应用VAR模型时的15个注意点
VAR模型的适用范围：用于时间序列的情况
VAR模型的适用范围：用于时间序列的情况VAR模型的适用范围:用于时间序列的情况下各个变量之间的相互关系，对于随机扰动变量系统进行动态分析。
一个VAR(p)模型的数学形式为: 这里是一个k维的内生变量，是一个d维的外生变量。
，…，和B是待估计的系数矩阵。
扰动向量。
他们之间相互可以使同期的关系，但不与自己的滞后值相关及不与等式右边的变量相关。
等式的右边是内生变量的滞后值，减少了出现同期性的可能。
由最小二乘法得到一致的估计。
此时即使扰动项与同期性相关， OLS依然有效，原因是所有的方程式有相同的回归量，与GLS是等同的。
实际上，由于任何序列相关都可以通过增加更多的滞后项而被调整，所有扰动项序列不相关的假设并不严格。
VAR模型稳定的条件:对于VAR(1)，Yt = c + 1 Yt-1 + ut 模型稳定的条件是特征方程 |1- I |=0的根都在单位圆以内，或相反的特征方程|I–L1|= 0的根都要在单位圆以外。
对于k>1的VAR(k)模型可以通过矩阵变换改写成分块矩阵的VAR(1)模型形式。
Yt = C + A Yt -1 + Ut模型稳定的条件是特征方程 |A-I| =0的根都在单位圆以内，或其相反的特征方程 |I-LA|=0的全部根都在单位圆以外。
VAR模型应用的顺序:在使用VAR模型的过程中，遵循这样的步骤:1、对解释变量的回归参数做相关的检验统计量。
2、分解解释变量的方差，方差分解的目的是找出每一个解释变量的方差中，其他解释变量所占解释比例。
3做脉冲响应函数，脉冲响应函数解释了变量是如何对各种冲击做出反映的。
为了构建方差分解和脉冲响应函数，理论上，解释变量应该按照对被解释变量的重要性来排列。
文中采用了双变量滞后k期的VAR模型,来研究FDI和经济增长各个效应之间的动态关系,形式如下:方程变量的解释:是2×1阶列向量;表示d×1阶确定项向量(d表示确定性变量个数);用来描述常数项Ц;时间趋势项t;季节虚拟变量(如果需要和其他一些有必要设置的虚拟变量;, …均为2×2阶参数矩阵;Ф是确定性变量;的2×d阶系数矩阵;[ ]是2×1阶随机误差列向量;在模型中，每一个元素都是非自相关的,但是不同的方程对应的随机变量之间可能存在相关性。
var定义变量的使用细节
var定义变量的使⽤细节js中定义⼀个变量可以加关键词var也可以不加，规则是这样的：1. 在全局范围内⽤不⽤var都可以，变量都是全局的2. 在局部范围内⽐如函数中，⽤不⽤var是不⼀样的，⽤var定义出来的是局部变量，不⽤var定义出来的是全局变量。
总结出来就是这样的：不⽤var定义出来的是全局变量，⽤var在全局范围内定义出来的也是全局变量，但是⽤var在局部范围内定义出来的是局部变量。
同时还有⼀个要注意，js在执⾏之前也是会进⾏语法分析的，⽐如下⾯的这个例⼦：var i = 0;alert(i);function test() {alert(i);var i = 1;alert(i);}test();⼀般可能会认为第⼆个alert应该是0，但实际上这个却是undefined，因为在使⽤i之前，程序认为本函数内要定义⼀个局部变量i（不会认为是全局变量i），但是局部变量i还未进⾏初始化，因此第⼆个alert会是undefined。
总结出来是这样的，⽤var和function进⾏定义，程序是会进⾏预处理的。
⽐如：test();function test() {alert(“good”);}⼀般会认为最开始使⽤不了test⽅法的，但是程序会先定义test⽅法的。
原⽂如下：都不记得是什么时候看的JScript的语法教程了，⾥⾯说在声明变量时忽略var关键字是完全合法的。
当时也因为觉得JavaScript是loosely-typed的语⾔，所以var可能真的就是个摆设。
但是事实常常⼜证明想当然的结果是不可靠的。
