【我國商業(yè)銀行利率風險實證探究（論文）9100字】

我國商業(yè)銀行利率風險實證研究目錄77981導論 1256701.1選題背景與意義 1232141.2文獻綜述 167761.3論文的結(jié)構(gòu)及主要內(nèi)容 2248791.4論文的研究方法 220102商業(yè)銀行利率風險度量模型 353992.1利率敏感性缺口模型 3216532.2久期缺口模型 3244892.3VaR模型 392673我國基準利率選取實證分析 476653.1變量選取與數(shù)據(jù)處理 4124343.2相關性檢驗 4141623.3基準性檢驗 5278013.4結(jié)論 681574我國商業(yè)銀行利率風險實證分析 6158034.1樣本數(shù)據(jù)選取 6272204.2數(shù)據(jù)檢驗分析 651144.3建立GARCH模型 9181294.4VaR值的計算 10302344.5事后檢驗 11112715結(jié)論及建議 11116055.1結(jié)論 11135305.2建議 1224044參考文獻 131導論1.1選題背景與意義隨著我國經(jīng)濟進入新的發(fā)展階段，金融市場的活躍度不斷提升，同時也極大地激發(fā)了金融中介機構(gòu)的活力，金融體系也得到充分的構(gòu)建和完善。但是，在金融市場繁榮發(fā)展的同時，與此伴隨而來的風險也逐漸暴露出來，特別是利率風險已經(jīng)成為現(xiàn)代金融體系不容忽視的風險之一。在利率市場化的背景下，利率完全由市場的供給和需求決定，政府不再直接干預，這就使得利率波動幅度加大，變動更加靈活，因此帶來了很大的不確定性，助長過度投機，不利于金融市場的正常發(fā)展，進而導致利率風險基于之前的水平明顯提高。商業(yè)銀行作為金融中介機構(gòu)的重要組成部分，隨著利率市場化進程的推進，在穩(wěn)步發(fā)展的同時伴隨的利率風險也進一步加大，進行利率風險管理十分必要。而這其中利率風險的度量作為利率風險管理過程中的關鍵一環(huán)，需要管理者重點關注。因此，采用合適的研究方法來準確度量商業(yè)銀行利率風險，是商業(yè)銀行進行風險控制和管理的必要環(huán)節(jié)，并且及時采取有效的措施來降低預期損失，對商業(yè)銀行的正常經(jīng)營和盈利，都有著十分重要的實踐意義。1.2文獻綜述1.2.1關于利率風險度量方法的研究利率是整個金融市場和金融體系中最活躍的因素。隨著金融體系的不斷完善以及金融市場的多樣化發(fā)展和金融工具的不斷創(chuàng)新，關于利率風險度量方法的研究也不斷深入，各位學者采取的度量方法和模型也更加多樣化，更加具有實踐價值?，F(xiàn)有的文獻大部分以利率的變動對金融工具價格變動的影響程度為基礎，進而對利率風險進行度量，從最初的利率敏感性缺口模型到久期缺口模型，再過渡到將VaR模型應用于度量利率風險之中。在利用利率敏感性缺口分析我國利率風險方面，劉陽（2019）應用利率敏感性缺口的方法研究了在利率市場化的背景下，商業(yè)銀行面臨的主要利率風險，并且根據(jù)得到的分析結(jié)果提出相應的對策建議。魏瑤瑤（2020）選擇9家上市商業(yè)銀行的有關數(shù)據(jù)，根據(jù)其數(shù)值的變動用利率敏感性缺口模型進行利率風險度量。近幾年，使用VaR方法度量利率風險已得到眾多學者的認可。外國學者率先一步在此方面進行探索，Kupiec(1995)運用似然比統(tǒng)計量檢驗VaR模型的精確度，隨后VaR方法廣泛應用于度量金融風險。Chew和Lilian(1996)系統(tǒng)介紹了VaR的3種計算方法，即蒙特卡羅模擬法、RiskMetrics方法和歷史模擬法。