大数据背景下金融市场风险度量方法探讨

李井

[提要] 随着大数据时代的到来，金融市场瞬息万变，金融风险的防范更加重要。本文介绍VAR相关理论和大数据条件下金融市场风险度量方法，探讨大数据背景下现有市场风险度量方法存在的不足，结合大数据的特点和已有研究成果，对大数据时代金融市场风险测度方法的研究前景进行展望。

关键词：大数据；VAR；风险度量

中图分类号：F83 文献标识码：A

收录日期：2017年10月9日

一、引言

所谓金融风险，是指受到数个不确定因素的影响而使得最终的投资结果不确定。为了在面对风险时能很好地做出防御措施，就要进行风险管理。风险管理的第一步就是要进行风险度量，即需要对风险的大小进行量化或度量。科学有效的金融风险度量方法不仅对经济主体规避潜在风险，降低风险损失、成本、赢得更多收益机会有着巨大的作用，而且也是金融机构核心竞争力的重要体现。

近年来，随着互联网金融的发展，金融风险的度量也迎来了新的挑战。由于我国已经迈入经济发展新常态的轨道，经济发展的外部环境与相关条件都产生了许多的变化。此时期金融市场上数据量越来越多，突发情况也呈现上升的趋势，这时的金融风险与以往的金融市场的特征相比就体现出了不同之处。主要原因在于数据的数量、形态等发生了巨大的变化，即所谓的大数据时代的来临，大数据不等于海量数据，其具有“规模性（Volume）、多样性（Variety）、高速性（Velocity）、价值性（Value）”的4V特点，其焦点是对海量数据进行专业化“加工”。大数据的这些特征，使得变量的选取变得更加多样，更加充分，我们开始重视变量之间的相关性，这给金融风险的测度方法研究带来了新的契机。常规的技术方法已经不能够有效、及时地处理多样化的信息。如何从金融市场繁杂的数据中快速获取有价值的信息来发现金融风险的特征，变得越来越重要。

二、传统VAR的各种度量方法

VAR值是对一定时间段内由于市场的不确定因素的变化引起的潜在损失的一种估计。VAR的度量不是简单告诉我们将会实际损失超过值多少，而是说明实际损失超过值的可能性大小。

（一）方差——协方差法。VAR的权衡有许多种方法，其中最简便的方法是假设资产收益率是风险因素的线性函数，并认为风险因素是正态分布的。

这就是正态分布假设下VAR的一般表达式。此时，只需参考一下标准累积正态函数表就可以了。

（二）历史模拟法。历史模拟法是利用历史上某一时间段所观察总结得到的市场因子的变化情况来表示市场因子在未来的变化，其本质思想是用收益的历史分布来代替收益的真实分布，以此来求得资产组合的VAR值。

历史模拟法的推导是以历史数据的价格分布为基础的。由于它不对收益分布作出假设，所以这种方法对于任何分布，无论是离散的还是连续的，厚尾的还是薄尾的，都是有效的，所以又被称为非参数估计.从概念层面上来看，历史数据模拟是最简单的方法。但问题在于用历史数据模拟方法计算VAR所花费的时间要比参数VAR多得多。

（三）蒙特卡罗模拟法。蒙特卡罗模拟法也不需要对未知整体作出假设，而是通过产生一个模拟的资产组合收益分布来估算VAR值。但蒙特卡罗模拟法的基础是假设一个随机过程。蒙特卡罗模拟法估算风险值的大致思路是：（1）借助計算机及已有样本来产生大量的符合历史分布的可能数；（2）对收益的不同行为分布进行模拟，构造可能损益情况，确定整体的分布； （3）按照所给定的置信水平估算出VAR值。

三、大数据背景下金融市场风险度量方法

通常所说的“大数据”是相对于“小数据”而言的，并非特指数据量上更多，大数据不仅包括结构性数据，也包括非结构性数据，而传统的小数据往往是指二维的结构性数据。大数据时代的到来，互联网金融业的快速发展，使得金融变量数据在数量上、本质上发生了巨大的变化，使得数据信息的应用有了质的飞跃，促进了金融风险管理方式的变革和度量方法的改进。

（一）大数据下结构突变面板单位根检验。由于缺乏数据，在以往的研究实验中，仅仅采取单类度量模型的研究方法。现在大数据技术的不断完善，使得多模型度量的转换与衔接成为可能。由于金融市场时变因素的普遍存在性，因此金融数据的结构突变问题也是金融风险测度过程中比较重要的问题，突变可以给金融风险测度提供重要的信息来源。大数据解决了金融数据横向与纵向之间的关系，可以使过去许多繁琐的检验与估计方法变得简单，使面板数据的研究应用得到很好的发展，为更加准确地测度金融风险提供了理论保障和技术支持。

（二）结合Copula金融市场风险度量方法。Copula理论用于金融风险测度的理论关键在于Copula函数的选取，有很多国内外学者从不同角度、应用不同类型的连接函数，测度了多元风险的相依性，得出了一些有益的结论。但是也有学者在研究中发现，由于计算技术和数据规模与质量的影响，有些结果还不尽完善。随着互联网、云计算等科学技术的发展，基于大数据Copula函数的测度金融风险的方法逐步进入到了当前的研究和实践中。

（三）Copula理论基础上的风险度量方法。考虑两个风险因子，他们的联合分布可以被分解成两个统计结构：第一部分为两个变量旳边缘分布；第二个部分是两个边缘分布联系在一起的部分，这正是Copula函数所做的，它是一个把边际分布连接为联合分布的函数。

用Copula函数构建随机向量的联合分布是重要的任务，Malevergne（2000）利用Copula函数来研究金融市场的相关性分析，但是受当时技术的局限，部分结果还不尽完善。接下来Cherubuni和Luciano（2001）又将Copula理论运用于投资组合在险值估算中，数据是这些问题研究的关键。

