán)境的變化對收益率產(chǎn)生長期性的影響。1與兩個系數(shù)和大于1，說明目前的影響具有一定的持久性。本文測算了在不同置信水平下的VaR值，在95%的置信水平下，DR001單位資產(chǎn)日均VaR值為0.23497；在99%的置信水平下，DR001單位資產(chǎn)日均VaR值為0.397863，表明我國商業(yè)銀行利率風(fēng)險較大。之后對VaR模型的有效性和準(zhǔn)確性進(jìn)行檢驗，得出在95%的置信水平下，實際的失敗率=0.0319，小于相應(yīng)的分位數(shù)0.05，且兩者的數(shù)值較接近。所以，設(shè)定的VaR模型預(yù)測出的VaR值通過了事后檢驗，即VaR模型預(yù)測有效，表明使用VaR模型來度量商業(yè)銀行的利率風(fēng)險效果較好。5.2建議第一，加強(qiáng)監(jiān)督與管理。DR001主要受到市場流動性供求狀況波動的影響，是觀測銀行間市場流動性的主要指標(biāo)之一，同時也是觀察資金面松緊的重要風(fēng)向標(biāo)，反映了短期中央銀行對市場流動性的態(tài)度。2019年6月24日至7月5日，DR001出現(xiàn)異常值的情況，同時出現(xiàn)機(jī)構(gòu)在銀行間債券回購市場發(fā)生異常利率交易，經(jīng)調(diào)查表明為銀行交易員操作失誤所致。對銀行產(chǎn)生的影響：最直接的體現(xiàn)在經(jīng)濟(jì)效益方面，同時也一定程度沖擊了銀行的內(nèi)部經(jīng)營管理。所以商業(yè)銀行需要在以后的交易過程中加強(qiáng)對銀行的內(nèi)控、制度及風(fēng)險防范等方面的監(jiān)督與管理，及時制止因不當(dāng)操作而造成的信譽(yù)損失。第二，選取合適的利率風(fēng)險度量方法。商業(yè)銀行進(jìn)行有效的利率風(fēng)險管理，關(guān)鍵一步是選取合適的利率風(fēng)險度量方法，不同的度量模型得出的度量結(jié)果存在著一定程度的偏差。與利率敏感性缺口模型和久期缺口模型相比，采用VaR模型進(jìn)行利率風(fēng)險度量效果更好，它可以通過相關(guān)的