PhilippeJorion(1997)介紹了VaR的相關原理和理論概念、計算方法和檢驗方法及在投資和風險管理等領域的實際應用。在我國，宿玉海和王美伶(2015)通過建立GARCH模型和TARCH模型來計算VaR值，認為基于TARCH(1，1)-GDE模型對度量隔夜SHIBOR利率風險的效果較好。李洛源(2016)構(gòu)建了在不同分布下的ARMA-GARCH模型來度量SHIBOR風險，認為在正常的市場情況下VaR方法能夠很好地度量利率風險。王飛航和張莉（2016）采用Vasicek模型以及CIR模型來描述利率的波動幅度，并且采用GARCH模型估計利率的波動率，進而使用VaR的方法度量利率風險。冷琦琪和王學軍(2018)在多種分布下應用EGARCH模型計算VaR值，并且使用KUPIEC和CHRISTOFFERSEN檢驗法來檢驗VaR的有效性。羅熙茗和付湘山（2020）把倫敦銀行間同業(yè)拆借利率(LIBOR)作為研究對象，使用VaR方法來度量商業(yè)銀行的利率風險。目前，采用利率敏感性缺口模型和久期缺口模型進行利率風險度量的研究與之前相比有所減少，學者們更傾向于選擇VaR模型作為主要的研究方法。但是進行實證分析時所選取的基準利率大部分是SHIBOR利率，隨著基準利率培育工作的有序進行，出現(xiàn)了新的參考利率，SHIBOR利率的代表性有所減弱。而現(xiàn)有的文獻中，對選擇新的參考利率作為樣本數(shù)據(jù)進行利率風險度量的研究較少。1.2.2我國基準利率選取的研究在度量利率風險時，基準利率的選擇對實證結(jié)果有著明顯的影響，因此選用哪種利率更具有代表性和研究價值也成為關注的重點之一。劉義圣、王春麗（2019）通過在新環(huán)境下對貨幣市場基準利率的選擇進行實證檢驗，結(jié)果顯示:DR001的基準性、相關性和穩(wěn)定性都更強，因此選擇DR001作為我國基準利率的觀測指標更合適。曹超（2020）以市場性、相關性和基準性等五個基本屬性為基礎，將選取的四種不同類型的市場利率作為研究對象，進行實證分析，研究結(jié)果表明存款類機構(gòu)質(zhì)押式7天回購利率（DR007）具有較好的基本屬性，并且優(yōu)于其他貨幣市場利率的效果。項衛(wèi)星、閆博（2020）研究發(fā)現(xiàn)，如果把特定期限的業(yè)務作為基準利率，那么7天逆回購利率比較合適；如果把貨幣市場利率作為基準利率，R001與DR001技術性上都具備條件，但是R001具有較強的市場代表性，DR001具有較強的政策指導性。1.3論文的結(jié)構(gòu)及主要內(nèi)容本文包括六個部分，各部分的研究重點如下所示:第一部分:導論。該部分是在收集利率市場化背景下利率風險變動的資料以及相關研究文獻的基礎上，總結(jié)論文的研究背景與意義；之后介紹國內(nèi)外現(xiàn)有研究的基本情況。第二部分:相關概念理論的闡述。借鑒國內(nèi)外學者的研究方法，分析現(xiàn)存的利率風險度量的方法。第三部分:實證分析基準利率的選取。第四部分:在確定具有代表性的基準利率數(shù)據(jù)后，對我國商業(yè)銀行利率風險進行實證分析。第五部分:根據(jù)實證分析得出的結(jié)果，提出商業(yè)銀行利率風險管理的改進措施。1.4論文的研究方法（1）文獻總結(jié)法文獻總結(jié)法是以搜集、整理文獻資料為基礎從而進一步了解研究現(xiàn)狀的重要方法。通過在中國知網(wǎng)上，利用“商業(yè)銀行”、“利率風險”和“利率風險度量實證分析”等關鍵詞，下載近十年來商業(yè)銀行利率風險管理方面的文獻。（2）比較分析法本文闡述了三種利率風險度量模型的主要理論，然后根據(jù)現(xiàn)階段商業(yè)銀行發(fā)展特征的適用性，選擇VaR模型作為利率風險度量的工具；通過對比分析選用了GARCH模型計算商業(yè)銀行利率風險的VaR值。