日间流动性风险测度运用①

日间流动性风险的测度方法已经在前面做了介绍，为了更加具体地阐述流动性风险的测度过程，我们通过实证研究考察个股与市场的日间流动性风险测度。

1)数据来源与描述性统计

上证综合指数包含了在上证交易所上市的全部股票，在中国股市设立之初就开始编制，具有很长的历史，目前仍然是中国股市最为权威的指数，对投资者具有很强的引导和指示作用，为此我们选取上证指数(以“SZZS”表示)代表股票市场的整体情况。此外，我们还在沪深样本股中随机抽取了两只股票，选取的这些样本股票中均在2003年1月3日前上市。被抽取的两只股票分别为深发展A(以“SFZ”表示)和上海机场(以“SHJC”表示)，考虑到2002年底QFII进入中国股市后，证券市场的发展逐步趋于完善，样本区间选取2003年1月2日—2009年6月30日，数据来源于港澳资讯度量衡。

依据式(5-1)和式(5-5)分别计算研究样本的流动性水平与流动性变化率，表5-1和表5-2分别给出了上证指数与两只样本股的流动性水平(“L”)与流动性变化率(“DL”)的描述性统计。表5-1的研究结果显示研究对象的流动性水平L的中位数与均值相差很大，说明研究样本的流动性水平是有偏的；而表5-2中流动性变化率DL的中位数与均值非常接近，说明偏度不大。

表5-1 研究样本流动性水平(L)的统计特征

表5-2 研究样本流动性变化率(DL)的统计特征

在对研究对象进行自相关性和异方差性分析之前，我们需要对时间序列的平稳性进行检验。检验平稳性的常用方法是单位根检验，即检验原序列是否存在单位根，如果不存在单位根，则说明原序列是平稳的。常用的单位根检验方法是ADF(Augmented Dickey-Fuller)，其回归方程式为:

H0:δ=0

如果检验结果表明δ显著为0，则说明变量是单位根过程I(1)；否则，若δ显著异于0，则表明变量是一稳定过程I(0)。因此，首先要利用ADF(Dickey&Fuller，1981)方法检验流动性序列与流动性变化率序列的平稳性。检验结果如表5-3所示。

表5-3 流动性水平与流动性变化率序列的单位根检验

注:①DL=ln(Lt)-ln(Lt-1)是按照(55)计算的流动性水平变化率，此处DLSZZS表示市场指数的流动性变化率，其他类似；②表中的ADF值即为参数δ的统计值；③(c，t，p)为检验类型，c和t表示带有常数项和时间趋势项，p表示滞后阶数，下同；④临界值是在相应显著性水平下得到的Mackinnon值，下同；⑤***表示统计结果在1%置信水平下显著。

表5-1和表5-2的比较可以看出，由于选定的流动性指标受成交量的影响很大，这将意味着流动股数较大的股票流动性会好，然而这一结论是有缺陷的。表5-3的研究结果表明，这说明经过对数差分后的流动性变化率序列均是平稳的，不存在单位根，也就是说按照式(5-4)处理后的数据不仅可以剔除样本的规模效应，还可以消除流动性水平序列的非平稳性。

表5-1和表5-2的比较可以看出，由于选定的流动性指标受成交量的影响很大，这将意味着流动股数较大的股票流动性会好，然而这一结论是有缺陷的。表5-3的研究结果表明，这说明经过对数差分后的流动性变化率序列均是平稳的，不存在单位根，也就是说按照式(5-4)处理后的数据不仅可以剔除样本的规模效应，还可以消除流动性水平序列的非平稳性。

表5-4 流动性变化率序列的描述性统计特征

注:Q(i)统计量和Q2(i)统计量分别是对收益率序列、收益率平方序列滞后i阶的Ljung-Box统计量，其显著性可用于判断序列是否存在自相关性和异方差性。

表5-4给出了研究样本流动性变化率序列的描述性统计，JB统计量的结果在5%的置信水平下显著拒绝了正态分布的原假设，此外峰度和偏度的数值也表明研究样本的流动性水平变化率序列不服从正态分布假设，峰度值表明它们的尾部普遍偏厚，这说明如果简单的假设序列服从正态分布就会低估极端值发生的概率。Ljung-Box的Q统计量用于判断序列是否存在自相关；Ljung-Box的Q2统计量用于判断序列是否存在异方差性，检验结果表明研究样本的流动性变化率序列存在自相关性与波动聚集效应；表5-3的ADF检验结果表明流动性水平的变化率序列DL是平稳的，不存在单位根。

2)日间流动性风险的测度

下面将通过构建适当滞后阶数的ARMA-GARCH模型来对流动性变化率序列进行拟合，我们建立ARMA(m，n)-GARCH(p，q)对之进行刻画。在选取均值方程的滞后阶数m和n时，依据原则:在模型可以“捕捉”自相关性的基础上，选取对数似然尽可能大，而AIC尽可能小的滞后阶数，经过比较选定p=1， q=1，故对流动性水平变化率的均值方程建立ARMA(1，1)模型。此外我们试探性的对方差方程建立GARCH(1，1)模型，模型如下:

这里假设标准化残差序列εt服从t分布假设，采用S-plus软件，模型估计与诊断性检验结果如表5-5所示。

表5-5 研究样本流动性风险拟合过程的参数估计

表5-5中拟合过程的诊断结果显示:经ARMA(1，1)-GARCH(1，1)-t分布模型拟合后，残差不再具有自相关性和异方差性。Panel C中Q(12)对应的Ljung-Box的第12阶Q统计量，(.)中的数字表示检验结果的P值，该检验表明标准化残差序列不再有自相关性；Panel C中Q2(12)对应的是第12阶Ljung-Box的Q2统计量，诊断结果表明三个研究样本的残差序列均不再具有异方差性，这说明上述模型可以很好地捕捉原时间序列的自相关性和波动聚集性。根据以上的参数估计过程，我们可以得到流动性变化率的时变方差序列σ2t，根据前面对流动性风险的内涵分析，我们可以用这个时变方差序列来表示日间的流动性风险值。图5-1画出了这三个研究样本日间的流动性风险值。

图5-1(a) 上证指数的日间流动性风险值

图5-1(b) 深发展A的日间流动性风险值

图5-1(c) 上海机场的日间流动性风险值

[1] 这部分内容摘自国家自然科学基金项目“证券市场流动性价值理论与实证分析技术”(编号:70773075)的研究成果。