在大数据条件下，动态Copula函数族得以实现，动态Copula模型是Patton提出的，由于数据的限制，因此用途不广泛。模型是Copula函数在建模中结构上具有突变的可能，将在金融数据相关的变化因素中得以体现。Patton在2006年证明了这点，Fantazzini在2006年利用Copula动态模型更准确地度量了投资组合的风险。大数据条件下会让动态Copula模型族更加准确地表现金融风险的规律。由于动态Copula出现时间较短，国内外专家学者关于动态Copula在VAR方面的研究还不是特别广泛，以往的研究成果表明动态Copula具有更好的拟合，可以更为准确地计量在险值VAR，因此对动态Copula函数仿真技术在投资组合风险方面进行深入研究是非常有必要的。

四、大数据背景下金融市场风险度量方法研究中存在的问题

大数据条件下的金融市场风险的度量方法，是在传统的VAR度量方法基础上，结合大数据的4V特点，借助计算机技术的发展，逐步建立起来的。虽然在某些方面取得了一定的成果，但是通过上面的梳理和归纳，可以看出还有很多问题急需解决。

第一，大数据条件下金融市场风险度量尚处于起步阶段，还没有较为系统和完善的理论方法。实践结果显示，动态Copula模型在大数据分析方面更具有优势，这方面的研究有待于进一步加强，并且Copula模型与传统的VAR模型的结合研究不够深入。

第二，随着时间的推移，模型会出现衰减现象，原先应用较好的数据关系会消失，这在传统金融模型中已有很多先例。

第三，大数据背景下对投资组合风险理论的研究还不够深入。在VAR理论基础上，近年来出现了一些条件尾部期望、尾部风险价值等新的风险度量方法，这些方法的实施和各自的特点等相关问题，如何与大数据特点相联系，也是研究中的难点。

第四，动态风险度量理论目前还处于理论研究层方面，对于我国金融市场的数据，我们还没有真正结合理论进行模型检验与风险度量，缺乏实例分析验证。

第五，目前的研究还是仅仅利用了大数据的数据规模，大数据的很多特性还没有得以应用，比如常常用到的是金融业经营与管理的数据，行为数据还没有充分的利用。

第六，实时海量的在线数据也包含了很多的信息，由于这些信息的时效性，在目前金融风险管理过程中，还不能充分有效地利用这些数据所提供的关键信息。

这些问题不但要求要对已有风险度量方法进行推广，可能需要进一步研究金融风险度量的新方法。

五、大数据背景下金融风险度量方法展望

金融风险管理是一个系统工程，因此风险测度方法的研究不能脱离整个风险管理的研究而独立存在。现实中对金融风险进行度量时，投资组合的投资比例在不断变化是动态优化的，未来应该更多地考虑动态组合，得到最优组合再进行风险度量。

科技往往有“双刃剑”效应，核能既能造福人类又有可能发生核泄漏出现核威胁。大数据也是如此，在带来便利的同时也会带来数据安全、模型风险等问题。目前，互联网、大数据、人工智能、云计算的发展速度已不是线性增长，而是呈几何级数的爆发，这为金融业的发展提供了重大的机遇，同时也对现有金融相关理论带来了严峻挑战。由此，对金融风险的管理提出了更高的要求。现有的度量方法已经不能满足互联网金融创新发展的需求。虽然传统金融业已有一些成熟的理论和方法评估金融风险，但在互联网金融领域，各种创新都独具特色，导致传统的理论和方法应用到互联网金融领域可能得不到正确的结论。因此，互联网金融风险管理和风险测度方法亟须探究。

对大数据的相关理论，研究的深度和廣度不断扩大，因此大数据思维越来越多地融合到金融风险管理过程的各个方面。原来仅仅在理论上对模型进行研究，大数据带来的机遇，使得其变得易于实现。这也间接从实证方面促进金融风险度量方法的进步，从而会有更多符合实际状态的度量模型与方法出现。大数据条件下，金融风险度量函数的估计可以将半参数估计方法与非参数估价方法相结合，为模型的可实现性打下坚实的基础。

总之，大数据时代的来临给金融风险测定方法研究带来了许多机会，同时由于数据的完备与充分，又给金融风险测度的精确性提出了更高的要求，从而使金融风险测度方法的研究朝着动态化、实时性的方向发展，以达到对金融风险的有效监控，为政策的制定者提供有效参考，为金融市场的稳定提供有力支持。

主要参考文献：

[1]菲利普-乔瑞.风险价值VAR：金融风险管理新标准[M].北京：中信出版社，2010.

[2]叶强等.互联网金融的国家战略需求和关键科学问题[J].中国科学基金，2016.2.

[3]马薇，卢英，刘月月.大数据条件下金融风险测度的方法[J].统计与决策，2015.9.

[4]Taylor S J. Financial returns modeled by the product of two stochastic processes，a study of daily sugar prices 1961-79[M].Anderson OD（Ed.）.In Time Series Analysis：Theory and Practice.Amsterdam：North-Holland，1982.

[5]史道济，张春英.尾部指标估计中的阈值选择[J].天津理工大学学报，2006.22.

[6]C.E.Shannon.The mathematical theory of communication[J]. Bell Sys Tech，1948.27.

[7]战雪丽，张世英.基于Copula-SV模型的金融投资组合风险分析[J].系统管理学报，2007.16.3.

[8]Patton A J.Modeling Time-Varying Exchange Rate Dependence Using the Conditional Copula[R].Working Paper of Department of Economics，University of California，San Diego，2001.

[9]马薇，张卓群，王元晔.基于STAR-Copula模型的大数据指数风险相关性测度[J].统计与决策，2016.7.