（3）定量研究法基于各種利率的數(shù)據(jù)，綜合運用商業(yè)銀行學、計量經(jīng)濟學等學科的理論知識，運用時間序列數(shù)據(jù)建立GARCH模型進行VaR值測算，對我國商業(yè)利率風險進行實證分析。2商業(yè)銀行利率風險度量模型2.1利率敏感性缺口模型利率敏感性缺口模型通過測算利率變動時，銀行凈利息收入隨之變化的幅度，來進行有效的利率風險度量。主要測算指標為利率敏感性缺口，用利率敏感性資產(chǎn)與利率敏感性負債的差額來表示，其中利率敏感性資產(chǎn)是指需要在一定時期內(nèi)重新定價的資產(chǎn),利率敏感性負債是指需要在一定時期內(nèi)重新定價的負債。該指標反映了銀行凈利息收入的變動方向與利率的變動方向之間的關系，當利率敏感性缺口大于0時，為正缺口，即兩者同向變動；當利率敏感性缺口等于0時，為零缺口，即利率的變動不會影響銀行凈利息收入的變動；當利率敏感性缺口小于0時，為負缺口，即兩者反向變動。利率敏感性缺口模型最早用于銀行的利率風險度量，容易理解、計算簡單、成本較低。但是也存在一定的局限性，首先，該模型需要假設資產(chǎn)和負債的利率變化幅度一致，從而忽略了不同頭寸的利率變動差異；其次，該模型選擇不同的考察期，由于忽略了資金的時間價值，導致測算得到的缺口狀況也不同，這樣就可能造成錯誤的分析。2.2久期缺口模型久期缺口模型通過測算利率變動時，銀行的權益價值隨之變化的幅度，來進行有效的利率風險度量。該模型的主要測算指標為久期缺口，根據(jù)已有的研究得出，可以將久期缺口定義為Dgap=DA-DL，其中DA表示資產(chǎn)久期；表示資產(chǎn)負債率，即=VLVA；DL表示負債久期。然后利用久期缺口建立利率變動和權益價值變化之間的關系，整理可得VE=Dgapr（1+r）VA，其中VE表示權益價值變化；r表示利率變動；VA表示資產(chǎn)價值，從而得出，當前的市場利率越高，利率變化對權益價值的影響越小。久期缺口模型彌補了利率敏感性缺口模型的局限性，即考慮了資金的時間價值，屬于對利率風險的比較靜態(tài)分析。2.3VaR模型VaR是指在正常的市場條件下和一定的置信水平下，金融資產(chǎn)或資產(chǎn)組合在一定時期內(nèi)的最大損失。因為大多數(shù)的金融時間序列都是非正態(tài)的，且存在尖峰厚尾的分布特征，所以本文假設資產(chǎn)的價值變化服從廣義誤差分布（GED）。在確定資產(chǎn)價值變化的分布狀況后，關鍵是要得出資產(chǎn)收益率序列的波動率，從已有的研究發(fā)現(xiàn)，對于大多數(shù)金融時間序列，GRACH模型能夠效果較好地估計出序列的波動率，因此本文在實證部分通過建立GARCH模型來得到一個條件方差序列，進一步計算得出波動率。那么VaR值的計算公式可以表達為：VaR=0Ztt，其中0代表資產(chǎn)價值，假定為1；Z表示一定置信水平下的分位數(shù)；t表示收益率波動,t表示持有期。VaR模型提供了對風險的總體測度，通過預測市場因子的波動性，來得出資產(chǎn)的價值變化。而且該模型估計結(jié)果的準確性和模型的有效性，還可以通過事后檢驗進行驗證，提高了風險度量的準確度。3我國基準利率選取實證分析3.1變量選取與數(shù)據(jù)處理根據(jù)研究目的和具體實踐來看，適合進行實證檢驗的利率變量分別為存款類機構(gòu)間利率債質(zhì)押隔夜回購利率（DR001）、存款類機構(gòu)間利率債質(zhì)押7天回購利率（DR007）、上海銀行間隔夜拆借利率(SHIBORO/N)。SHIBOR、DR001和DR001的數(shù)據(jù)來自Wind數(shù)據(jù)庫，選取的時間期限為2017年2月3日至2021年3月31日的日數(shù)據(jù)，本文采取Eviews7.2對選取的利率進行相關性與基礎性檢驗分析。