【我国商业银行利率风险度量实证研究9600字（论文）】

我国商业银行利率风险度量实证研究取适合进行实证检验的利率变量存款类机构间利率债质押隔夜回购利率(DR001)、存款类机构间利率债质押7天回购利率(DR007)、上海银行间隔夜拆借利率(SHINORO/N),对其相关性和基准性进行相应的检验，得出：DR001更适合作为本文进行度量利率风险时的基准利率。下一步对DR001利率进行处理得到收益率序列，通过一系列必要的检验关键词：利率风险；DR001;GARCH模型1导论 1.1选题背景与意义 1.2文献综述 1.3论文的结构及主要内容 41.4论文的研究方法 4 52.1利率敏感性缺□模型 52.2久期缺口模型 2.3VaR模型 3我国基准利率选取实证分析 63.1变量选取与数据处理 63.2相关性检验 63.3基准性检验 7 84我国商业银行利率风险实证分析 84.1样本数据选取 84.2数据检验分析 84.3建立GARCH模型 4.4VaR值的计算 4.5事后检验 135结论及建议 5.2建议 参考文献 在利用利率敏感性缺□分析我国利率风险方面，刘阳(2019)应用利率敏感性缺□的结果提出相应的对策建议。魏瑶瑶(2020)选择9家上市商业银行的有关数据，根据其数 选取的基准利率大部分是SHIBOR利率，随的参考利率，SHIBOR利率的代表性有所减弱。而现有的文献中，对选择新的参考利率更具有代表性和研究价值也成为关注的重点之一。刘义圣、王春丽(2019)通过在新环境性都更强，因此选择DR001作为我国基准利率的观测指标更合适。曹超(2020)以市场对象，进行实证分析，研究结果表明存款类机构质押式7天回购利率(DR007)具有较好的基本属性，并且优于其他货币市场利率的效果。项卫星、闫博(2020)研究发现，如果把特定期限的业务作为基准利率，那么7天逆回DR001具有较强的政策指导性。1.3论文的结构及主要内容(1)文献总结法(2)比较分析法适用性，选择VaR模型作为利率风险度量的工具；通过对比分析选用了GARCH模型计算商业银行利率风险的VaR值。(3)定量研究法间序列数据建立GARCH模型进行VaR值测2商业银行利率风险度量模型2.1利率敏感性缺口模型向与利率的变动方向之间的关系，当利率敏感性缺口大于0时，为正缺口动；当利率敏感性缺口等于0时，为零缺口，即利率的变动不动；当利率敏感性缺□小于0时，为负缺口，即两者反向变动。可以表达为：VaR=woZaσt△t,其中wo代表资产价值，假定为1;Za表示一定置信水平下3我国基准利率选取实证分析率债质押隔夜回购利率(DR001)、存款类机构间利率债质押7天回购利率(DR007)、上海银行间隔夜拆借利率(SHIBORO/N)。SHIBOR、DR001和据库，选取的时间期限为2017年2月3日至2021年3月31日的日数据，本文采取Eviews7.2较强的相关性。为了观察选取的利率间的相关性，先做出所选数据的走示，数据的变动趋势大致相同，但DR001的波动幅度与其它利率相比更加显著,说明DR001对其他利率有一定的带动性和影响力，接下来使用Eviews7.2对选取数据的相关系201720182019其次为DR001与DR007,相关系数为0.748104,相关性最低的为SHIBOR与DR007,但分别小于1%、5%、10%显著水平的临界值，因此所有变量都是平稳的，符合做格兰格兰杰原因，因此，格兰杰因果关系给出了存款类机构间利率债质押隔夜回购利率 相较于存款类机构间利率债质押7天回购利率(DR007)、上海银行间隔夜拆借利率4我国商业银行利率风险实证分析一步的实证分析。因此本文选取2017年2月3日至2021年3月31日存款类机构间利率为1038个。Kurtosis0.0000000.8855190.1478970.1734187.85173100.173418,偏度值大于0,说明序列分布存在右偏分布。峰度值为7.851731,高于正态分布1022.291,P值为0.000000,在99%的置信水平下，拒绝是正态分布的原假设。为了提高AugmentedDickey-Ful由表4-1可知，收益率序列的ADF检验值的t统计量为-24.45869,都分别小于1%、5%、10%显著水平下的临界值，且对应的P值为0.0000,收益率序列不存在单位根，说本文对样本数据进行自相关检验，检验结果如表4-2所示。