看看下⾯这⼏个例⼦的结果就知道问题了：No.1<script language="javascript">var var00 = 0;document.write(var00 + '<br>');var var01 = 1;function foo(){document.write(var01);var var01 = 1;}foo();</script>No.2<script language="javascript">var00 = 0;document.write(var00 + '<br>');var01 = 1;function foo(){document.write(var01);var01 = 1;}foo();</script>No.3<script language="javascript">var00 = 0;document.write(var00 + '<br>');var01 = 1;function foo(){document.write(var01);var var01 = 1;}foo();</script>这三个例⼦的执⾏结果分别是：Results#region ResultsNo.1undefinedNo.21No.3undefined#endregion原来JavaScript的变量也是有作⽤域的，只是它⾮常的笼统，就分为全局变量和函数变量。
金融风险管理中VaR模型的应用
金融风险管理中VaR模型的应用摘要：随着全球金融化趋势日渐明显，全球经济发展速度不断加快，金融市场的不确定性大幅度提高，高效管理金融风险迫在眉睫。
与此同时，VaR模型优势特征明显，已被频繁应用到金融领域，成为新经济形势下金融风险测量的关键性模型。
因此，本文在分析VaR模型的基础上从不同角度入手客观探讨了其在金融风险管理过程中的应用，将金融风险最小化的同时最大化提升经济效益。
关键词：VaR模型；金融风险管理；应用我国金融领域高速发展的同时金融风险也日趋严重，金融风险具有其客观性，在金融大环境下，高效管控金融风险是金融机构与企业运营发展中面临的重要任务，也是社会大众关注的重要方面。
在多方面因素影响下，VaR模型应运而生的同时有效发展，在度量金融风险等方面有着重要作用，要全面、深入剖析金融风险管理具体情况，通过多样化路径科学运用VaR模型，最大化发挥优势作用，优化投资策略制定、资金配置等环节，从源头上降低金融风险发生系数，在实现经济效益目标中增强市场核心竞争力。
1VaR模型VaR模型就是在资产组合既定条件下，在未来一定时间内，任一金融工具、金融品种的市场价格波动之后潜在的最大损失，是当下比较流行的风险量化技术，通常情况下，中文译为在险价值、风险价值。
VaR模型是数学、经济学两大领域有机融合下的产物，也是JP摩根公司用来准确计量市场风险的产物，也就是说，VaR模型最初只是应用在市场风险度量方面，随着其持续发展，已被广泛应用到金融风险管理的多个方面。
在新形势下，经济学领域中数学学科的应用日趋日渐深入以及扩大，VaR模型可以说是数学在经济领域成功应用的客观折射。
与此同时，VaR模型和传统风险度量模式有着根本上区别，是一种以统计分析为基础的风险量化技术，优势特征鲜明，能够有效弥补传统风险度量模式实际应用中呈现的缺陷。
在VaR模型产生以及作用下，人们的投资、经营、管理等观念发生了质的变化，常将VaR模型应用到开展的投资活动中，准确度量投资对象风险，在深化把握风险大小、自身风险承受能力等基础上制定可行性较高的投资方案、投资策略，确保投资更加科学、有效，防止因盲目投资造成严重的经济损失。
var理论基础
var理论基础1. 风险值（VaR）概念风险值概念指在一段时期内，一定置信水平下，当市场发生最坏状况时，投资组合的最大可能损失金额。
在正常市场条件下，对于给定的置信水平(或比率) 1-α%，其对应的临界值(或分位数)即为该项金融资产或投资组合在统计上的最大可能损失金额，称为风险值(VaR)。
α%是最坏情况发生的概率。
设定最坏情况发生的概率越小，VaR 就越大。
VaR 值是一个与其置信水平有关的相对概念。
风险值的评估期间通常为一天，而置信水平为95% ，评估期间的长度与风险值的大小有密切的关系，通常来说，评估期间越长，风险值就越大。
2.VaR度量方法比较1）协方差矩阵法协方差矩阵法度量风险值（VaR）的前提条件是假设风险因子的变化服从多元正态分布，而真正要估计就是波动率（方差）和相关系数。
在正态分布的假设下，风险值存在公式解，可轻易比较不同评估期间与不同置信水平下风险值的高低。
统计上用的是参数估计技术。
不同情形下有两类方法：直接估算法和逼近法。
直接估算法：在投资组合为风险因子的线性函数、且风险因子的变化服从多元正态分布的条件下（如，投资组合收益率服从多元正态），可以直接估算出投资组合的风险值。
单一资产情形时，只要估计资产收益率的方差，投资组合情形下，就要估计和分解资产收益率之间的协方差矩阵。
逼近法：在投资组合与其包含的风险资产因子为非线性关系时，如著名的Black-Scholes （1973））期权定价公式描述的期权价格与其标的物价格之间的关系等。
