期货市场风险度量

⑴ 为什么可以用方差衡量风险

不确定性是所有学科、所有领域都要面临的问题。但经济学只把不确定性限定在投资领域，而且赋予不确定性以贬义——风险——资产未来损失的不确定性。

1950年代，马科维茨用资产的方差来定义风险。资产组合理论，包括后来独步金融工程领域的布莱克—斯科尔斯期权定价公式都是建立在这个逻辑基础之上。但是需要思考的是，用方差衡量风险是否合适？

首先，不确定性是指未来的情况，过去发生的已经是确定性了。如果用过去的确定性来解释未来的不确定性，就犯了一个逻辑错误。比如某支股票过去十个季度的绩效情况是完全可知的，其平均收益率（样本均值）很容易计算得出，其波动性（样本方差）也可以计算得出。但是用过去的波动性来解释未来的波动性，就犯了刻舟求剑的错误。用过去的波动性解释未来的波动性，其前提条件是市场过去和未来的高度相似性，这样能得到较好的解释和估计。但市场是瞬息万变的，不存在所谓的一般规律。历史也不可能重演。基于这个一般判断，用资产的样本方差来衡量风险是不合适的。

其次，既然用方差衡量风险不合适，那么用协方差来衡量组合风险也不合适。资产组合理论认为：如果持有十支以上的股票，那么就能基本抵御非系统风险。该理论把非系统风险（股票之间的相互波动）和系统风险（市场的波动）截然割裂开来，这种简单的两分法也有问题。任何股票的波动都包涵了系统风险的影响，整个资产组合的风险机制就更为复杂。分散投资有用，但实际观察中，分散投资的作用并没有数学模型显示的那么强大。

再次，从规避风险的手段来看，方差衡量风险也不怎么有用。金融市场上，规避风险的手段有三种：分散投资、期货、期权。期货可以100%的规避风险（排除投机期货的情况），但这种完美的规避风险并非出自方差分析，而是市场上刚好出现一对耦合，即期货的多头和空头以同样的价格锁定未来的交易。期权也有类似的机制。分散投资并不能绝对规避风险，往往成为风险的牺牲品。热衷资产组合理论的分析师常说“不要把所有的鸡蛋都放在一个篮子里”，但是，如果所有的篮子都摔在地上呢？

资产组合理论有一个隐性的逻辑基础，即资产的波动和物理学的运动一样是可重复的。但是资产的买进和卖出是受人的意志决定的，但人的行为是很微妙、很复杂、无法数学化的行为。资产组合理论提供了一个参考的方法，但是我们必须认识到，这仅仅是参考，而非定律。