1234567890.065*从表4-2可以得到，在5%的显著水平下，Q统计量的值都拒绝相关系数为零的原假设，即序列具有自相关性。其中滞后五期的察一下收益率的时间序列图，结果如图4-2所示：C在进行下一步的回归之前，需要确定GARCH模型中各个阶数，所以先设定不同的p值、q值，并对其进行回归分析，从得到的结果中提取出AI最小准则来确定合适的阶数，AIC、SC提取C由上表检验结果可知，P值为0.2588,大于临界值0.05,即接受原假设，收益率r序列的异方差通过GARCH模型得到了很好的解决。结合表4-7,确定GARCH(1,1)模型根据回归方程得出，α1的值大于0,说明收益率序列波动程度加剧；β为0.559398,表明市场环境的变化对收益率产生长期性的影响；α1与β两个系数和大于1,说明目前的据是DR001,所以持有期为1)。在95%和99%两种不同置信水平下得出VaR值，(GED分布下，置信水平为0.95时，临界值Za等于1.63;置信水平为0.99时，临界值Za等于2.76)并进行简单的整理，得到如表4-9所示的结果：标准差为了验证上述VaR模型是否能够进行准确的预测，以及VaR模型的有效性，本文对程度(积聚效应)来反映。本文通过比较实际损益和估计的VaR值之间的大小，当实际损益大于估计的VaR值时，认为VaR模型预测失败，整理得出在95%置信水平下的失败天数，并计算得出失败率，其中失败率=失败天数/总样本天数，结果汇总如表4-10所总样本天数失败天数失败率且两者的数值较接近。所以，设定的VaR模型预测出的VaR值通过了事后检验，即5结论及建议5.1结论本文选用2017—2021年存款类机构间利率债质押隔夜回购利率(DR001)数据进行了实证研究，收益率数据的样本容量为1038个。实证分析过程中，先对DR001的时间序软件对选取的1017个样本数据，进行正态列的ADF检验结果可知，收益率序列不存在单位根，说明经过对数差分后的序列数据平稳。第三，在5%的显著水平下，Q统计量的值都较大，且对应的P值=0.000,拒绝相关系数为零的原假设，即序列具有自相关性。第四，收益率序列在2019年5月-2021年时间段较为聚集，存在明显的“集群”现象，且波动幅度较大。进行ARCH-LM检验，结果显示，P值小于0.05,在95%的置信区间内，拒绝原假设，综合以上收益率序列的特征，以及通过对比不同GARCH模型的AIC、SC值，表明个系数和大于1,说明目前的影响具有一定的持久性。本文测算了在不同置信水平下的VaR值，在95%的置信水平下，DR001单位资产日均VaR值为0.23497;在99%的置信水平下，DR001单位资产日均VaR值为0.397863,95%的置信水平下，实际的失败率=0.0319,小于相应的分位数0.05,且两者的数值较接近。所以，设定的VaR模型预测出的VaR值通过了事后检验，即VaR模型预测有效，表明使用VaR模型来度量商业银行的利率风险效果较好。第一，加强监督与管理。DR001主要受到市场流动性供求状况波动的影响，是观测中央银行对市场流动性的态度。2019年6月24日至7月5日，DR001出现异常值的情况，是选取合适的利率风险度量方法，不同的度量模型得出的度量结果存在着一定程度的偏差。与利率敏感性缺□模型和久期缺□模型相比，采用VaR模型进行利率风险度量效果参考文献[1]曹超.中国货币市场基准利率选择的实证研究—一基于DR007的可行性分析[J].理论探讨，2020(1):14-24.[5]刘阳.利率市场化下城市商业银行利率风险的度量及应对[J].经济研究导刊，2019(32):126-127.[8]宿玉海，王美伶.我国商业银行隔夜拆借利率风险值(VaR)度量一一基于时变波动率方法的研究[J].经济与管理评论，2015(6):106-112.[9]王飞航，张莉.基于VAR方法和期限结构动态模型的利率风险度量[J].统计与决策，2016(1):169-172.[10]魏瑶瑶.利率市场化下我国商业银行利率风险测量与防范[D].兰州大学，2020.[13]赵敬.VaR模型在我国商业银行利率风险度量中的应用研究[D].兰州财经大[14]Chew,Lilian,ManagingDerivativeRisks.[M],NewYork:John