3.2相關性檢驗基準利率是在多種利率同時存在的條件下，起著決定作用的利率，并且其他利率會隨之變動而發(fā)生相應的變化。因此，作為基準利率的選取標準之一就是與市場其他利率存在較強的相關性。為了觀察選取的利率間的相關性，先做出所選數(shù)據(jù)的走勢圖。如圖3-1所示，數(shù)據(jù)的變動趨勢大致相同，但DR001的波動幅度與其它利率相比更加顯著，說明DR001對其他利率有一定的帶動性和影響力，接下來使用Eviews7.2對選取數(shù)據(jù)的相關系數(shù)進行分析。圖3-1SHIBORO/N、DR001、DR007利率走勢圖根據(jù)表3-1顯示，DR001與SHIBOR之間的相關性最高，兩者的相關系數(shù)為0.925075；其次為DR001與DR007，相關系數(shù)為0.748104，相關性最低的為SHIBOR與DR007，但也高達0.697231。比較而言，DR001與SHIBOR、DR007的相關密切程度都較強，可以進一步推測DR001與市場上其他利率的相關性也同樣較強，較高的相關系數(shù)表明利率在市場中具有明顯的聯(lián)動效應。表3-1SHIBORO/N、DR001、DR007之間相關性檢驗表SHIBORDR001DR007SHIBOR1.0000000.9250750.697231DR0010.9250751.0000000.748104DR0070.6972310.7481041.0000003.3基準性檢驗基準利率選取的另一標準是具有基準性，關于利率指標的基準性檢驗，可以通過格蘭杰因果檢驗得以實現(xiàn)，分析各變量間是否存在因果關系，從而確定一個指標變量是否具有基準性，也就是檢驗其是否是引起其他變量變動的原因。格蘭杰因果檢驗只適用于平穩(wěn)序列，因此先對時間序列數(shù)據(jù)進行單位根檢驗，保證變量數(shù)據(jù)為平穩(wěn)數(shù)據(jù)，再進行格蘭杰因果檢驗。表3-2ADF單位根檢驗結(jié)果TestStatistic1%CriticalValue5%CriticalValue10%CriticalValueSHIBORO/N-5.033086-3.436450-2.864122-2.568196DR001-5.162292-3.436456-2.864124-2.568198DR007-3.941614-3.436480-2.864135-2.568203MacKinnon(1996)one-sidedp-values在構(gòu)建模型之前，需要對數(shù)據(jù)進行平穩(wěn)性檢驗，本文采用的方法是ADF檢驗。結(jié)果如表3-2顯示，在確定的水平條件下，SHIBORO/N、DR001、DR007的ADF統(tǒng)計量都分別小于1%、5%、10%顯著水平的臨界值，因此所有變量都是平穩(wěn)的，符合做格蘭杰因果檢驗的條件。所以，進一步對SHIBORO/N、DR001、DR007進行格蘭杰因果檢驗。表3-3格蘭杰因果檢驗結(jié)果ObsF-StatisticProbDR001doesnotGrangerCauseSHIBOR101722.17952.E-68SHIBORdoesnotGrangerCauseDR0011.149750.2891DR007doesnotGrangerCauseSHIBOR6.795791.E-18SHIBORdoesnotGrangerCauseDR0071.857930.0109DR001doesnotGrangerCauseDR0072.305210.0008DR007doesnotGrangerCauseDR0013.807452.E-08檢驗結(jié)果如表3-3顯示，DR001不僅是SHIBORO/N的格蘭杰原因，也是DR007的格蘭杰原因，因此，格蘭杰因果關系給出了存款類機構(gòu)間利率債質(zhì)押隔夜回購利率（DR001）作為基準利率最優(yōu)性的解釋，即DR001的基準性較強。