就可以利用Taylor 展开式来近似这种非线性函数关系，并利用Taylor展开来估算风险值。
一阶Taylor展开为Delta-Normal逼近法；二阶Taylor展开为Delta-Gamma逼近法。
用协方差矩阵法度量风险值（VaR）时，关键是要估计方差或估计和分解资产收益率之间的协方差阵。
也就是说估算风险值首先是要估算资产收益的波动性。
2）历史模拟法历史模拟法的基本假设是资产收益的过去变化状况会在未来完全重现。
var方法在中国商业银行风险管理中的应用
文章标题：var方法在我国商业银行风险管理中的应用一、引言在当今金融市场的不确定性和风险不断增加的背景下，风险管理成为金融机构的一项重要工作。
特别是对于我国的商业银行来说，有效的风险管理更是至关重要。
在这种情况下，价值-at-risk（VaR）方法成为了一种广泛应用的风险管理工具。
本文将探讨VaR方法在我国商业银行风险管理中的应用情况，并就其中的关键问题进行深入分析和讨论。
二、VaR方法概述VaR方法是一种衡量风险的标准，它能够在一定置信水平下，测量资产组合的最大可能损失额。
VaR方法适用于各种金融工具和市场，包括股票、债券、外汇和衍生品等。
我国商业银行广泛应用VaR方法，以此来控制和评估自身的风险暴露。
三、VaR方法在我国商业银行的应用情况1. 应用范围的扩大近年来，我国商业银行对于VaR方法的应用范围有了显著的扩大。
在过去，VaR方法主要局限于股票和固定收益证券的风险管理，但是如今，随着金融市场产品的不断创新和多样化，商业银行已将VaR方法应用到了更多的金融工具中，包括衍生品、外汇和期货等。
2. 数据质量的改善在过去，我国商业银行在应用VaR方法时面临着数据质量不高的问题。
但是随着信息技术的不断发展和金融监管的不断加强，商业银行已经能够更加准确地获取和处理相关数据，从而提高了VaR方法的应用效果。
3. 风险管理意识的提升商业银行对于风险管理意识的提升也推动了VaR方法在我国的广泛应用。
在面临着来自金融市场的各种挑战和风险时，商业银行开始更加重视风险管理工具的有效性和可靠性，VaR方法因此成为了风险管理的重要工具之一。
四、VaR方法在我国商业银行风险管理中的挑战和问题1. 风险模型的选择在实际应用中，商业银行需要面对不同的风险模型选择问题。
不同的风险模型可能导致不同的风险评估结果，因此如何选择合适的风险模型成为了一个关键的问题。
2. 风险管理技术的提升尽管我国商业银行已经开始广泛应用VaR方法，但是在风险管理技术的提升方面仍然存在一定挑战。
应用VAR模型时的15个注意点（笔记）
应用VAR模型时的15个注意点（笔记）应用VAR模型时的15个注意点(笔记)向量自回归（VAR,Vector Auto regression）常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响。
VAR方法通过把系统中每一个内生变量,作为系统中所有内生变量的滞后值的函数来构造模型，从而回避了结构化模型的要求。
Engle和Granger （1987a）指出两个或多个非平稳时间序列的线性组合可能是平稳的。
假如这样一种平稳的或的线性组合存在，这些非平稳（有单位根）时间序列之间被认为是具有协整关系的。
这种平稳的线性组合被称为协整方程且可被解释为变量之间的长期均衡关系。
VAR模型对于相互联系的时间序列变量系统是有效的预测模型，同时，向量自回归模型也被频繁地用于分析不同类型的随机误差项对系统变量的动态影响。
如果变量之间不仅存在滞后影响，而不存在同期影响关系，则适合建立VAR模型，因为VAR模型实际上是把当期关系隐含到了随机扰动项之中。
注意点：1、单位根检验是序列的平稳性检验，如果不检验序列的平稳性直接OLS容易导致伪回归。
2、当检验的数据是平稳的（即不存在单位根），要想进一步考察变量的因果联系，可以采用格兰杰因果检验，但要做格兰杰检验的前提是数据必须是平稳的，否则不能做。
3、当检验的数据是非平稳（即存在单位根），并且各个序列是同阶单整（协整检验的前提），想进一步确定变量之间是否存在协整关系，可以进行协整检验，协整检验主要有EG两步法和JJ检验A、EG两步法是基于回归残差的检验，可以通过建立OLS模型检验其残差平稳性B、JJ检验是基于回归系数的检验，前提是建立VAR模型（即模型符合ADL模式）4、当变量之间存在协整关系时，可以建立ECM进一步考察短期关系，Eviews这里还提供了一个Wald－Granger检验，但此时的格兰杰已经不是因果关系检验，而是变量外生性检验，请注意识别。
