时间：2023-09-06 17:08:37
开篇：写作不仅是一种记录，更是一种创造，它让我们能够捕捉那些稍纵即逝的灵感，将它们永久地定格在纸上。下面是小编精心整理的12篇投资组合的风险分析，希望这些内容能成为您创作过程中的良师益友，陪伴您不断探索和进步。
关键词： CopulaGARCH模型；开放式基金；投资组合选择；VaR
中图分类号： F224 文献标识码： A 文章编号：1003-7217(2011)06-0059-03
一、绪 论
随着金融市场的日益动荡以及金融危机的频发，如何对金融风险进行有效监控,进而降低风险成为金融界和投资者关注的焦点。证券投资基金的风险管理是现代金融领域的一个重要问题，对于基金管理者来说，有必要对其所管理的基金投资组合在一定时间内所面临的风险进行量化分析，以便为潜在的损失做好准备，并依此适时调整投资组合，降低风险。
传统的VaR技术是假定单个资产收益服从正态分布，资产组合中不同的风险资产收益线性相关。事实上，这种假设经常与客观事实相违背，特别是有极端事件发生时，在正态分布假设下进行的资产组合的风险值与实际情况偏差较大。特别是在VaR的估计中，用简单的线性相关来描述多变量的尾部相关性显然是不充分的。多变量之间的关系最完备的刻画应该是它们的联合分布。为了克服线性相关性的种种弊端，我们将通过Copula函数建模来克服这些问题。Copula 函数方法是研究多个随机变量间相关性的一个很有效的方法。它最早由Sklar 在1959 年提出，在1999 年左右开始被广泛应用于金融领域，尤其是风险管理建模中。近年来,国内外对Copula 函数方法的研究非常活跃，它被广泛地应用于市场风险、信用风险等多个领域。与传统方法不同，Copula 函数方法不直接对随机变量Xi之间的相关性进行建模，而是对其分布函数Ui=F－1i(Xi)之间的相关性进行建模，这样做能将随机变量间的相关性与各个随机变量各自的边际分布分开，能更灵活地模拟实际情况。
二、Copula函数的定义和相关定理
定义1.1 (Nelsen,1998)［1］N元Copula函数是指具有以下性质的函数C：
C=IN=［0,1］N;
C对它的每一个变量都是递增的；
C的边缘分布Cn(•)满足：Cn(un)=C(1,…1,un,1,…,1)=un，其中u∈［0,1］，n∈［1,N］。
显然，若F1(•),…,FN(•)是一元分布函数，令un=Fn(xn)是一随机变量，则C(F1(x1),…,Fn(xn),…,FN(xN))是一个具有边缘分布函数F1(•),…,FN(•)的多元分布函数。
定理1.1 (Sklar定理［2］)令F为具有边缘分布F1(•),…,FN(•)的联合分布函数，那么，存在一个Copula函数C，满足：
F(x1,…,xn,…xN)=C(F1(x1),…,
Fn(xn),…,FN(xN))(1)
若F1(•),…,FN(•)连续，则C唯一确定；反之，若F1(•),…,FN(•)为一元分布，那么由式(1)定义的函数F是边缘分布F1(•),…,FN(•)的联合分布函数。
通过Copula函数C的密度函数c和边缘分布F1(•),…,FN(•)，可以方便地求出N元分布函数F(x1,…,xn,…,xN)的密度函数：
f(x1,…,xn,…,xN)=c(F1(x1),…,Fn(xn),
…,FN(xN))∏Nn=1fn(xn)(2)
其中c(u1,…,un,…,uN)=C(u1,…,un,…,uN)u1…un…uN，fn(•)是边缘分布Fn(•)的密度函数。
三、投资组合选择模型的改进
本文结合利用Copula 函数方法与GARCH理论，并引进VaR（Value at Risk，在险价值）这个风险量化指标讨论投资组合的风险分析和最优化问题［3］，并将该方法用于我国开放式基金的最优投资组合选择上。这里，以Markowitz 投资组合模型作为基础，对传统的最优投资组合选择模型从以下三方面进行了改进［4，5］：
1.对单个资产收益率条件分布估计。
Markowitz 投资组合模型在分析投资组合标的资产中各自的收益率分布函数时，传统的做法是假设Xt服从一维高斯分布函数，或服从经验分布函数。将标的资产的收益率分布模拟为高斯分布函数的这种做法对分布函数的中部模拟得比较准确，但高斯分布尾部较薄，现实市场上的分布通常表现出一定的厚尾性，因此应用高斯分布函数对尾部模拟的误差较大。
2.对风险量化指标的选择。
在 Markowitz 的模型中以方差来度量投资组合的风险，这种做法不仅在处理由多个资产组成的投资组合时计算量非常大，并且在各资产的协方差矩阵不可逆时，该模型将无法获得一个真正意义上的最优投资组合的解。本文在Markowitz 模型的基础上，引入VaR作为风险度量指标求解最优投资组合［6］。
3.对多个资产间的相关性的计量。
传统做法假设投资组合回报率的分布服从多维高斯分布、多维Student-t分布或经验分布，这样做首先会使模型过于单一，不能具体问题具体分析。其次，高斯分布函数的尾部相关性很差，这与现实不符。现实中的尾部，尤其是极限尾部都呈现出较大的厚尾性，而这是多维高斯分布所不具备的。本文应用Copula 函数方法模拟投资组合各个资产间的相关性。
四、基于Copula的投资组合选择模型
首先，我们应用GARCH理论来对单个资产的对数收益率边际分布进行建模.设给定资产在t日的价格为St，它在时间段(t,t+1)内的对数收益率为rt+1， 则有rt+1=ln St+1St，显然rt（固定时间t）为一随机变量。
其中X为给定资产价格的对数收益率，即
rt=μ+at
at=σt•εt εt~N(0,1)
σ2t=α0+α1a2t-1+βσ2t-1（3）
其中，rt为收益率序列，μ为rt的样本均值；at为rt的波动项，用来反映收益率的波动性， at的形式使得GARCH模型能够较好描述收益率序列的各种特性［7］。 这里εt为标准正态分布，其中α0、α1和β为待估计的参数。
P(Xt+1≤rΩt)=P(at+1≤(x－μ)Ωt)=
P(σt+1εt+1≤(x－μ)Ωt)=