⑵ 期货投机的缺陷

在期货市场中，一方面，由于风险远高于普通投资，投资者急需实用的市场理论来加以指引；另一方面，传统期货理论的“现金价值”又受到质疑。这一现象凸显了传统期货理论本身长期以来存在的缺陷和难解的问题。
虽然这是期货这个特殊市场与生俱来的天性形成的，但从某种程度来说，作为市场理论它的确还有太多未解决的矛盾，这是需要我们去研究的地方。
这里只简要列举部分理论的情况，并针对四个存在缺陷的地方加以论述。
1964年，奥斯本（Osberne）发表随机漫步模型和有效市场假说(EMH)，提出资本市场价格遵循随机游走的主张，指出市场价格是市场对随机到来的事件信息做出的反应，投资者的意志并不能主导事态的发展，从而建立了投资者“整体理性”这一经典假设，并进一步假设期货合约的持有期收益率服从正态分布，从而可以用数理统计学的工具来分析资本市场。
1965年，经济学家法玛(Fama)等人在此基础上提出了“有效市场假说”。这个理论是假设参与市场的投资者有足够的理性，能够迅速对所有市场信息作出合理反应。这是否定基本面分析和图表分析的理论基础。实际上，对于投资者来说，这就是存在着很多看淡基本面分析和图表分析的人士的理论原因。
法玛于1970年进一步强化了其有效市场理论：由于理性投资者以理性和无偏的方式与非理性投资者博弈，前者将逐步主导市场，使得市场至少能够达到弱式有效（Weak Form Efficient）。在这一过程中，“市场选择”这个自然法则使理性投资者成为主导市场的有效力量。“有效市场假说”的支持者认为，市场中的非理性投资者将会遭遇理性投资者的套利活动，“市场选择”使得发生错误的非理性投资者处于被动地位(亏损)，从而被逐步淘汰出市场，直到套期机会消失。通过这一“试错”过程，市场趋近于“无套利均衡”状态，这一过程中市场价格逐步接近其真实价值。
这样，“有效市场假设”就隐含着两个判断：一是非理性交易者在价格形成过程中的作用是无足轻重的，因为他们不能长时间影响价格；二是投资者只有根据证券的内在价值进行交易才能获得效益最大化。
在“有效市场假说”产生的同时，马克维茨首先用“均值——方差”方法提出资产组合理论，经托宾（Tobin）、夏普（Sharpe）、林特纳（Lintner）、莫辛（Mossin）将“有效市场假设”与马克维茨的资产组合理论相结合，建立了一个以一般均衡框架中理性预期为基础的投资者行为模型——“资本资产定价模型（CAPM）。资产组合理论和资本资产定价理论及相关的“有效市场假设”构成了传统金融理论的标准范式，占据了金融理论研究领域的主导地位。
这些理论的特点就是在持有期收益率服从正态分布的基础上，运用数理统计的方法来分析期货市场，指导期货投资。
比如，资产组合理论进一步假设投资者总是追求较大的收益率和较小的收益率方差（风险的度量）。在EMH否定了投资者的价格预测能力之后，资产组合理论指出，投资者也并不是无所作为，而是可以通过投资组合（把鸡蛋放在多个篮子里）来降低投资风险，尽量获得平均收益率。
资本资产定价模型在一系列附加假设的基础上，经过研究指出，高风险的资产组合会有高收益率期望值，也就是所谓的“风险与收益互换”。在实际应用中，投资经理人根据这一理念使其主要工作是设计资产组合以适应不同群体和不同风险偏好者的需要。

⑶ 期权、期货、证权、股票、基金、债券的风险排名

从传统观念上划分：
1、风险最大：期权》期货》权证
2、风险较大：股票 基金（目前基金也不稳健）
3、风险最小：债券（推卸不确定性因素较好的避险产品，但收益率低，高期望回报者不适合）。
期权又称为选择权，是一种衍生性金融工具。指在未来一定时期可以买卖的权利，是买方向卖方支付一定数量的金额（指权利金）后拥有的在未来一段时间内（指美式期权）或未来某一特定日期（指欧式期权）以事先规定好的价格（指履约价格）向卖方购买或出售一定数量的特定标的物的权利，但不负有必须买进或卖出的义务。
债券（Bonds / debenture）是一种金融契约，是政府、金融机构、工商企业等直接向社会借债筹措资金时，向投资者发行，同时承诺按一定利率支付利息并按约定条件偿还本金的债权债务凭证。债券的本质是债的证明书，具有法律效力。债券购买者或投资者与发行者之间是一种债权债务关系，债券发行人即债务人，投资者（债券购买者）即债权人。

⑷ 期货公司为何以保证金衡量业绩

保证金，不是期货公司所能定的 ，是，交易所给定的
交易所比如给豆粕是10%的保证金比例，那么，期货公司是需要做资金的对应的
一般呢，为了期货公司不承担保证金带来的风险，所以，一般给客户的保证金比例是13%啊，15%啊 ，这样，期货公司就不需要保证金那么多的资金在交易所了
对于自己是安全的
你就说为什么亏的是客户的，你可知道，很多人会暴仓，倒亏期货公司的钱
就是这样原因的
理解了吧
手续费呢，你亏了和赚了，期货公司是收的
扣掉给交易所的手续费，剩下的就是期货公司的
期货公司是交易所的会员的 ，期货公司是要交年会费的