5、格兰杰检验只能用于平稳序列！这是格兰杰检验的前提，而其因果关系并非我们通常理解的因与果的关系，而是说x的前期变化能有效地解释y的变化，所以称其为“格兰杰原因”。
全面风险管理VaR计算方法知识点梳理
全面风险管理VaR计算方法知识点梳理：VaR的含义——⼀个特定时期内，⼀定置信区间下的最⼤损失。
例如，某⼀天某交易在95%置信⽔平下，最⼤损失40万美元。
这里的40万就是该交易在当天的VaR。
VaR的计算⽅法1．历史模拟法历史模拟法——根据历史数据直接预测将来可能发⽣的情形。
这种⽅法的出发点是，将历史记录看作未来情况的路径之⼀，通过对不同路径的比较，得出所需结果。
第⼀，将最后⼀个数据当作是当前值，⽽将这500天的数据看做是未来1天的500种可能路径，依次求出每天的变化率与当前值的乘积，作为未来⼀天变化的可能值第⼆，根据表中计算得到的数据，求出组合的价值。
如果所求的VaR是99%置信度下，损失不超过某数值。
则可以将最坏的五种情形列出，VaR就是第五个值。
如果是N天的持续期，则在此基础上乘以T1、Excele历史模拟法单资产步骤: 选定当日资产价格，按照公式一次计算依次求出每天的变化率与当前值的乘积，（结果见J列）。
结果VaR（1,95%）值是选取的模拟结果按照从小到大排序第25个值，用的公式为：small(选中J列，25)2、Excele历史模拟法双资产步骤：假定A、B两资产投资额分别为5000和2000. 选定A、B 的当前资产价格，资产模拟结果（I列）公式为：依次为5000*A历史资产价格/11022.06+2000*B 历史资产价格/5179 ；再用small 公式（选中I列，25）补充：老师又计算资产组合的变化率，用公式：（模拟结果值-7000）/7000；VaR（1,95%）：再用small 公式选出我们预估的变化率。
再用公式7000*（1+变化率）。
2．蒙特卡洛模拟法蒙特卡洛模拟法——假设资产价格的变动服从某种随机过程，利用计算机模拟，在目标时间范围内产⽣随机价格的路径，并⼀次构建资产报酬分布，进⽽推算VaR。
映射与投资组合的VaR3. Excele蒙特卡洛单资产步骤:原理是运用公式：St=St-1+ St-1*(μΔt+δ*ε)补充说明：老师的excel结果是按照课件案例做法做的部分步骤。
VaR方法下金融度量模型的简单介绍及其应用的局限性
VaR方法下金融度量模型的简单介绍及其应用的局限性一、背景介绍：近二十年来，由于受经济全球化与金融一体化、现代金融理论及信息技术、金融创新等因素的影响，全球金融市场迅猛发展，金融市场呈现出前所未有的波动性，工商企业、金融机构面临着日益严重的金融风险．金融风险不仅严重影响了工商企业和金融机构的正常运营和生存，而且还对一国乃至全球金融及经济的稳定发展构成了严重的威胁．20世纪90年代以来，国际金融市场发生的一些列风波，如东南亚的金融危机、英国的巴林银行倒闭案、美国的加州橙县破产案，以及新世纪的美国次贷危机等，进一步引起了全球工商企业、金融机构、政策当局及学术界对金融风险的密切关注，金融风险管理已成为工商企业和金融机构管理的核心能力之一．风险是指未来净收益的不确定程度．关于风险的度量，人们的认识在不断深化，从方差、相关系数、协方差到半方差、半协方差到绝对偏差，相对偏差，经历了几十年，发展出不同的方法．随着对金融风险的深入研究，VaR方法逐渐成为一种度量风险的关键方法．VaR（Value at Risk）风险管理技术产生于1994年，在一连串举世瞩目的衍生品灾难以后，金融行业需要一种工具来计算风险市场．由J.P.Morgan银行于1994年公布的VaR Risk Metrics系统能够测评全世界30个国家140种金融工具的VaR值．国际清算银行巴塞尔委员会1996年发布的“市场风险补充规定”及美联储1995年的“事前承诺模型”都基于VaR模型．目前在美国，评估机构如Moody’s 与标准普尔（S&P），金融会计标准委员会，以及证券与交易委员会（SEC）都宣传支持VaR．VaR几乎可以适应于所有的金融风险，包括市场风险、营业风险、环境风险、行为风险、信用风险．凭借着VaR概念的简单，并在量化风险和动态监管方面具有独特的优势，因而在金融界广受欢迎，目前已被全球各主要银行、非银行金融机构、公司和金融监管机构广泛采用, 并已逐渐成为金融行业风险度量和风险管理的标准．