P(εT+1≤x－μα0+α1a2t+βσ2t)=
N(x－μα0+α1a2t+βσ2t) （4）
其中，Ωt为到时刻t为止的信息集．此时，式（4）即下一观测时刻收益率Xt+1的条件分布．
其次，估计多个资产间的相关矩阵R，本文参考Embrechts［8］中所阐述的方法，模拟出一组满足正态Copula函数的随机变量：
用蒙特卡罗方法模拟出一组相互独立并符合标准正态分布的随机数z1,z2,…,zn
应用Cholesky方法可以将矩阵R转化为一个n×n的矩阵A和它的转置AT的乘积：R=AAT
令wi=Azi，再令ui=Φ(wi)，其中Φ为一维标准正态分布函数，可以看出(u1,u2,…,un)T是满足相关矩阵为R的正态Copula函数的。
这样便将此投资组合标的资产间的相关性部分模拟为正态Copula函数．而对于各个标的资产的收益率ri，可以由ri=F－1i(ui)求出，其中F－1i为标的资产的收益率分布函数的逆函数［9,10］。
我们对各资产的收益率序列运用CopulaGARCH模型，估计得到其边缘分布函数Fit(•)，i=1,2,…,n及相关结构的Copula函数C(u1t,u2t,…,unt)，然后通过Monte Carlo模拟法模拟得到服从相应Copula函数分布的序列(u1,u2,…,un)，最后由边缘分布函数Fit(•)，i=1,2,…,n的逆函数计算得到相应的仿真资产收益率：
rit=F－1it(uit)，i=1,2,…,n（5）
rit=ln Sit－ln Si,t－1 ，i=1,2,…,n，
t=1,2,…,T （6）
从而得资产价格：Sit+1=Sitexp (rit+1)
设ki表示资产的份额，此时投资总额St=∑ni=1kiSit,其中n为投资组合的资产总数，第i个资产在投资组合中的权重δit=kiSitSt,显然∑Nn=1δn=1．
此时，第i个资产在持有期t,t+1内的损失率(即单位货币的平均损失)为：
it+1=Sit－Sit+1Sit=Sit－Sitexp (rit)Sit=
1－exp (rit) （7）
如果将全部资金St投给第i个资产，第i个资产在持有期t,t+1内的损失为：
Lit+1=Stit+1=St(1－exp (rit))（8）
根据单个资产的损失率，可以计算得到投资组合在持有期t,t+1内的损失率：
t+1=∑ni=1δitit+1=∑ni=1δit(1－exp (rit+1)) （9）
投资组合在持有期t,t+1内的损失为：
Lt+1=Stt+1=∑ni=1Sit(1－exp (rit+1)) （10）
在实证分析时，首先采用多次模拟过程获得资产投资组合损失值Lt+1，再从经验分布中得投资组合VaR值：
P(Lt+1≤VaRαt+1)=1－α （11）
其中VaRαt+1表示在持有期t,t+1内、1－α置信度下的VaR值．
有了收益率和风险的定义，我们在此应用投资组合选择的均值-VaR模型。该模型是在给定期望收益水平下最小化投资组合的VaR。不含无风险资产时，模型可表示为：
min VaR=∑Ni=1ωiVaRi∑ni=1ωiXi=U∑ni=1ωi=1（12）
其中ωi表示第i支股票的权重，Xi表示第i支股票的收益率，U表示期望收益水平。
五、开放式基金投资组合选择的实证研究
本文选取我国的一只开放式基金中信红利精选股票型证券投资基金的前十大重仓股构成的投资组合为研究对象。采集的数据是：2008，10，8~2008，12，31的每天的收盘价。
运用本文的投资组合选择的改进模型和Monte Carlo仿真技术，结合历史数据，得到U=13.4%，同时可以得到样本对(x1,x2,…,xn)，将其代入上述模型可求解最优投资组合ω以及相对应的VaR值。
六、结 论
为了分散风险，投资者往往会对各种金融资产进行组合投资来对冲风险．这就要求投资者要充分了解资产间的相关性，但金融市场的时变、波动、非线性等特点使得各资产间的相关性也复杂多变．Copula理论将此问题简单化，它将资产的边缘分布和资产间的相关结构分开来研究，其中资产间的相关结构由一个Copula函数来描述．使用Copula函数可以克服上述多元统计分布函数估计中存在的问题［11］。
本文建立了CopulaGARCH模型，该模型不仅可以较好的描述金融时间序列时变的波动特性，还可以将变量的相关程度和相关模型结合到一起来研究［12,13］；提出了可以用Copula模型来分析多个资产间的相关关系，从而为资产投资组合的选择提供依据。
基于Copula理论对我国的一支开放式基金中信红利精选股票型证券投资基金投资组合的选择进行了优化，通过建立多变量的金融时间序列模型来对金融资产的投资组合进行风险度量。并应用lingo8.0，在收益率一定的情况下， 得到了VaR最小的投资组合的权重.进而提高了我国开放式基金投资组合的风险预测的精度。这不仅可以帮助金融资产管理人更科学有效地管理好掌管的资产；对投资者来说，也可以使用投资模型结合自身需求来对金融资产进行组合投资，以此达到分散风险、提高收益的目的，从而使投资行为更加理性化。
参考文献：
［1］Nelson. R. B. An Introduction to Copulas ［M］.New York:Springer,1998
［2］Sklar A. Fonctions de repartition a n dimensions et leurs marges［J］.Publication de insititut de Statistique de Universite de Paris, 1959,8:229-231
［3］Rockinger. M and E. Jondeau. Conditional Dependency of Financial Series: an Application of Copulas ［D］. Working Paper of Department of Finance，HEC School of Management, Paris, 2002.