⑸ 石油市场系统风险评价指标体系

根据科学、系统、数据可获得等基本原则，我们建立了一套指标体系综合评价石油市场的系统风险。主要从4个方面入手，即国际石油期货市场投机程度、典型油价结算货币的汇率波动程度、石油市场需求风险和供应风险。

4.2.2.1 投机炒作

在国际石油交易中，石油期货的交易量和交易额非常重要，而且对石油现货交易价格有明显的价格发现功能，因此我们将重点考察石油期货交易中的价格波动。近几年来，国际油价高位震荡，波动剧烈，石油市场投机因素被认为是其中一个显著的原因。因此，度量国际石油市场的投机程度，应该成为评价石油市场系统风险的一个重要方面。

对期货投机交易或非投机交易的区分，一般是根据CFTC每周公布一次的交易者持仓报告（Commitment of Traders，简称COT）。持有期货头寸的交易者被要求填写报告，以描述他们的商业性质，CFTC据此数据区分商业交易商（commercial traders）和非商业交易商（non-commercial traders）。商业交易商需要实际使用该交易商品，从而主要是利用期货市场进行对冲以控制风险，非商业交易商则包括其他所有的交易商。一般认为，能源期货市场上的投机者是指非商业交易商，其投机交易大体分为两类：头寸交易（position trading）和套利交易（spread trading）

头寸交易包含直接的或多头或空头的期货合约头寸；套利交易既包含多头头寸，也包含空头头寸，存在于相似或相关联商品的不同期货合约中。由于套利交易中投机者买进和卖出的期货合约具有高度的相关性，因此其价格间应该有一个合理的关系。当市场价格偏离合理的相对价格时，投机者即可买进相对便宜的合约而卖出相对较贵的合约；如果判断正确，投机者即可从价差中获利。。

基于投机交易的特点，为了度量国际石油期货市场的投机程度，总体把握石油期货市场的交易状况，尤其是石油期货市场承受的投机压力和对冲压力，根据Sanders等（2004），我们定义几个数量指标如下：

非商业交易商持仓比例：

,

商业交易商的持仓比例：

,

非商业交易商净头寸比例：

,

非商业交易商套利持仓变化率为：

,

商业交易商净头寸比例：

,

其中，NCL表示非商业交易商的多头，NCS表示非商业交易商的空头，NC SP表示非商业交易商的套利持仓，CL表示商业交易商的多头，CS表示商业交易商的空头，TOI表示总持仓量（未平仓合约）。根据Sanders等（2004）和DeRoon等（2000）的观点，非商业交易商净头寸比例表示市场的投机压力（更准确地讲是头寸投机压力），而商业交易商净头寸比例显示的是市场套期保值的压力。

因此，需要从CF TC每周提供一次的交易者持仓报告中获取有关基础数据

CFTC提供的COT报告是一份标准格式的数据报告，其中涉及一些重要的石油期货市场专业概念需要解释，主要包括石油期货交易多头、空头、套利交易和套利持仓。买入期货合约后所持有的头寸称为多头头寸（long positions），简称多头，其利润来自石油期货合约价格的上升；卖出期货合约后所持有的头寸称为空头头寸（short positions），简称空头，其利润来自期货合约价格的下降。未平仓多头合约与未平仓空头合约之间的差额即为净头寸。套利交易衡量每个非商业交易商持有的跨期套利部分，其持仓表示每个非商业交易商持有的等量多头和空头头寸，但是并不包含跨市套利交易的数据。例如，如果一个非商业交易商持有2000张多头和1500张空头原油合约，则在非商业持仓多头计入500张合约，套利交易持仓计入1500张。。