然而随着2007年下半年美国次贷危机的爆发,金融机构动辄减记数百亿美元的风险损失, 备受推崇的VaR 方法并没能有效地预测和降低市场风险和信用风险造成的损失, 因而, 需要重新审视基于VaR 方法的金融风险度量模型, 分析其在实际应用中的局限性．二、关于VaR 的介绍VAR 方法(Value at Risk ，简称VaR ），称为风险价值模型，也称受险价值方法、在险价值方法．VaR( Value- at- Risk) 风险管理技术是近年来在国外兴起的一种金融风险评估和计量模型, 目前已被全球各主要银行、非银行金融机构、公司和金融监管机构广泛采用, 并已逐渐成为金融行业风险度量和风险管理的标准．1、VaR 的定义：VAR(Value at Risk)：在市场正常波动下，某一金融资产或证券组合的最大可能损失．更为确切的说，是指在一定概率水平（置信度）下，某一金融资产或证券组合价值在未来特定时期内的最大可能损失．2、VaR 数学定义：Pr()1t V VaR α∆∆>=-确定置信度下投资组合的损失大于其可能的损失上限的概率t V ∆∆：投资组合在持有期t ∆内的损失α：给定的置信水平Pr ：资产价值损失小于可能损失上限的概率VaR ：置信水平α下处于风险中的价值，及可能的损失上限3、VaR 的数学表述：考虑一个投资组合V ，设0V 为初始价值，r 为投资回报率，μ为期望收益率，在给定置信水平α下，投资组合的最小价值是0(1)V V r **=+，其中r *表示最低回报率．此时，VaR 为投资组合的期望价值与最小值之差即：()VaR E V V *=-， 而：00()+E V V V μ=⨯，0(1)V V r **=+，所以0()VaR V r μ*=--． 根据以上定义，现在考虑投资组合未来回报行为的随机过程，假定其未来回报的概率密度函数为22()21()=2V f V e μσπσ--，2V μσ （，）．在给定的置信水平α下，低于V *的概率为： ()1r r P P V V α*=≤=-确定置信度下投资组合的价值小于投资组合的价值下限的概率-()=()()1c r V V P V V P x dx μμφασσ**∞--≤<==-⎰()x φ为标准正态分布的概率密度函数，V c μσ*-=．所以有：000a ()()V R V r V c c V μμσμσ*=-=--=-因此，计算VaR 就相当于计算投资组合最小值V *或最低的回报率r *．因此，置信水平大小、持有期的长短、未来资产收益的分布及其尾部特征，成为能否准确计算VaR 值得关键因素．4.VaR 的计算原理：首先使用市场因子当前的价格水平，利用定价公式对投资组合进行估值，然后预测市场因子未来的一系列的可能价格水平（为一概率分布），并对投资组合重新估值，在此基础上计算投资组合的价值变化——衡量风险因素的波动性，并由此得到投资组合的损益分布，最后通过设置持有期和置信水平求出投资组合的VaR 值．假设某一资产期初值为0V ，在持有期[0,1](单期)内该资产回报为2,(,)r r N μσ ，则本期期末资产的随机价值为10(1)V V r =+．该资产在期末的最低价值为：0(1+)t V V r *=其中0r *<表示与置信水平α相对应的最小回报（回报的下α分位数）．由正态分布的性质：()/Z r αμσ*-=-因此： 00()t t VaR V V V Z ασμ*=-=-即为资产在给定置信水平α下的最大损失．在标准正态分布下，Z α为相应置信水平下的分位数，标准差σ表示收益率r *的波动率．进一步将单期扩展到多期T ，由集合回报的性质可以求出资产的期望和方差：1()()T T i i E R E r T μ===∑ 21()()TT i i D R D r T σ===∑其中21,2,,,.(,)i i T r ii dN μσ= ．如果资产回报率的波动率受多个因素的影响，则以上情形发生变化．假设单一资产价值的变化受汇率的波动和资产本身价值的波动两个因素的影响，这两个因素不是独立的，此时有：2202VaR V Z T ααβαβαβσσρσσ=++⋅5.VaR 的三个重要参数：从VaR 的定义出发，要确定一个金融机构或资产组合的VAR 值或建立VAR 的模型，必须首先确定以下三个系数：一是持有期间t ∆的长短；二是置信区间α的大小；三是观察期间．1、持有期t ∆，即确定计算在哪一段时间内的持有资产的最大损失值，也就是明确风险管理者关心资产在一天内一周内还是一个月内的风险价值．持有期的选择应依据所持有资产的特点来确定比如对于一些流动性很强的交易头寸往往需以每日为周期计算风险收益和VaR值．