［4］Joe H. Parametric families of multivariate distributions with given marginals［J］. Journal of Multivariate Analysis, 1993,46：262-282.
［5］Roberto De Matteis. Fitting Copulas to Data［D］.IMU,Zurich,2001.
［6］Rank J，Siegl T．Applications of copulas for the calculation of VauleatRisk．in Applied Quantitative Fi．Dance［M］．Springer，2002．
［7］刘大伟，杜子平. Copula在投资组合选择与VaR计量中的应用理论新探［J］ 2006,3: 25-27.
［8］Embrechts, P. A. Mcneil and D. Straumann. Correlation and Dependence in Risk Management: Properties and Pitfalls, Risk Management: Value at Risk and Beyond［J］. Cambridge University Press. 1999, 176-223
［9］张明恒. 多金融资产风险价值Copula计量方法研究［J］. 数量经济技术经济究，2004,(4): 67-69.
［10］朱世武. 金融计算与建模理论、算法与SAS程序［M］.北京：清华大学出版社，2007,7
［11］尹向飞，陈柳钦. 基于copula的投资组合选择模型的研究［J］. 金融发展研究，2009,(2): 58-69.
［12］周义, 李梦玄. CopulaCVaR资产组合选择模型分析［J］. 金融教学与研究, 2010,(2):54-58.
Empirical Analysis about Portfolio selection of Copula
YANG Xiangyu1, GAO Nannan2
(1.College of Mathematics and Econometrics, Hunan University, Changsha, Hunan 410082, China;
2.Vipshop Electronic Information Technology Co.,LtD, Guangzhou, Guangdong 510370,China)
Abstract：In this paper, Copula and the forecast function of GARCH model are well combined, and a CopulaGARCH model is built for risk analysis of portfolio investment as it can describe the dependency structure of multi dimension random variable. By this model and Markowitz'portfolio selection model, empirical portfolio selection analysis is made in Chinese open end funds. The portfolio with minimum VaR when the yield is given is get by lingo8.0 .
Key words：Copula GARCH model; open end funds; portfolio selection; Value at risk
收稿日期： 2011-03-22
【摘 要】本文就金融风险测算的一种新方法Copula理论在国内外的已有研究进行了总结，较为清晰的勾画出Copula方法在金融市场风险测算中的发展过程及应用现状，在此基础上，提出了Copula方法对综合风险度量的可适性及应用前景。
【关键词】Copula 金融市场风险 综合风险 测算
随着经济全球化和金融自由化的发展，全球金融市场特别是金融衍生品市场得到迅猛发展，呈现出了前所未有的波动性，金融机构和投资者面临的各种风险日益复杂和多样化，因此对金融风险的评估和测量也提出了越来越高的要求。传统的风险计量方法已不能适应现代金融业的需要。基于此，Copula方法这种全新的测算技术被引入金融风险的计量中。
Copula函数被称为“相依函数”或者“连接函数”，它是把多维随机变量的联合分布用其一维边际分布连接起来的函数。Copula理论于1959年由Sklar提出，定义了一个联合分布分解为它的K个边缘分布和一个Copula函数，其中Copula函数描述了变量间的相关结构，Sklar定理为Copula方法体系的发展打下了基础。但直到上世纪90年代末期才被引入金融领域，Nelson(1998)比较系统地介绍了Copula的定义、构建方法，并全面介绍了Copula函数的各项性质以及几种重要的Copula函数族。Embrechs(1999)把Copula理论引入到金融领域中，把金融风险分析推向了一个新的阶段。在我国，对Copula的研究起步较晚，最早是张尧庭(2002)在理论上，主要是从概率论的角度上探讨了Copula方法在金融上应用的可行性。Copula方法在金融风险测算中主要具有如下优势:①Copula理论不限制边缘分布的选择，结合Copula函数可以更为灵活地构建多元分布函数;②在运用Copula理论建立模型时，边缘分布反映的只是单变量的个体信息，变量间的相关信息完全由Copula函数来体现，可以将随机变量的边缘分布和它们之间的相关关系分开来研究;③通过不同形式Copula函数的选择使用，可以准确捕捉到变量间非线性、非对称的相关关系，特别是容易捕捉到分布尾部的相关关系，这有助于风险管理机构度量出现极端情况下的风险值。