4.2.2.2 汇率波动

石油计价货币的汇率波动也是造成油价剧烈起伏的重要原因。考虑到美元是目前国际石油市场的主要计价和结算货币，因此本节重点考察美元汇率波动，引入了以国际贸易额加权计算的美元综合指数；在美元汇率交易中，美元对欧元汇率占主要地位，对整个美元汇率的走势发挥着主导作用，因此本书也加入了美元对欧元汇率的来评价石油市场汇率风险；此外，随着近些年美元持续贬值，其在货币市场的国际地位引起了热烈讨论，提倡采用一揽子货币结算石油贸易的呼声日渐高升，因此，本节考虑到计算货币多元化的趋势和俄罗斯在国际石油贸易中的重要地位及其现有结算货币更改的实践，引入了美元对卢布的汇率波动。

表4.1 国际石油市场系统风险评价指标体系及说明

除了投机活动和汇率波动因素以外，石油市场最基本的规律，即市场供需形势，也不可忽视。近年来，地缘政治、天气变化、消费行为季节性调整等因素，都最终通过石油市场供需状况来显著影响国际油价波动。因此，评价石油市场系统风险时，市场供需风险必不可少。

综合上述分析，石油市场系统风险评价指标体系及其说明如表4.1所示。需要指出的是，鉴于交易数据限制，目前我们只评价美国NYMEX交易所的系统风险状况。油气品种包括原油、汽油、取暖油和天然气期货。

⑹ 如何衡量公司的经营风险与财务风险

1.企业经营风险和财务风险产生于企业发展的各个阶段。经营风险主要包括市场风险和收益风险;财务风险主要包括支付风险和资产风险。在筹办初期，企业存在创业的风险，如何规划企业的未来与发展方向将决定企业的命运;在企业投产后的经营过程中，各种各样的风险更是隐藏其中，资金风险、市场营销风险、新产品开发风险等，任何一环的疏忽和纰漏都会给企业带来极大的危害;在企业的各项经营管理活动中，授权风险、决策风险、内部牵制风险等，都对企业管理与控制提出了较高的要求，规避风险，防患于未然成为当今企业必须高度重视的问题。

2.首先，企业必须全面分析经营中可能存在的风险，并对风险进行评估容忍度的确认，建立规范的风险监控体系。 在风险管理框架中，由于要针对不同的目标分析其相应的风险，因此目标的制定自然就成为风险管理流程的首要步骤，并将其确认为风险管理框架的一部分。按照现代管理学之父德鲁克的理论，企业应当在以下8个领域确定目标：即市场营销、创新、人力资源、财务资源、实物资源、生产力、社会责任、利润需求等。

3.企业的目标是由相应的机构和部门去实现的，这些部门也就成为风险监控体系的组成部 分。在企业目标与相应目标的风险确认后，定期地进行风险测评成为风险监控的重要 过程。风险的测评，不仅要有测评结论，还必须对今后的控制提出前瞻性提示和防范措 施。
4. 其次，建立风险管理制度，从制度上控制和规范风险的发生。
建立风险管理制度，就是建立公司内部控制制度。企业的内控，就是要通过制订流程、执行流程、监控流程，来控制“不同人的行为”可能带来的风险，保证风险可知、可控、可承受。目前，国内有众多的公司在美国上市，根据2002年7月30日美国国会通过的萨班斯法案，建立企业内部控制制度成为在美上市的必备条件。

⑺ 金属矿产品市场风险预测模型

金属矿产品市场风险，是指成矿带所在国家的市场条件的不确定引起矿业投资的不确定性。国际矿产品市场兼具实物市场和金融市场的特征，特别是近年来大量资金的涌入，更使其金融的特征加强。金属期货市场上的价格波动，直接反映出投资企业面临或即将面临的风险。外汇市场上的汇率波动，从间接角度也会给投资企业带来风险。由于在国际金属期货市场上，金属期货的价格一般以美元标价，对国内企业来说，要进行国际投资，首先需要把人民币转化为相应的外币，运用外币才能在国际市场上灵活操作。

金属矿产资源价格风险是金属期货交易中最为普遍、最为经常的风险，它存在于每一种期货产品中。这是因为每一种期货产品的交易，都是以对这种产品价格变化的预测为基础的；当实际价格的变化方向或幅度与交易商的预测出现背离时，就会造成相应得损失。