3.4結(jié)論研究結(jié)果表明，存款類機構(gòu)間利率債質(zhì)押隔夜回購利率（DR001）的基準性和相關性相較于存款類機構(gòu)間利率債質(zhì)押7天回購利率（DR007）、上海銀行間隔夜拆借利率(SHIBORO/N)等都更強，比較而言，DR001更適合作為本文進行度量利率風險實驗數(shù)據(jù)的首選。4我國商業(yè)銀行利率風險實證分析4.1樣本數(shù)據(jù)選取由上面的實證結(jié)果得出，DR001市場代表性更強，更適合作為基準利率進行本文下一步的實證分析。因此本文選取2017年2月3日至2021年3月31日存款類機構(gòu)間利率債質(zhì)押隔夜回購利率（DR001）數(shù)據(jù)作為樣本(數(shù)據(jù)來源于Wind數(shù)據(jù)庫)，樣本數(shù)量一共為1038個。對DR001利率進行對數(shù)差分處理：r=ln（DR001t）-ln（DR001t-1）（r：對數(shù)日收益率；DR001t：t日的存款類機構(gòu)間利率債質(zhì)押隔夜回購利率；DR001t-1：t-1日的存款類機構(gòu)間利率債質(zhì)押隔夜回購利率）4.2數(shù)據(jù)檢驗分析在建立模型之前，對收益率序列進行正態(tài)性、平穩(wěn)性、自相關性和條件異方差性檢驗。4.2.1正態(tài)性檢驗圖4-1LR時間序列直方分布圖以及JB檢驗結(jié)果由圖4-1可以看出,DR001收益率的平均值為-0.000244，標準差為0.147897，偏度為0.173418,偏度值大于0，說明序列分布存在右偏分布。峰度值為7.851731，高于正態(tài)分布的峰度值3，說明是尖峰分布，即收益率序列具有尖峰厚尾的特點。Jarque-Bera統(tǒng)計量為1022.291，P值為0.000000，在99%的置信水平下，拒絕是正態(tài)分布的原假設。為了提高模型的擬合度，需選取其它的分布形式。4.2.2平穩(wěn)性檢驗本文采用ADF單位根檢驗法對收益率序列進行平穩(wěn)性檢驗，ADF檢驗結(jié)果如表4-1所示。表4-1收益率序列ADF單位根檢驗結(jié)果t-StatisticProb.*AugmentedDickey-Fullerteststatistic-24.458690.0000Testcriticalvalues:1%level-3.4364565%level-2.86412410%level-2.568198由表4-1可知，收益率序列的ADF檢驗值的t統(tǒng)計量為-24.45869，都分別小于1%、5%、10%顯著水平下的臨界值，且對應的P值為0.0000，收益率序列不存在單位根，說明經(jīng)過對數(shù)差分后得到的收益率序列數(shù)據(jù)平穩(wěn)。4.2.3自相關檢驗本文對樣本數(shù)據(jù)進行自相關檢驗，檢驗結(jié)果如表4-2所示。表4-2收益率序列自相關檢驗結(jié)果AutocorrelationPartialCorrelationACPACQ-StatProb*||*||1-0.104-0.10411.2080.001*||*||2-0.107-0.11923.0980.000*||*||3-0.141-0.17043.7940.000||*||4-0.013-0.06843.9630.000||||50.0710.02349.1800.000||||6-0.031-0.05550.1620.000||||7-0.023-0.03650.7320.000