一、Copula方法在国外金融市场风险测算中的应用
1.常规模式下Copula方法的应用
如同任何新方法被应用到新的领域一样，Copula方法之于金融市场风险管理也经历了从简单到复杂，从理论研究到具体实证中的过程。Sklar(1959)到Nelson(1998)，对Copula理论起到了奠基性的作用。Embrochts(1999)把Copula作为相关性度量的工具，引入金融领域。Matteis(2001)详细介绍了Arehimedean Copulas在数据建模中的应用，并运用Copula对丹麦火灾险损失进行了度量。Bouye(2000)系统介绍了Copula在金融中的一些应用。Embrechts (2003)，Genest(1995)分别于模拟技术、半参数估计、参数估计对Copula的统计推断作了详细介绍。Roberto De Matteis(2001)对Copula函数，特别是Archimedean Copula函数作了较为全面地总结。Romano(2002)开始用Copula进行了风险分析，计算投资组合的风险值，同时用多元函数极值通过使用Monte Carlo方法来刻画市场风险。Forbes(2002)通过对固定Copula模型来描述Copula的各种相关模式，并把这一个方法广泛地应用在金融市场上的风险管理、投资组合选择及资产定价上。Hu(2002)提出了混合Copula函数(Mixed-Copula)的概念，即把不同的Copula函数进行线性组合，这样就可以用一个Copula函数来描述具有各种相关模式的多个金融市场的相关关系了。上述文献主要从理论上探讨了Copula方法的适用性，并对Copula函数形式的选择，Copula函数的参数估计方法等展开了较为深入的研究且采用金融市场的数据进行了相关实证说明，但都是在固定时间段内固定相关模式的假设下进行，没有体现出金融市场风险瞬息万变，投资组合的风险值动态变化的特征。 转贴于
2.动态模式下Copula方法的应用
众所周知，金融市场投资组合面临的风险每时每刻都在波动，在模型假设固定的情况下测算往往会低估风险，因此建立动态的，能及时体现市场波动特征的模型显得更为重要。Dean Fantazzini(2003)将条件Copula函数的概念引入金融市场的风险计量中，同时将Kendall秩相关系数和传统的线性相关系数分别运用于混合Copula函数模型中对美国期货市场进行分析。Patton(2001)通过研究日元/美元和英镑/美元汇率间的相关性，发现在欧元体系推出前后这两种汇率之间的相关性程度发生了显着变化。在此基础上，Patton提出引入时间参数，在二元正态分布的假设下提出了时变Copula函数来刻画金融资产。Goorbergh，Genest和Werker(2005)在Patton的基础上设计出新的动态演进方程并用在时变Copula中对期权定价进行了研究。Jing Zhang，Dominique Guegan(2006)开始构造拟合优度的统计检验量来判断样本数据在进行动态Copula建模时适用的模型结构，也就是时变相关Copula模型与变结构的Copula模型的统计推断，Ane，T.and C.Labidi (2006)采用条件Copula对金融市场的溢出效应进行了分析，Bartram，S. M.，S. J. Taylor，and Y-H Wang(2007)采用GJR-GARCH-MA-t作为边缘分布并用Gaussian Copula作为连接函数建立了动态Copula模型对欧洲股票市场数据进行了拟合，取得了较好的结果，Aas，K.，C. Czado，A. Frigessi，and H. Bakken(2008)在多元分布前提下对双形Copula建模进行了研究。
二、Copula方法在我国金融市场风险测算中的应用
1.二元Copula方法的应用
Copula方法在我国起步较晚，直到张尧庭(2002)才将该方法引入我国，主要在概率统计的角度上探讨了Copula方法在金融上应用的可行性，介绍了连接函数Copula的定义、性质，连接函数导出的相关性指标等。随后韦艳华(2003，2004) 结合t-GARCH模型和Copula函数，建立Copula-GARCH模型并对上海股市各板块指数收益率序列间的条件相关性进行分析。结果表明，不同板块的指数收益率序列具有不同的边缘分布，各序列间有很强的正相关关系，条件相关具有时变性，各序列间相关性的变化趋势极为相似。史道济、姚庆祝(2004)给出了相关结构Copula、秩相关系数Spearman与Kendall tau和尾部相关系数，以及这三个关联度量与Copula之间的关系，各个相关系数的估计方法等，并以沪、深日收盘综合指数为例，讨论了二个股市波动率的相关性，建立了一个较好的数学模型。叶五一、缪柏其、吴振翔(2006)运用Archimedean Copula给出了确定投资组合条件在险价值(CVaR)的方法，对欧元和日元的投资组合做了相应的风险分析，得到了二者的最小风险投资组合，并对不同置信水平下VaR和组合系数做了敏感性分析。曾健和陈俊芳(2005)运用Copula函数对上海证券市场A股与B股指数的相关结构进行分析，发现了与国外市场不同的研究结果:不论市场处于上升期或下跌期，上证A股与B股指数间均存在较强的尾部相关性。李悦、程希骏(2006)采用Copula方法分析了上证指数和恒生指数的尾部相关性。肖璨(2007)则较为全面的介绍了Copula方法应用二元情况下的建模与应用。