汇率风险又称外汇风险，就是由于汇率波动导致企业以外币计量的筹集资金的价值发生变化的可能性。汇率波动风险，是指由于汇率的波动而给持有或使用外汇的项目公司或其他利益参与者带来损失的风险。项目融资的成本和利润对金融市场上汇率变动比较敏感。首先，本国货币与国际主要货币之间汇率变化的风险将影响其生产成本和费用，同时也会加剧国内市场的竞争，因为国外同类产品的生产者会发现这个市场更具吸引力；其次，各国货币之间的交叉汇率变化也会间接影响到该项目在国际市场上的竞争地位；最后，汇率变化也将对项目的债务结构产生影响。

金属矿产品市场风险度量方法分析，主要是借助金融市场风险管理理论，来选用市场风险价值（VaR）作为金属矿产品市场风险测量指标。VaR方法是由JPMORGAN公司率先提出来的，并在实践中得到了广泛应用。市场风险度量的方法有多种，VaR方法是目前金融市场风险测量的主流方法。VaR计算方法包括历史模拟法、方差—斜方差法和蒙特卡罗模拟法。与历史模拟法和蒙特卡洛模拟法相比，方差—斜方差法的优点是需要的数据量较少，易于操作，因此在实践中得到了广泛应用。

VaR的优点在于将不同的市场因子、不同市场的风险集成为一个数，较准确地测量由不同风险来源及其相互作用而产生的潜在损失，适应了金融市场发展的动态性、复杂性和全球整合性的趋势。

VaR计算方法基本思路是：首先，根据金属矿产品市场风险因素分析市场风险因子的函数；其次，建立预测市场风险因子的波动性模型，预测市场风险因子的波动性；最后，根据市场风险因子的波动性估计市场风险价值和分布，计算出VaR 值。

（1）基于GARCH族模型的VaR计算

1）VaR计算的基本原理。

VaR译为风险价值，是指在市场正常波动下，某一金融资产或证券组合的最大损失。更为确切地说，是指在一定概率水平下和特定的持有期内，某一金融资产或证券组合的最大损失。用数学语言，可以定义VaR为：令α∈（0,1）为某一给定的概率水平，则α水平下，投资组合p的VaR 定义如下

国外油气与矿产资源利用风险评价与决策支持技术

式中：函数

（α）为收益R_p的累积分布函数

的逆函数。VaR的实质为R_p的α－分位数。VaR估计的条件方差方法属于动态VaR计算的分析方法，在VaR的计算当中，其核心是对波动率的估计。不同的波动率模型构成了VaR 计算的不同。

本书是对伦敦铜和人民币兑美元汇率对数日收益率时间序列进行研究，选取VaR的计算公式：

国外油气与矿产资源利用风险评价与决策支持技术

式中：t表示第t天；P_t-1为上一个交易日的收盘价；z_α为标准正态分布的临界值，而1%,5%,10%的临界值分别为－2.33,－1.64,－1.28；σ_t是由GARCH模型估计得到的收益率序列条件标准差。

2）VaR模型的后验测试。

为检验市场风险计量模型的有效性，需要检验VaR模型的计算结果对实际损失的覆盖程度。本书采用Kupiec检验对所建的模型适合性进行检验。设Ⅳ为检验样本中损失高于VaR的次数，T为检验样本总数，a是既定的显著性水平，f表示失败率。其中：

