中国商品期货市场的测度

基于以上分析，下文将给出中国商品期货市场样本外波动性的VaR测度。

1.多头和空头的VaR

为计算期货市场多头和空头的日VaR，我们计算了铜、铝、天然橡胶和大豆期货在95%和99%置信水平的日VaR，所计算的样本外区间为2009年1月1日至2010年12月31日。事实上，被估计的特定期货合约收益为2008年12月31日，VaR将预测下一个交易日的VaR。这样，（多一天的）扩展估计样本将被重新估计，提前一天（one-day-ahead）的VaR也将被重新计算，这一过程将一直持续到样本外数据的最后一天。如此，正态分布、学生分布、广义误差分布和混合正态分布下的对称SV模型和不对称的THSV模型的VaR均可以得到。

表8-4给出了不同模型下95%和99%置信度下的VaR值。可以发现，正态分布下的SV和THSV模型的VaR值要比其他后厚尾分布模型的VaR值要低。这说明相对于其他模型，SV和THSV模型低估了商品期货市场的极端风险。另外，在所有期货市场中，多头99%置信度下的VaR值要比空头的VaR值低，这说明收益分布的确是非对称的。我们知道，VaR模型关注的是最大的损失，并且发现所有模型在下行风险在99%置信度下的VaR值显示出天然橡胶期货具有最大的VaR值。在空头的上行风险VaR测度中，混合正态分布下的随机波动模型能够更加准确地预测期货市场的风险，相对而言，我们仍旧能够预测出天然橡胶期货的风险是最大的。

2.后验测试结果

利用第七章的公式（7.22）～公式（7.24）的后验测试方法，表8-5给出了不同分布下所有期货品种的对称SV模型和THSV模型的LRCC。可以看出，对称的SV模型在测度多头和空头VaR时效果很差，因为所有的原假设在1%和5%信水平上都被拒绝，即使是用收益的非正态部分来对SV进行模拟时结果也是如此。因此，非对称性理应被考虑在随机模型中，以提高预测样本外数据的VaR精度。然而，将均值和（或）方差的非对称性加入到随机模型中是否能显著提高预测的准确性呢？事实上，我们发现均值不对称性的THSVN模型和THSV-t模型的检验结果在1%或5%显著水平下都是显著的，而在均值非对称的THSV-GE和THSV-MN模型的检验结果只有1个或2个在99%置信度下是不显著的。不管是哪个分布下，在方差非对称的THSV模型中，没有一个结果在99%置信度下是不显著的。考虑到LRCC的大小以及1%和5%置信水平的显著性程度，也证明了均值非对称性要比方差非对称性在样本外VaR预测能力上更加重要。正态分布和学生分布下的标准THSV模型表现结果也欠佳，然而，当模型变为THSV-GE或者THSV-MN时，VaR预测得更加准确了，这是因为LRCC的显著性显著提高了。由此我们发现标准THSV-GE模型可以精确地预测铜期货市场空头、铝期货多空头、橡胶期货空头等空头的VaR；在THSV-MN的实证中，我们发现所有的后验检验结果都是显著的，除了铜期货多头的VaR。在铝期货的多空头VaR预测上，根据LRCC显著性，THSV-GE模型的表现要优于THSV-MN，但是在其他情况下都要劣于THSV-MN模型。总体来看，标准的THSV-MN模型提供了更精确的VaR测度。这个结果也和DIC估计下的相应模型的表现相一致，这意味着刻画期货数据的最优模型也表现出最好的VaR测度。另外，所有的THSV模型在预测VaR时，空头比多头有更显著的LRCC，即THSV方法更好地刻画了正收益的状态关系，而不是负收益状态。

表8-4　中国期货市场多头/空头的平均VaR 值

（续表）

（续表）

注：本表给出了中国商品期货市场在95%和99%置信水平下多头和空头的VaR 值。SV、MTHSV、VTHSV和STHSV 分别代表随机波动模型、均值不对称下的THSV模型、方差不对称下的THSV模型与均值和方差均为不对称下的标准门限随机波动模型。

表8-5　中国商品期货市场多头/空头VaR的后验测试结果

（续表）

（续表）

注：本表给出了中国商品期货市场在95%和99%置信程度下多头和空头的VaR值的后验测试结果。SV、MTHSV、VTHSV和STHSV分别代表随机波动模型、均值不对称下的THSV模型、方差不对称下的THSV模型与均值和方差均为不对称下的标准门限随机波动模型。*（**）表示在5%（1%）置信水平下显著。