*||*||8-0.074-0.08456.5290.000||||90.0650.02860.9120.000||||100.010-0.01261.0100.000||||11-0.040-0.05462.7050.000*||*||12-0.071-0.08167.9840.000||*||13-0.036-0.06769.3180.000||*||14-0.005-0.07169.3410.000||*||15-0.055-0.11972.5220.000從表4-2可以得到，在5%的顯著水平下，Q統(tǒng)計量的值都較大，且對應的P值=0.000，拒絕相關系數(shù)為零的原假設，即序列具有自相關性。其中滯后五期的相關系數(shù)為0.071，比其它階數(shù)都高，此時序列正相關性最強。4.2.4異方差檢驗金融時間序列可能存在條件異方差，因此需要進行條件異方差檢驗。在此之前，先觀察一下收益率的時間序列圖，結(jié)果如圖4-2所示：圖4-2收益率時間序列圖由圖可以看出，收益率序列在2019年5月-2021年這一時間段較為聚集，存在明顯的“集群”現(xiàn)象，且波動幅度較大，而在2019年之前波動都較平緩。在這之后應用ARCH-LM法對殘差進行異方差檢驗，由表4-2可知，時間序列滯后一期的偏自相關系數(shù)超過0.05，所以構(gòu)建AR（1）模型進行回歸分析，然后根據(jù)結(jié)果判斷模型是否有效，結(jié)果如表4-3所示：表4-3AR（1）模型回歸結(jié)果VariableCoefficientStd.Errort-StatisticProb.C-0.0002660.004144-0.0641390.9489AR(1)-0.1038310.030933-3.3566590.0008由得出的結(jié)果發(fā)現(xiàn)，常數(shù)項c的P值較大，未通過檢驗，因此去掉常數(shù)項c再一次構(gòu)建新的AR（1）模型，回歸結(jié)果如表4-4所示：表4-4AR（1）模型回歸結(jié)果VariableCoefficientStd.Errort-StatisticProb.AR(1)-0.1038270.030918-3.3581510.0008由表可知，去掉常數(shù)項c后，AR（1）模型有效，接下來對AR（1）模型的殘差進行ARCH-LM檢驗，結(jié)果如表4-5所示。表4-5ARCH-LM檢驗結(jié)果F-statistic21.63921Prob.F(2,1033)0.0000Obs*R-squared41.65483Prob.Chi-Square(2)0.0000通過ARCH-LM檢驗發(fā)現(xiàn)，P值小于0.05，在95%的置信區(qū)間內(nèi)，拒絕原假設，收益率序列存在異方差,即存在ARCH效應。綜合以上檢驗結(jié)果得出，收益率序列是非正態(tài)、平穩(wěn)、存在自相關性、存在異方差的序列，因此本文后面的回歸分析采用GARCH模型。4.3建立GARCH模型GARCH（p,q）模型的表達形式為：條件均值方程：rt=rt-1+t條件方差方程：σt2=0+1t-12+σt-12在進行下一步的回歸之前，需要確定GARCH模型中各個階數(shù)，所以先設定不同的p值、q值，并對其進行回歸分析，從得到的結(jié)果中提取出AIC和SC的值，根據(jù)AIC、SC最小準則來確定合適的階數(shù)，AIC、SC提取的結(jié)果如表4-6所示：表4-6AIC、SC提取結(jié)果GARCH（1,1）GARCH（1,2）GARCH（2,1）AIC-1.278093-1.277379-1.277291SC-1.259008-1.253523-1.253434通過設定不同的p值、q值得到的回歸結(jié)果發(fā)現(xiàn)，當p=1,q=1時，AIC、SC的值均為最小，符合相關原則，所以本文以GARCH（1,1）模型進行研究。