国外油气与矿产资源利用风险评价与决策支持技术

则检验的假设为

国外油气与矿产资源利用风险评价与决策支持技术

似然比统计量为

国外油气与矿产资源利用风险评价与决策支持技术

在原假设下，LR 服从于自由度为1的X²分布。在大样本条件下，也可以用正态分布来逼近，同样有较好的检验效果。当

（1）时，拒绝H₀,VaR模型失败。

3）GARCH（p,q）族模型的基本原理。

金融风险主要是由金融资产价格的波动引起的。大量实证研究发现，金融资产的波动分布具有尖峰厚尾性和波动集聚性，即金融市场波动往往表现出异方差性。1986年Bollerslev在Engle（1982）提出的自回归条件异方差模型（ARCH）基础上，建立了GARCH 模型能够较好地捕捉金融市场风险的这些特性。ARCH 及其以后产生的扩展模型TGARCH、EGARCH等被称为GARCH模型族。目前，基于GARCH族模型对金融市场风险价值（VaR）的研究已经非常丰富。例如，龚锐、陈仲常等（2005）；陈守点、俞世典（2007）；金秀、许宏宇（2007）；丁元子（2009）等。

广义自回归条件异方差模型（GARCH 模型）对各指数的波动性进行分析。具体建模步骤如下：①对收益率序列进行平稳性和自相关性检验；②根据相关系数和Q 统计量进行ARMA模型识别；③建立均值方程，根据残差自相关性检验确定模型拟合效果，并运用LM方法对序列残差项进行ARCH效应检验；④采用极大似然法进行GARCH模型的参数估计；⑤根据拟合优度统计量评价模型。

A.GARCH模型。

1986年Bollerslev提出GARCH模型。GARCH（p,q）模型的一般公式包括两部分：均值方程形式和方差方程形式。可写为

国外油气与矿产资源利用风险评价与决策支持技术

式中：ε_t为残差；r_t为收益率；α_j为GARCH项系数，代表了随机误差项的方差滞后期对当期方差的影响；β_i为AHCH项系数，代表前一期随机误差项对即期残差方差的影响程度，刻画了市场对于新的信息的反映；σ_t为条件方差，刻画了市场的波动性；其中模型参数满足一下约束：c≥0，ω≥0，α≥0，β≥0。

B.TGARCH模型。

Zakoian（1990）及Glosten,Jaganathan和Runkle（1993）提出的TGARCH（门限TGARCH）模型的一般形式为

国外油气与矿产资源利用风险评价与决策支持技术

和GARCH 模型相比，在TGARCH 模型中设立了一个阀值d_t-1，用来描述信息的影响。

其中，d_t-1是一个名义变量，取0或1；市场上利好或利坏对条件方差的作用效果是不同的。上涨时，ε_t≥0表示利好消息，则

其影响系数为

下跌时，ε_t﹤0表示利空消息，则

其影响系数为

如果γ≠0，则说明信息作用是非对称的；如果y﹥0，则认为存在杠杆效应。

另外，以上模型中

，蕴涵GARCH族过程为宽平稳。

4）实证分析。

A.数据来源。

本专题的金属期货的收盘价格采用伦敦期货交易所发布的期铜收盘日收盘价格，用大智慧软件下载。汇率所使用的资料为人民币兑美元的汇率，来自美国联邦储备银行圣路易斯分行联邦储备经济数据库（Federal Reserve Economic Data）提供的统计数据。两者数据选取区间为2005/07/22～2009/09/04日止，其中扣除非营业日及部分交易资料的缺失。对缺失数据的处理，为当日缺失资料的前一天以及后一天的平均来当作当日缺失的资料，一共各1063个数据。

B.收益率序列基本特征分析。

市场收益率采取对数日收益率的形式，定义为

国外油气与矿产资源利用风险评价与决策支持技术

式中：r_i,t为第i市场第t日的收益率；p_i,t为i市场第t日的价格，i取1时表示期铜市场，i取2时表示外汇市场。收益率序列的主要统计特征如图9.18所示。可以看出均存在波动集聚性和爆发性，可认为两个收益率序列均是随机的。

