组合风险预测分析：金融风险价值量化分析成果

依托于已拟合的时变Copula-GARCH(1，1)-M-t模型及提出的VaR 和CVaR 的一步预测方法，我们对不同置信水平及以中美股市指数为组合的不同投资权重的组合收益率的风险进行一步预测(结果见表10.3)，同时得到了资产组合的有效前沿及中美股市之间的时变相关系数及时变尾部指数时序(见图10.2)。其中，时变相关系数由该模型的DCC 方程计算而得，也即将表10.2的R、a和b代入式(10.11)得到ρt＝ρ1，2，t，再将ρt 和η 代入式(10.6)得到时变尾部指数λt。

表10.3　组合风险一步预测比较

由表10.3可见：

(1)从横向比较而言，当投资于美股指数的权重减少时，两种方法对组合风险VaR 和CVaR 的一步预测值有增加的趋势，这说明中国股市的波动风险要比成熟的美国股市大。(www.xing528.com)

(2)从纵向比较而言，当置信水平不变时，MCMC2对组合风险VaR 和CVaR 的一步预测值要低于IFM 的预测结果，这说明MCMC2对组合风险的预测偏于保守；当置信水平渐渐变大时，两种方法分别预测得到的组合风险VaR 和CVaR 也会相应地增大，MCMC2 对组合风险的预测仍然倾向于保守。

图10.2　指数收益率、时变相关系数、时变尾部指数及组合有效前沿

从图10.2可以看出：(a)表明上证综合指数的收益率的波动幅度明显比标普500指数的大；(b)表明中美两市指数收益率之间的时变相关性在2008年11月15日前后差别十分明显，MCMC2比IFM 对时变相关系数的估计效果较好；(c)表明在美国次贷危机爆发后到世界性金融救助方案的颁布前夕再到世界经济复苏阶段，两市指数收益率的尾部指数的时变趋势差异较大，其中MCMC2的计算结果比IFM 的更能体现其局部差异；(d)给出了两指数收益率投资组合基于MCMC2的Copula-GARCH(1，1)-M-t的有效前沿曲线，比较发现“均值-CVaR 模型”好于“均值-VaR 模型”和“均值-方差模型”。