从银行总体的风险管理看持有期长短的选择取决于资产组合调整的频度及进行相应头寸清算的可能速率．巴塞尔委员会在这方面采取了比较保守和稳健的姿态，要求银行以两周即10个营业日为持有期限．2、置信水平 ．一般来说对置信区间的选择在一定程度上反映了金融机构对风险的不同偏好．选择较大的置信水平意味着其对风险比较厌恶，希望能得到把握性较大的预测结果，希望模型对于极端事件的预测准确性较高．根据各自的风险偏好不同，选择的置信区间也各不相同．比如美洲银行选择95%，花旗银行选择95.4%，大通曼哈顿选择97.5%，Bankers Trust 选择99%．作为金融监管部门的巴塞尔委员会则要求采用99%的置信区间，这与其稳健的风格是一致的．3、第三个系数是观察期间(Observation Period)．观察期间是对给定持有期限的回报的波动性和关联性考察的整体时间长度，是整个数据选取的时间范围，有时又称数据窗口(Data Window)．这种选择要在历史数据的可能性和市场发生结构性变化的危险之间进行权衡．为克服商业循环等周期性变化的影响，历史数据越长越好，但是时间越长，收购兼并等市场结构性变化的可能性越大，历史数据因而越难以反映现实和未来的情况．巴塞尔银行监管委员会目前要求的观察期间为1年．综上所述，VaR实质是在一定置信水平下经过某段持有期资产价值损失的单边临界值，在实际应用时它体现为作为临界点的金额数目．6.VaR计算方法：参数法：方差-协方差方法、分析法、半参数法：厚尾模型、估计函数模型非参数法：历史模拟法、蒙特卡罗模拟法7.VaR的技术特点：1、可以用来简单明了表示市场风险的大小，没有任何技术色彩，没有任何专业背景的投资者和管理者都可以通过VaR值对金融风险进行评判．2、可以事前计算风险，不像以往风险管理的方法都是在事后衡量风险大小．3、不仅能计算单个金融工具的风险．还能计算由多个金融工具组成的投资组合风险，这是传统金融风险管理所不能做到的．三、VaR的应用在次贷危机中, 几乎所有在美国金融市场进行投资的金融机构都经历了风险损失, 通过各大金融机构的资产减记价值和当季最高VaR 值对比, 不难发现VaR 风险管理体系的局限性．在美国4家顶级投行中, 名义风险价值最小的美林成为亏损最严重的银行．对危机最严重的2007年第三季度和第四季度的VaR 值和实际亏损进行比较, 结果令人吃惊: 美林第三季度和第四季度的平均日VaR 值分别为7 600万美元和6 500万美元, 按照63天计算的季度VaR 值为58亿美元和41亿美元, 而同时期美林相关产品的资产减记却分别达到了79亿美元和115亿美元, 远远超出了其对在险价值的估计．同样, 花旗银行2007年第三季度和第四季度平均日VaR 值分别为1141亿美元和1169亿美元, 季度VaR 值分别为8818亿美元和10615亿美元, 但是花旗在2007年三季度和四季度分别减记了65亿美元和181亿美元．像历次极端情况一样, VaR 方法在次贷危机中失效了．美国美国四大投行VaR值与实际损失对比情况亿美元从上表可以看出, 高盛的风险管理比较成功,在2007年三季度, 高盛的盈利激升79% , 达到2815亿美元, 同时VaR 值同比增加51% 至1139亿美元．在次债危机中, 高盛是具有最高名义风险价值的投行, 同时也成为损失最小的投行．高盛第三、四季度业绩大增, 正是由于提早做空美国房地产抵押贷款, 从而大大抵消了已承诺杠杆贷款和抵押贷款相关头寸损失造成的影响．四、VaR方法的局限性：尽管VaR 方法是目前最全面的风险管理方法, 但必须认识到其局限性:第一, 在正常情况下,要制定详细的、严格的风险防范方案, 研究哪些部门、业务蕴含着巨大风险．复杂的VaR 方法模型系统、计算机程序不能替代尽职调查．第二, 当市场环境不确定性大幅增加或者变得越发困难时,必须审慎管理风险结构, 结合宏观经济和金融市场的趋势预测, 综合运用各种风险对冲工具减少风险敞口．2007年初, 当高盛认识到存在过度低估风险的状况时, 开始大规模进行风险对冲, 因而才能在危机中独善其身．第三, 由于风险的关联性, 当市场环境不确定性大幅增加时, 应扩大压力度, 并且风险管理部门的信用风险和市场风险管理团队要紧密合作, 综合考虑风险在各个金融市场的传递．第四, 在风险管理框架中, 不应将风险管理部门置于交易部门之下, 必要时风险管理部门可直接向首席财务官进行汇报, 以强化风险管理部门的约束作用, 调整交易员的短期行为激励机制, 使得风险在事前和事后均得到恰当控制．