2.多元Copula方法的应用
只在二元情况下度量金融市场风险并不全面，现实金融市场中的机构投资者和个体投资人通常选择多个金融资产进行组合投资以降低投资风险，因此如何刻画多个金融资产间的相关结构，对于规避市场风险更具有现实意义，但如何将二元向多元推广依然是一个需要解决的难题。这是因为当变量增加时，模型的复杂程度及参数估计难度都将呈指数倍增长，针对二元方法的模型参数估计可能将不再适用，需要研究新的估计方法。
关键词：社会保障基金；投资；风险防范
中图分类号：F224 文献标识码：A 文章编号:1003－9031(2012)05－0046－04 DOI:10.3969/j.issn.1003-9031.2012.05.10
2000年8月，我国设立了全国社会保障基金，这是由中央政府筹集的全国社会保障储备基金，主要用于弥补我国人口老龄化时期养老金收支不足。成立之初，中央财政拨付200亿元，之后社会保障基金规模不断扩大，截至2010年末全国社会保障基金规模达到8566亿元。但是另一方面，我国已经步入了“老龄化”阶段①。因此，控制社会保障基金的投资风险，如何实现社会保障基金保值增值，使基金追随经济发展，并且保持较强的流动性和一定的收益性，是亟待解决的现实难题。
一、社会保障基金投资风险相关研究述评
国内学者对社会保障基金投资风险的研究是随着社会保障基金的投资范围扩大而逐步开展的。孙天法、张良华（2004）认为，生产自动化水平达到一定的条件下，人工劳动成为大机器的操作异常的代替品，失业率将成为工业时代普遍的社会现象[1]。与此同时,随着自动化生产发展，社会生产对劳动力的需求下降。人类生命周期的延长使人类依赖社会保障生存时间更长。社会和经济条件的变化，使传统的社会保障面临着前所未有的挑战。
刘子兰、严明（2006）采用均值―方差模型、VAR模型等分析工具，对全国社会保险基金投资的风险进行了度量，构建社会保障基金投资组合模型并进行了实证分析，对社会保障基金可量化风险的管理提供了解决思路[2]。
毛燕玲等（2007）提出实业投资是社会保障基金拓展的新业务，未来的社会保障基金将更多地投资国内实业。其还研究了社会保障基金的投资现状，以及社会保障基金国内实业投资面临的主要风险，最后提出防范和管理社会保障基金国内实业投资风险的具体对策和思路[3]。黄莉（2007）从社会保障基金投资运营风险的产生出发，分析了我国社会保障基金投资运营在投资途径和投资模式、投资运营水平、投资运营法规等几方面存在的风险，最后从拓宽社会保障基金投资方式、加大社会保障基金投资规模、加强投资监管等几方面提出了防范风险的建议[4]。
杨轶华、关向红（2009）从内部与外部两方面对社会保障基金投资运营中面临的风险进行了系统的分析，建议进行组合投资，分散投资风险，建立社会保障基金投资风险补偿机制，加强监管部门的有效监管[5]。廉桂萍（2009）对社会保险基金境外投资风险及其防范展开研究，指出风险主要包括流动性风险、汇率风险、信息披露和交易成本风险、税收法规风险、投资限制风险和国家风险[6]。许海英、魏建翔（2011）运用克鲁格曼三角形理论对基金投资进行风险分析，在借鉴发达国家先进经验的基础上，提出优化投资结构、强化投资监管、完善风险补偿机制等对策化解风险[7]。
通过上述文献可看出，我国社会保障基金投资风险的分析框架还没有完全确立，而且投资风险的定性分析较多，定量分析较少，在实证研究社会保障基金投资风险方面，还缺乏深入系统的研究。因此，本文试对社会保障基金的投资风险进行测度，并且提出在后危机时代社会保障基金投资的风险防范路径。
二、我国社会保障基金的投资现状
目前，社会保障基金主要投资于国内金融市场，投资产品主要包括银行存款、国债和股票等。在过去的一段时间里，社会保障基金选择银行存款和国债作为主要的投资产品。近年来，社会保障基金一系列多元化投资的探索和创新，2003年开始扩大试点范围，投资谨慎稳健；2004年开始向实业股权投资；2006年开始对外国投资；2008年开始向股权投资基金投资，以分散风险增加盈利，奠定了良好的基础。社会保障基金投资不断优化组合， 2009年末，全国社会保障基金产业投资比例是20.54%，固定收益产品的投资比例是40.67%，国内和海外股票投资比例是32.45%。
从收益水平看，过去10余年，全国社会保障基金累计收益率为9.17%（见表1），比同期累计通货膨胀率2.14%高出7.03%，这表明社会保障基金的收益率水平还是较为满意的。
从表1显示的收益率水平看，仅在2004年和2008年投资收益率低于通货膨胀率，其余年份均完成了保值增值功能。2004年，社会保障基金投资“缩水”，主要原因是股票的投资回报率并不好。2008年，社会保障基金投资由于国际金融危机的影响，收益率稍差。近年来，股市行情较好，社保基金投资收益上升。
三、我国社会保障基金中股票投资风险的测度
2009年，我国社会保障基金投资收益的22.7％来自股票收入，年末交易性金融资产、可供出售金融资产和长期股权投资余额为4131.74亿元，占资产总额的53%。由于股权投资、境外投资和股权投资基金投资缺乏相关数据，因此本文只对社会保障基金的股票投资展开分析。对于社会保障基金而言，股票是收益率较高、风险性最大的投资渠道，股票投资收益的不确定性受到宏观经济运行状况、资本市场的完善等多重因素的影响。
