金融统计论文.docx

Last updated at 10:00 am on 25th December 2020
金融统计论文
学生姓名：何雨芹
学号：
学校：西南财经大学
课程：金融统计分析
我国银行间同业拆借-GARCH类模型，可以有效地刻画同业拆借利率的动态特性：t-分布和g-分布下的模型能更好地捕捉同业拆借利率序列的尖峰厚尾性，同业拆借利率存在显着的自相关性、风险溢价效应和波动的反杠杆效应，即利率上升时的波动更大，VaR方法可以有效地预测同业拆借利率风险。多数研究都是围绕
GARCH模型展开的拓展性研究，并且得出了不同的结论。
二、 我国银行间同业拆借市场利率现状的分析与模型建立
1996年6月1日，中国人民银行取消了对同业拆借利率的上限管理，同业拆借利率由交易双方根据市场资金的供求状况自行确定，开始了我国同业拆借市场市场化改革。1996年拆借市场的交易量仅为 亿元，至2003年交易量已达24113亿元，增幅惊人。银行间市场发展极为迅速。随着市场交易量的激增，同业拆借利率的不确定性增加。参与的商业银行面临巨大的利率风险。虽然拆借资金只是短期使用，但现实中商业银行的拆借资金已经拆除了调剂头寸的需求，同业拆借资金处于利率风险之中。因此，用风险价值VaR模型测度我国商业银行在同业拆借市场中的利率风险是很有价值的。
（一）数据及其来源
由于选取的是中国银行同业拆借市场中的隔夜拆借为研究对象，因此我选择了最新的数据，是2013年1月4日至2014年10月30日的同业拆借市场每日加权利率这457个观测值为样本数据，其中有些天数的数据是缺失的（数据来源为东方财富网数据中心）。
（二）描述性统计分析
在运用VaR模型测度利率风险之前，须首先对数据进行描述性统计分析和检验同业拆借利率序列的正态性、平稳性、自相关性和条件异方差性。
描述性统计
首先对数据做描述性统计分析，运用软件，得出结果如下图所示：
可以看出，同业拆借利率中最小的利率为%，最大利率为%，波动幅度非常的大，这也印证前面所说同业拆借市场的风险也很大的结论。同业拆借利率的均值为%。另一方面，可以从表中看到同业拆借利率的偏度为，为右偏分布；峰度为，数据为尖峰分布。
2、正态性检验
对样本数据做正态QQ图和无趋势正态概率图如下，通过正态概率图可以看出, 在正态直线以外散布着大量的点，数据点组成的线呈曲线状，且两端有摆动, 说明CHIBOR的实际分布两侧具有厚尾现象。通过无趋势正态概率图可知, 大多数散点并不是随机分布在通过零点的水平直线周围，而是呈现明显的抛物线形状，所以，正态QQ图和无趋势正态概率图分析，可初步得出数据服从正态分布假设不成立。
对CHIBOR做单样本K-S检验，结果如下图，从结果可以看出，样本数据均值为，标准差为，K-S的Z统计量为，对应的相伴概率为，小于的显着性水平，因此，正态性假设被拒绝，及同业拆借利率的实际分布与正态分布存在显着性差异。
通过上述检验, 我国银行间同业拆借利率分布是非正态的，如果仍然假设其服从正态分布，虽然可以大大简化运算，但误差会比较大。因而，我们要用其它分布形式代替正态分布以提高模型的拟合度。
平稳性检验
对CHIBOR做单位根检验，检验结果如下，可以看出ADF统计量值为，P值为，因此拒绝原假设，这说明CHIBOR数据是平稳的。
Null Hypothesis: CHIBOR has a unit root
Exogenous: Constant
Lag Length: 7 (Automatic - based on SIC, maxlag=17)
t-Statistic
Prob.*
Augmented Dickey-Fuller test statistic
Test critical values:
1% level
5% level
10% level
自相关检验
自相关检验的目的是检验各期的拆借利率是否具有相关性。对于自相关检验的方法, 目前主要有以Dickey-Fuller检验为代表的序列相关法和以Ljung-Box统计量为代表的序列相关检验法。
运用EViews求CHIBOR序列的自相关系数和偏相关系数及Ljung-Box统计量Q-t结果如下:
可以看出，CHIBOR序列具有较强的自相关性，因此求CHIBOR一阶差分序列的自相关系数、偏相关系数和Ljung-Box统计量Q-t如下图：
由图可知，CHIBOR一阶差分序列存在较弱的自相关