由前面對收益率序列相關的描述性統(tǒng)計得知，序列存在尖峰厚尾的分布特點，因此本文認為選擇在廣義誤差（GED）的假設條件下，建立GARCH（1,1）模型進行回歸分析，擬合程度較好，結(jié)果如表4-7所示：表4-7GED分布假設下，GARCH（1,1）模型回歸結(jié)果VariableCoefficientStd.Errorz-StatisticProb.AR(1)-0.1281500.030030-4.2674560.0000VarianceEquationC0.0016700.0004144.0340620.0001RESID(-1)^20.4763480.0885405.3800320.0000GARCH(-1)0.5593980.05585810.014600.0000GEDPARAMETER1.0142450.05849517.338990.0000再對殘差序列做ARCH-LM檢驗，結(jié)果如表4-8所示：表4-8ARCH-LM檢驗結(jié)果F-statistic1.324777Prob.F(4,1027)0.2588Obs*R-squared5.297574Prob.Chi-Square(4)0.2581由上表檢驗結(jié)果可知，P值為0.2588，大于臨界值0.05，即接受原假設，收益率r序列的異方差通過GARCH模型得到了很好的解決。結(jié)合表4-7，確定GARCH（1,1）模型的回歸方程表示為：rt=-0.128150rt-1+t（t=tt,tGED（0.058495））t2=0.001670+0.476348t-12+0.559398t-12根據(jù)回歸方程得出，1的值大于0，說明收益率序列波動程度加??；為0.559398，表明市場環(huán)境的變化對收益率產(chǎn)生長期性的影響；1與兩個系數(shù)和大于1，說明目前的影響具有一定的持久性。4.4VaR值的計算基于GARCH（1,1）模型，VaR值的計算公式如下：VaR=0Ztt（0：資產(chǎn)價值，假定為1；Z：一定置信水平下的分位數(shù)；t：收益率波動；t：持有期，本文選擇的數(shù)據(jù)是DR001，所以持有期為1）。在95%和99%兩種不同置信水平下得出VaR值，（GED分布下，置信水平為0.95時，臨界值Z等于1.63；置信水平為0.99時，臨界值Z等于2.76）并進行簡單的整理，得到如表4-9所示的結(jié)果：表4-9不同置信水平下VaR值的相關數(shù)值置信水平最大值最小值平均值標準差95%1.1012140.1013880.234970.13040599%1.8646330.1716760.3978630.2208084.5事后檢驗為了驗證上述VaR模型是否能夠進行準確的預測，以及VaR模型的有效性，本文對所選取數(shù)據(jù)進行事后檢驗。事后檢驗可以使用檢驗時間序列的歷史分布和檢驗VaR模型在過去的表現(xiàn)如何兩種方法進行。本文通過檢驗VaR模型在過去的表現(xiàn)來觀察VaR模型的有效性，而VaR模型在過去的表現(xiàn)又可以通過檢驗例外發(fā)生的頻率或檢驗例外的集中程度（積聚效應）來反映。本文通過比較實際損益和估計的VaR值之間的大小，當實際損益大于估計的VaR值時，認為VaR模型預測失敗，整理得出在95%置信水平下的失敗天數(shù)，并計算得出失敗率，其中失敗率=失敗天數(shù)/總樣本天數(shù)，結(jié)果匯總?cè)绫?-10所示：表4-10事后檢驗結(jié)果置信水平總樣本天數(shù)失敗天數(shù)失敗率95%1036333.19%由表可以看出，在95%的置信水平下，實際的失敗率=0.0319，小于相應的分位數(shù)0.05，且兩者的數(shù)值較接近。