虽然股票投资只是社会保障基金投资的部分，但分析社会保障基金股票投资的风险测度对于防范社会保障基金的风险而言具有重要意义。1952年，马可维兹（Markowitz）明确提出，使用收益率波动离散程度的统计测度――方差和标准差这两个指标作为风险的测量工具，并在使用这两个变量的数据结构中进一步丰富了其投资组合理论[8]。
（一）样本选择
本文从社会保障基金2011年第二季度新进与增仓两大股票池中，筛选出持股比例最为靠前的10只股票（见表2）作为样本，依次用x1，x2，…，x10表示，本文中只考虑由这十只股票组成的社会保障基金投资组合。
对于市场证券组合，本文选择上证综合指数。计算使用日度数据，数据区间定为2011年4月1日至2011年6月30日。同时，本文上证综合指数的日对数收益率由每日的收盘指数计算所得，以每只股票收盘价的每日对数收益率为基本数据。
（二）确定置信水平
为了满足不同的风险规避需求，可以选择不同的置信水平进行比较分析。本文选择95%与99%两种置信度，便于进行比较分析。
（三）计算相关指标
1．计算收益率。根据Rt=ln（Pt）―ln（Pt-1）公式计算股票收益率，其中Pt和Pt-1分别表示股票在第t日和t-1日的股票价格。
本文没有考虑样本数据的排列顺序、所谓的“周一效应”等现象，当股票价格指数不是很大的波动，其种类约等于股票价格指数变化的速度，对应于股票市场整体收入水平。因此，即使出现假期也不影响数据序列。
2．计算协方差矩阵。通过SPSS软件，计算出社会保障基金前10支重仓股票的每日对数收益率的协方差矩阵（见表3）。
3．计算股票权重。以2011年6月30日的收盘价为基准，根据社会保障基金的持股数和收盘价来计算其市值，从而得出股票投资权重。
（四）社会保障基金投资组合与上证指数风险度量值的计算
笔者假设投资组合的总价值为1，计算VaR可以转化为在给定的置信水平1-c下，计算出Δt日（本文采用1日和10日）内的投资损失不超过投资总额的百分比。
同时针对不同的风险度量指标，计算出社会保障基金投资组合和上证综合指数的三种风险度量值即方差、β系数和VaR，具体结果见表4。
四、简要结论与后危机时代防范社会保障基金投资风险的路径
（一）实证分析结论
从表4中可看出，社会保障基金投资组合的β系数为0.88，这意味着组合类型是一个保守的投资组合，风险低于上海综合指数，该组合的波动性相对较小。
在95%的置信水平上，利用方差―协方差法计算得出的VaR：在99%置信水平下，上证指数的VaR1值为2.976%，而社保基金投资组合的VaR1为2.811%。即在2011年6月30日的下一个24小时内，99%的可能性认为损失值的最大限度为投资总额的2.811%。同理，在未来10天的持有期内，有95%的可能性认为损失值不会超过投资总额的7.269%，有99%的可能性认为损失值不会超过投资总额的9.412%。上证综指的VaR1为1.996%，这说明指数每日有95%的可能性损失不会超过1.996%。也就是说，每日损失大于1.996%的可能性不会超过5%，而相同置信水平下社保基金投资组合的VaR1却为1.968%。
通过实证分析表明，社会保障基金投资组合的三个风险度量均低于上海综合指数的风险度量值，这表明在一定程度上社会保障基金投资组合的风险程度比相应市场平均风险水平要低。因此，在这一时期社会保障基金投资组合具有一定的风险控制能力特征。
（二）防范社会保障基金投资风险的路径
1.要坚持审慎投资方针。一是正确选择投资目标与风险政策。现阶段的中长期投资最低目标是战胜通货膨胀，5年预期年化收益率不低于3.5%。二是树立长期投资、价值投资和责任投资的投资理念[9]。三是进行组合投资，分散投资风险。多元化投资是确保社会保障基金投资合理最有力的武器，同时可以扩大全国社会保障基金投资渠道，适当的海外投资将有助于分散投资风险。根据《全国社会保障基金投资管理暂行办法规定》，社保基金投资的范围限于银行存款、国债和其他具有流动性良较好的金融工具，包括上市流通的信用评级在投资级以上的有价证券、证券投资基金和股票。目前，我国社会保障基金投资风险不平衡，低风险投资主要有银行存款、政府债券、金融债券和其他投资产品。
2.对投资风险进行再保险或采取资产证券化的形式。对社会保障基金投资风险进行再保险，保险机构可以承担部分风险，并且随着保险公司的干预，可以逐步形成一个有效信用增进的机制。社会保障基金投资的再保险，可使社会保障基金理事会放心地把资金交由管理公司进行运营。若社会保障基金投资房地产和实业，以资产证券化方式能够提高流动性，建立应对流动性的风险补偿机制。
3.完善投资方式。目前，社会保障基金投资通过两种方式进行：一是由社保理事会直接向未上市公司和对股权投资基金进行投资。二是通过市场公开、公平竞争，选择若干家境内外基金管理公司，委托投资股票债券类资产。
4.加强投资监管。对社会保障基金投资运营进行监管是克服市场失灵做出的必然选择。一方面，要加强信息披露，增强社会保障基金投资运营的透明度。另一方面，要加强内部控制，建立职权分离和相互制约的管理制度，加强各个工作环节的自我监控，建立健全内部审计稽核制度，加强基金规章制度建设，以确保社会保障基金安全有效地运行。
参考文献：
[1]孙天法,张良华.贫困的终结：社会保障无风险投资[M].北京：经济科学出版社，2004：51-56.