图9.18 收益率序列的主要统计特征

根据表9.12给出的收益率序列的主要统计特征，由偏度值可知伦敦铜收益率序列是左偏的，人民币兑美元收益率序列是右偏的。两者均具有尖峰厚尾现象，并且汇率市场比期货市场明显。由J-B统计检验知二者均拒绝服从正态分布的假设。由Q（20）和Q2（20）值可知，两者的收益率序列和收益率平方序列均在1%的显著性水平下，拒绝了不存在序列相关性的原假设，即都存在显著的序列相关性，说明波动的集聚性很显著。适合用GARCH模型来建模。

表9.12 两收益率序列的主要统计特征

GARCH模型的参数估计：

a.伦敦铜的最优模型为GARCH（1,1）:

国外油气与矿产资源利用风险评价与决策支持技术

b.人民币兑美元最优模型为TGARCH（1,1）:

国外油气与矿产资源利用风险评价与决策支持技术

式中：括号内数据表示参数估计的标准差，***表示在99%置信度下显著，**表示在95%置信度下显著；*表示在90%的置信度下显著。

c.VaR的计算与分析。

通过式9.14与式9.15可计算出伦敦铜与人民币兑美元对数收益率序列的条件方差

,从而得到时变的标准差σ_t，并按照式：

，计算得到VaR。其中，P_t-1为上一个交易日的收盘价；为计算方便，在此标准化为1元。Z_α为标准正态分布的临界值，而1%,5%,10%的临界值分别为－2.33,－1.64,－1.28；置信水平为90%,95%,99%下每天的VaR 值，并与实际收益率进行比较，见图9.19。

图9.19 不同置信度下的VaR值与实际收益率的比较

d.采用Kupiec失败率检验对所建的模型进行后验测试。

表9.13 后验测试结果分析

由表9.13可知，从似然比统计量LR值可以看出，在给定的置信水平下都小于临界值，说明所建的VaR模型是合理的。通过α与f比较，可以看出期铜GARCH（1,1）模型预测结果基本覆盖了实际损失，RMB/USD的TGARCH（1,1）模型略微低估了市场风险。

（2）基于历史模拟的VaR计算方法

历史模拟法（英文简称Hs）作为一种常用于VaR估值的方法，主要特点是对市场因素未来变化的概率分布并未做过多假设，只利用市场因素的历史变化来构造未来投资组合盈亏的概率分布。在给定置信度（95%,99%）的情况下，利用分布函数找出频数分布中占到5%、1%的损失临界值，以此作为VaR值。历史模拟法步骤如下。

1）以历史模拟法来估算I项资产未来一天的风险植的程序。

步骤一，选取过去N＋1天第I项资产的价格作为模拟资料；

步骤二，将过去彼此相邻的N＋1笔价格资料相减，就可以求得N笔该资产每日的价格损益变化量；

步骤三，步骤二代表的是第I项资产在未来一天损益的可能情况（共有N种可能情形），将变化量转换成报酬率，就可以算出N种的可能报酬率。

步骤四，将步骤三的报酬率由小到大依序排列，并依照不同的信赖水准找出相对应分位数的临界报酬率。

步骤五，将目前的资产价格乘以步骤四的临界报酬率，得到的金额就是使用历史模拟法所估计得到的风险值（VaR）。

2）实证分析。

以伦敦市场上的期铝为例，选取2007/7/19～2009/11/18日共592个数据，数据来源为Wind资讯金融数据库。市场收益率采取对数日收益率的形式，公式为：r_t=ln（p_t）-ln（p_t-1）。按照历史模拟法的计算步骤，估计的向前一步预测在不同置信度下的市场风险价值计算结果如图9.20所示。

图9.20 计算结果

（3）两种度量方法的比较

一般情况下，从失败天数与失败率来看，GARCH模型能更好地刻画股市收益率的变动。从计算的VaR值来看，Hs法明显比GARCH模型下高估了风险。VaR方法是在假设正常市场条件下对市场风险进行估算。

在估算结果的可靠性方面，Hs法过于直接依赖历史数据。因此，当选取的考察期没有代表性时，则Hs估算出的VaR值不能很好地反映市场风险。后种方法虽然也依赖于考察期的历史数据，但后果不如前者那么严重。但是Hs法简便、易懂，最容易被人理解和运用，而后种方法则需要一定的概率统计和金融衍生工具的背景知识。