测试和情境分析的范围, 充分估计风险的危害程总的来说，从在美国次贷危机中各大金融机构VaR风险管理体系所产生的实际效果来看，当前普遍应用的VaR模型及其管理体系在极端情况下存在有一定的局限性, 因此在运用VaR方法时必须结合对经济金融形势的综合判断才能取得较好的效果．五、参考文献：[1]戴天柱．投资银行运作，理论与实务．北京，经济管理出版社．2010年2月第2版．[2]阮垂玲，刘传哲，费芳．VaR方法在证券市场风险管理中的应用．金融市场，2008年，第4期．[3]朱海霞，潘支斌．基于g-h分布的投资组合VaR方法研究．中国管理科学，2005年8月第13卷第4期．[4]杨艳军，王永锋．基于GARCH模型的VaR方法在保证金设计中的应用．[5]甄建敏．VaR方法及其在我国证券市场风险管理中的应用．浙江大学硕士论文，2003年12月．[6]谷伟．金融市场风险管理中的VaR方法及其应用研究．华中科技大学硕士学位论文，2005年3月．[7]张桂香．VaR模型与VaR方法应用于证券市场风险管理的实证研究．浙江工业大学硕士学位论文，2003年11月．[8]刘晓星．基于VaR的商业银行风险管理．北京，中国科学社会出版社，2007年6月第1版．[9]李凤云．投资银行理论与案例．清华大学出版社，北京，2011年4月第1版．[10]Wikipedia：/[11]百度百科，VaR方法：/view/5143369.htm[12]Basle Committee on Banking Supervision Amendment to the cap ital accord to incorporate market risks.2008- 06- 10. .[13]张世芹,武振杉,吴海燕．从雷曼、美林的风险管理看VAR 模型的运用．法治与社会，2009年5月．[14]J.P Morgan Bank. Risk Metrics Technical Manual. New York: J.P Bank, 1995.[15]李裕丰, 罗丹程, 王赫．基于VaR方法的金融风险度量模型及其应用．沈阳工业大学学报(社会科学版)，第2卷第4期，2 0 0 9年1 0月．。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
应用VAR模型时的15个注意点(笔记)
向量自回归(VAR,Vector Auto regression)常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响。
VAR方法通过把系统中每一个内生变量,作为系统中所有内生变量的滞后值的函数来构造模型,从而回避了结构化模型的要求。
Engle和Granger(1987a)指出两个或多个非平稳时间序列的线性组合可能是平稳的。
假如这样一种平稳的或的线性组合存在,这些非平稳(有单位根)时间序列之间被认为是具有协整关系的。
这种平稳的线性组合被称为协整方程且可被解释为变量之间的长期均衡关系。
VAR模型对于相互联系的时间序列变量系统是有效的预测模型,同时,向量自回归模型也被频繁地用于分析不同类型的随机误差项对系统变量的动态影响。
如果变量之间不仅存在滞后影响,而不存在同期影响关系,则适合建立VAR模型,因为VAR模型实际上是把当期关系隐含到了随机扰动项之中。
注意点:
1、单位根检验是序列的平稳性检验,如果不检验序列的平稳性直接OLS容易导致伪回归。
2、当检验的数据是平稳的(即不存在单位根),要想进一步考察变量的因果联系,可以采用格兰杰因果检验,但要做格兰杰检验的前提是数据必须是平稳的,否则不能做。
3、当检验的数据是非平稳(即存在单位根),并且各个序列是同阶单整(协整检验的前提),想进一步确定变量之间是否存在协整关系,可以进行协整检验,协整检验主要有EG两步法和JJ检验
A、EG两步法是基于回归残差的检验,可以通过建立OLS模型检验其残差平稳性
B、JJ检验是基于回归系数的检验,前提是建立VAR模型(即模型符合ADL 模式)
4、当变量之间存在协整关系时,可以建立ECM进一步考察短期关系,Eviews 这里还提供了一个Wald-Granger检验,但此时的格兰杰已经不是因果关系检验,而是变量外生性检验,请注意识别。
5、格兰杰检验只能用于平稳序列!这是格兰杰检验的前提,而其因果关系并非我们通常理解的因与果的关系,而是说x的前期变化能有效地解释y的变化,所以称其为“格兰杰原因”。
6、非平稳序列很可能出现伪回归,协整的意义就是检验它们的回归方程所描述的因果关系是否是伪回归,即检验变量之间是否存在稳定的关系。