[2]刘子兰,严明.全国社会保障基金投资风险管理研究[J].当代经济研究，2006（8）:64-68.
[3]毛燕玲等.社会保障基金国内实业投资的风险研究[J].金融与经济，2007（2）:50-52.
[4]黄莉.社会保障基金投资运营风险探讨[J].商业时代，2007（13）:62-63.
[5]杨轶华,关向红.我国社会保障基金投资运营的风险管理与控制[J].经济纵横，2009（11）:93-95.
[6]廉桂萍.社会保险基金境外投资风险及其防范[J].财政研究，2009（8）:33-35.
[7]许海英，魏建翔.我国社会保障基金投资的风险管理前瞻――基于克鲁格曼三角理论分析[J].财务与金融,2011(1):21-27.
[8]Burnside Craig，Eichenbaum Martin，Rebelo Sergio.
一、文献回顾
对投资资产收益构建适当的模型进行相关性分析，在投资风险管理中有很重要的应用价值。张维（2008）认为度量风险以及如何采取相应的对策是投资风险分析的核心。当研究单一市场不同资产收益相关性时，应该考虑聚类波动和厚尾分布等因素。Rachev和Mittnik（1993）指出对金融数据建模，模型结构固然重要，但资产收益分布假设由于影响到模型的拟合度，因此也要重点考虑。Fama、Mittnik、Rachev等人（2003）认为投资风险模型中变量分布为平稳分布时检验效果比较好。当研究多个市场相关性时，通常应用线性相关，例如应用多元线性回归法研究变量间的相关性。但线性相关系数通常假定不同市场收益是对称相关的，通常不能反映非对称相关情况。Embrechts和Rachev等人（2003）研究了线性相关系数分析相关性的缺陷，不能较为准确地反映金融危机情况下的投资资产收益波动。为此Embrechts（1999）引入了Copula 函数来研究关于投资组合的风险价值问题，提供了处理变量相关问题的简单易行的方法。之后Copula函数在投资资产风险管理中被广泛采用，它克服了线性相关系数不能捕捉变量间的非线性和非对称相关的缺点。秦学志、王玥（2011）分析了Copula函数的尾部相关系数的渐进变化特征及其应用。任仙玲、张世英（2008）利用Copula函数对民生银行和浦发银行两只个股的尾部相关性做了分析，得出“其下尾相关性大于上尾相关性，且下尾相关性很大”的结论。但目前对于尾部相关性的研究多数集中在二维的情形。Bedford和cook（2001）在Joe 研究工作的基础上，介绍了一种基于简单构造块——Vine copula的多变量分布概率模型，通过对多元联合密度函数进行Vine copula分解，分解后的模型能够捕捉到多个资产组合中不同风险因素间的尾部相关性差异，从而更好地描述资产间的相依结构。这一方法为研究高维复杂相关问题提供了新的思路。
二、研究方法
（一）Vine模型 Kurowicka和Cooke（2004）提出D-Vine和C-Vin
e模型，这两类藤在不同的树状集合的逻辑结构下都能对高维分布进行分解。n维联合密度函数f（x1，…，xn）的C-Vine和D-Vine的分解式分别如式（1）、式（2）所示：
其中，Cij|k是二维Copula分布函数，vj是d向量v中任一分量，而v-j是向量v中除去vj后的d-1维向量。
（二）拟合优度检验方法 本文采用经验Copula检验统计量。假定n元随机变量的秩统计量为｛U1，U2，…，Un｝，那么可以用一个经验Copula来反映它们的分布信息，如式（4）所示：
该检验方法实质是考察经验Copula与假定的Copula之间的距离，距离越小，那么越有可能接受零假设H0；距离越大，则越有可能拒绝零假设H0。其检验步骤为：
（1）产生秩统计量序列集U=｛U1，…，Un｝，Ui=｛Ui1，…，UiT｝；
（2）计算在每个秩统计量下的经验Copula值，以及假定的Copula的参数；
在实际应用中，这两个统计量的有限分布依赖于给定的Copula函数及其相应的参数，需要应用蒙特卡洛模拟来计算参数，间接得出两个统计量。
二、基于C-Vine与D-Vine的投资组合相关性比较
（一）样本选取与数据来源 采用C-Vine和D-Vine模型，本文对香港恒生（HSI）、日经225（N225）、新加坡海峡时报（STI）和上证综指（SSEC）四个股票市场组成的投资组合的风险进行比较分析。数据样本区间为2005年1月1日至2011年6月30日的周收盘价，由于各国的风俗习惯不同，同一时期内的数据个数不一致，数据对应上出现一些偏差，本文剔除了不同时间开盘的数据，共得到有效数据共1356个。本文将第i个市场的周收盘价定义为Pi，t，将收益率Ri，t定义为Ri，t=100（lnPi，t-lnPi，t-1）。本文的数据处理工具为Eviews6.0和 Matlab R2010a。
（二）收益率序列的描述性统计分析及正态检验 利用Eviews
6.0软件对收益率序列进行描述性统计分析，应用J-B进行检验。计算结果如表1所示。