总之，GARCH模型在VaR的测量中更具有准确性、灵活性等特点，在当前股市瞬息万变的情况下，已越来越为大多数人所接受，在VaR的测量方法中成为主流。

⑻ ALPHA策略中需要对冲beta风险，如何度量组合的beta风险进而进行对冲

某机构投资者准备用1000万元的资金投资股票，若未来股票市场下跌15％，那么投资者所持有组合市值会缩水150万元。假设同期无风险收益率为5％，预计ETF套利的年化收益率为20％，如果利用Alpha策略对冲系统性风险，选择持有500万元的股票组合，另外对500万元股票组合进行套期保值，保证金和准备保证金预设为30％，那么对500万元股票组合进行完全套保只需要150万元，剩余350万元用来进行股指期货的ETF套利。在忽略投资组合与市场指数Beta值的前提下，该机构投资者一年的收益为（50％×70％×20％）=7％。可见，在熊市不增加资金投入的情况下仍可获得高出无风险收益率的市场回报

⑼ 用什么方法确定投资组合风险度量

风险的度量是以风险的认识为基础的。本文从风险的基本概念入手，研究了风险的本质属性和特征；在此基础之上，厘清了证券投资、证券组合投资、证券组合投资风险的基本概念、本质属性及其特征；研究了证券组合风险的分类、表现形式以及风险的来源。在对证券投资组合的风险有了一个清楚的认识之后，本文研究了证券组合收益率的计算；详细研究了马克维兹的方差方法、威廉·夏普的β值法、哈洛的半方差方法等各种传统风险度量方法的概念和具体的计算方法；分析研究了信息熵、重标极差、VaR等各种现代的组合风险度量方法；评价各种方法的优劣并选择了适合本系统使用的风险评价方法。

⑽ 期货市场风险的预测和度量.VAR方法

一、VaR风险测量方法 风险测量的模型主要有两大类：参数模型和非参数模型。参数模型包括分析法的各类模型，利用了灵敏度和统计分布特性简化了VaR，但由于对分布形式的假定和灵敏度的局部特征，分析法很难有效处理实际金融市场的厚尾性和大幅度波动的非线性问题，因而会产生测量误差以及模型风险。非参数法包括历史模拟法和Monte Carlo模拟法，相对分析法来说，模拟法可以较好地处理非正态问题，是一种完全估计，可有效处理非线性问题。 １．参数法 分析法是VaR计算中最为常用的方法，它利用证券组合的价值函数与市场因子间的近似关系、市场因子的统计分布(方差-协方差矩阵)简化VaR的计算。分析法根据证券组合价值函数形式的不同，可分为两大类：Delta-类模型和Gamma-类模型。其中，Delta-类模型识别的是线性风险，Gamma-类模型可识别凸性风险，例如组合中含有期权类的衍生品。本文将采用Delta-类模型中的Delta-正态模型与Delta-GARCH模型进行分析。 ２．非参数法 （１）历史模拟法 最简单而又直观的方法就是历史模拟法，其核心就是根据市场因子的历史样本变化模拟证券组合的未来损益分布，用给定历史时期上所观测到的市场因子的变化，来表示市场因子的未来变化。然后，根据市场因子的未来价格水平对头寸进行重新估值，计算出头寸的价值损益变化。最后，在历史模拟法中将组合的损益从小到大进行排序，得到损益分布，通过给定置信度下的分位数求出VaR。 （２）Monte Carlo模拟法 由于分析利用了统计分布特征，如果市场存在厚尾性和大幅度波动的非线性问题，则风险测量偏差会比较大。Monte Carlo模拟是反复模拟决定金融工具价格的随机过程，每次模拟都可以得到组合在持有期末的一个可能值，然后进行大量的模拟，那么组合价值的模拟分布将收敛于组合的真实分布，然后根据置信度得到VaR。