所以，設定的VaR模型預測出的VaR值通過了事后檢驗，即VaR模型預測有效。5結(jié)論及建議5.1結(jié)論本文選用2017—2021年存款類機構(gòu)間利率債質(zhì)押隔夜回購利率（DR001）數(shù)據(jù)進行了實證研究，收益率數(shù)據(jù)的樣本容量為1038個。實證分析過程中，先對DR001的時間序列進行對數(shù)差分的步驟，處理得到波動程度較平穩(wěn)的時間序列。下一步，運用Eviews7.2軟件對選取的1017個樣本數(shù)據(jù)，進行正態(tài)性、平穩(wěn)性、自相關性和條件異方差性的檢驗。可以得出以下結(jié)論：第一，收益率序列的分布與正態(tài)分布存在較大差異，且收益率序列具有尖峰厚尾的特點，所以為了提高模型的擬合度，本文假設收益率序列服從廣義誤差分布。第二，根據(jù)序列的ADF檢驗結(jié)果可知，收益率序列不存在單位根，說明經(jīng)過對數(shù)差分后的序列數(shù)據(jù)平穩(wěn)。第三，在5%的顯著水平下，Q統(tǒng)計量的值都較大，且對應的P值=0.000，拒絕相關系數(shù)為零的原假設，即序列具有自相關性。第四，收益率序列在2019年5月-2021年時間段較為聚集，存在明顯的“集群”現(xiàn)象，且波動幅度較大。之后對AR（1）模型的殘差進行ARCH-LM檢驗，結(jié)果顯示，P值小于0.05，在95%的置信區(qū)間內(nèi)，拒絕原假設，收益率序列存在異方差,即存在ARCH效應。綜合以上收益率序列的特征，以及通過對比不同GARCH模型的AIC、SC值，表明采用GARCH（1,1）模型對序列進行擬合效果最優(yōu)。根據(jù)得出的擬合方程，1的值大于0，說明收益率序列波動程度加劇，且市場環(huán)境的變化對收益率產(chǎn)生長期性的影響。1與兩個系數(shù)和大于1，說明目前的影響具有一定的持久性。本文測算了在不同置信水平下的VaR值，在95%的置信水平下，DR001單位資產(chǎn)日均VaR值為0.23497；在99%的置信水平下，DR001單位資產(chǎn)日均VaR值為0.397863，表明我國商業(yè)銀行利率風險較大。之后對VaR模型的有效性和準確性進行檢驗，得出在95%的置信水平下，實際的失敗率=0.0319，小于相應的分位數(shù)0.05，且兩者的數(shù)值較接近。所以，設定的VaR模型預測出的VaR值通過了事后檢驗，即VaR模型預測有效，表明使用VaR模型來度量商業(yè)銀行的利率風險效果較好。5.2建議第一，加強監(jiān)督與管理。DR001主要受到市場流動性供求狀況波動的影響，是觀測銀行間市場流動性的主要指標之一，同時也是觀察資金面松緊的重要風向標，反映了短期中央銀行對市場流動性的態(tài)度。2019年6月24日至7月5日，DR001出現(xiàn)異常值的情況，同時出現(xiàn)機構(gòu)在銀行間債券回購市場發(fā)生異常利率交易，經(jīng)調(diào)查表明為銀行交易員操作失誤所致。對銀行產(chǎn)生的影響：最直接的體現(xiàn)在經(jīng)濟效益方面，同時也一定程度沖擊了銀行的內(nèi)部經(jīng)營管理。所以商業(yè)銀行需要在以后的交易過程中加強對銀行的內(nèi)控、制度及風險防范等方面的監(jiān)督與管理，及時制止因不當操作而造成的信譽損失。第二，選取合適的利率風險度量方法。商業(yè)銀行進行有效的利率風險管理，關鍵一步是選取合適的利率風險度量方法，不同的度量模型得出的度量結(jié)果存在著一定程度的偏差。與利率敏感性缺口模型和久期缺口模型相比，采用VaR模型進行利率風險度量效果更好，它可以通過相關的