所以,非平稳序列的因果关系检验就是协整检验。
7、平稳性检验有3个作用:1)检验平稳性,若平稳,做格兰杰检验,非平稳,作协正检验。
2)协整检验中要用到每个序列的单整阶数。
3)判断时间学列的数据生成过程。
ADF检验:1 view---unit root test,出现对话框,默认的选项为变量的原阶序列检验平稳性,确认后,若ADF检验的P值小于0.5,拒绝原假设,说明序列是平稳的,若P值大于0.5,接受原假设,说明序列是非平稳的;2 重复刚才的步骤, view---unit root test,出现对话框,选择1st difference,即对变量的一阶差分序列做平稳性检验,和第一步中的检验标准相同,若P值小于0.5,说明是一阶平稳,若P值大于0.5,则继续进行二阶差分序列的平稳性检验。
先做单位根检验,看变量序列是否平稳序列,若平稳,可构造回归模型等经典计量经济学模型;若非平稳,进行差分,当进行到第i次差分时序列平稳,则服从i阶单整(注意趋势、截距不同情况选择,根据P值和原假设判定)。
若所有检验序列均服从同阶单整,可构造VAR模型,做协整检验(注意滞后期的选择),判断模型内部变量
间是否存在协整关系,即是否存在长期均衡关系。
如果有,则可以构造VEC模型或者进行Granger因果检验,检验变量之间“谁引起谁变化”,即因果关系。
第一,格兰杰因果检验是检验统计上的时间先后顺序,并不表示而这真正存在因果关系,是否呈因果关系需要根据理论、经验和模型来判定。
第二,格兰杰因果检验的变量应是平稳的,如果单位根检验发现两个变量是不稳定的,那么,不能直接进行格兰杰因果检验,所以,很多人对不平稳的变量进行格兰杰因果检验,这是错误的。
第三,协整结果仅表示变量间存在长期均衡关系,那么,到底是先做格兰杰还是先做协整呢?因为变量不平稳才需要协整,所以,首先因对变量进行差分,平稳后,可以用差分项进行格兰杰因果检验,来判定变量变化的先后时序,之后,进行协整,看变量是否存在长期均衡。
第四,长期均衡并不意味着分析的结束,还应考虑短期波动,要做误差修正检验。
8.单位根检验是检验数据的平稳性,或是说单整阶数。
9.协整是说两个或多个变量之间具有长期的稳定关系。
但变量间协整的必要条件是它们之间是同阶单整,也就是说在进行协整检验之前必须进行单位跟检验。
10.协整说的是变量之间存在长期的稳定关系,这只是从数量上得到的结论,但不能确定谁是因,谁是果。
而因果关系检验解决的就是这个问题。
单位根检验是检验时间序列是否平稳,协整是在时间序列平稳性的基础上做长期趋势的分析,而格兰杰检验一般是在建立误差修正模型的后,所建立的短期的因果关系。
故顺序自然是先做单位根检验,再过协整检验,最后是格兰杰因果检验。
单位根检验是对时间序列平稳性的检验,只有平稳的时间序列,才能进行计量分析,否则会出现伪回归现象;协整是考察两个或者多个变量之间的长期平稳关系,考察两者的协整检验通常采用恩格尔-格兰杰检验,两者以上则用Johansen检验;格兰杰因果检验是考察变量之间的因果关系,协整说明长期稳定关系不一定是因果关系,所以需要在通过格兰杰因果检验确定两者的因果关系。
顺序一般是单位根检验,通过后如果同阶单整,在进行协整,然后在进行因果检验。
要特别注意的是:只有同阶单整才能进行协整。
11.VAR建模时lag intervals for endogenous要填滞后期,但是此时你并不能判断哪个滞后时最优的,因此要试,选择不同的滞后期,至AIC或SC最小时,所对应着的滞后为最优滞后,此时做出来的VAR模型才较为可靠。
12.做协整检验前作VAR的原因是,协整检验是对滞后期和检验形式非常敏感的检验,首先需要确定最优滞后。
由于VAR是无约束的,而协整是有约束的,因此协整检验的最优滞后一般为VAR的最优滞后减去1,确定了最优滞后后,再去诊断检验形式,最终才能做协整。
13.当确定了协整的个数后,往下看,有个标准化的结果,这个结果就是协整方程,由于在结果中各变量均在方程一侧,因此如果系数为正,则说明是负向关系,反之亦然。
14.协整表示变量间的长期均衡关系,貌似与你的OLS不矛盾。
(1)如检验不协整,说明没长期稳定关第,可以做VAR模型,但是模型建立后要做稳定性分析:做AR根的图表分析,如所有单位根小于1,说明VAR模型定,满足脉冲分析及方差分解所需条件之一模型的因果关系检验 2 不过注意在做因果检验前要先确定滞后长度,方法见高铁梅计量分析方法与建模第2版P302 只有满足因果关系,加上满足条件一:稳定性,则可进行脉冲及方差分解。