从表1可以看出，各个收益率序列的均值接近于0，方差接近于3；偏度值接近于0且都为负，峰度值均大于3。各收益率序列从偏度上看，接近正态分布；但从峰度上看，具有明显的厚尾特征，大的峰度值表明各收益率序列的数据在均值附近的集中度较高。从J-B检验值可以看出，各收益率序列明显不服从正态分布的假设。
（三）边缘分布的建模与平稳性自相关检验 边缘分布采用时间序列GARCH模型，首先进行平稳性检验。本文采取Dickey & Fuller（简称ADF）所提出的单位根检验。检验值如表2所示。
从表2可以看出，收益率序列进行的ADF单位根检验所得到的ADF值均小于各序列的概率临界值，故样本序列全部为平稳序列。应用DW检验，本文对样本序列中是否存在自相关性进行检验。通过Eviews6.0计算得到各收益率序列的DW值如表3所示，从表3可以看出四个收益率序列的DW值均接近2，说明各对数收益率序列不存在自相关性。
（四）边缘分布的GARCH建模与拟合度检验 因为样本序列都是平稳的，且不存在自相关性，所以可以用GARCH模型对收益率序列进行建模。同时从描述性统计分析可知各个对数收益率序列的t特征比较明显，故取对数收益率序列进行GARCH（l，l）-t建模，模型如式（5）所示：
对各收益率序列进行建模和参数估计，参数估计采用极大似然法。其结果如表4所示。
检验GARCH（1，1）-t模型对收益率序列的拟合效果，对其进行Ljung-Box检验，其结果表明在5%的置信水平上收益率序列无自相关性的假设是可接受的。计算各收益率序列的残差序列，观察残差序列Q-Q图（如图1至图4所示）可以看出GARCH（1，1）-t模型可以较好地拟合各序列的边缘分布。
（五）基于C-Vine与D-Vine的收益率序列相关性比较分析 为了确定合适的变量顺序，对不同收益率序列的Pearson相关系数进行了比较，具体结果如表5所示。
本文选择了t-copula（具有对称尾部特点）、Clayton copula（具有下尾相关性）以及Joe-Clayton Copula（同时具有上尾、下尾相关性）等三种pair copula函数进行分析。
一是基于C-Vine的收益率序列相关性分析。根据表6中选择初始结点日经225，所以得到C-Vine的分解结构图，如图5所示。
根据图5的分解结构，利用极大似然法，计算可得到各层参数，见表6，其中1、2、3、4分别代表日经225（N225）、新加坡海峡时报（STI）、香港恒生（HSI）和上证综指（SSEC）。
应用PIT方法进行拟合优度检验，表7是检验统计量S在5%的置信水平下所得的P值。从表7中可以看出，Clayton Copula没有通过检验但是很接近临界值。
二是基于D-Vine模型的收益率序列相关性分析。采用D-Vine分解的方法首先要根据各变量间的相关性确定树T1的次序，由表5可得到树1变量的排序为日经225、新加坡海峡、香港恒生、上证综指。D-Vine的分解如图6所示。
根据图6的分解结构，利用极大似然法，计算可得各层参数，如表8所示。其中1、2、3、4分别代表日经225（N225）、新加坡海峡时报（STI）、香港恒生（HSI）和上证综指（SSEC）。应用PIT方法进行拟合优度检验，表9是检验统计量S在5%的置信水平下所得的P值。从表9中可以看出，不同的Copula函数拟合均通过检验。
三是基于C-Vine与D-Vine的收益率序列相关性比较分析。从表6和表8的参数估计可以得出，在C藤结构下用t-Copula描述变量间的相关性所得的自由度明显不同，其中日经225与新加坡海峡时报、日经225与香港恒生、日经225与上证综指的自由度均较小，说明它们联合分布的尾部很厚，序列间出现极值的概率较大。在条件分布的情况下，当以日经225作为条件时，新加坡海峡时报、香港恒生之间的自由度最大，说明它们之间出现极端值的概率最小；当将日经225和新加坡海峡时报同时作为条件时，自由度取得最大值，说明相关性最小。以上的分析基本与D藤结构下相同，唯一不同的是在C藤中当以日经225为条件时，新加坡海峡时报和上证综指之间的自由度为11.690648，说明它们之间的相关性较强，而在D藤中当以香港恒生作为条件时，新加坡海峡时报和上证综指之间的自由度为300，说明它们之间的相关性很弱，C藤所得结论与我国股市的开放程度还不高有一定出入。另外从对应的AIC值、BIC值也可以看出D藤下的分解结构模型对数据的描述更优。因此C藤结构不适合分析股市间这种没有绝对引导关系的相关性问题。
三、基于D-Vine的多元股市收益率序列尾部相关性分析
（一）尾数相关性分析 因为D藤模型对数据拟合效果更优，所以采用D藤参数值来分析各股市间的尾部相关性，从而为投资者提供投资参考。尾部相关性用来衡量当一个随机变量大幅度增加或者大幅度减少时，另一个随机变量也发生大幅度增加或者大幅度减少的概率。设二维随机变量（X，Y）的边际分布分别为Fx，Fy，其上尾相关系数？姿u和下尾相关系数？姿t定义如式（6）、式（7）所示：
从表10可以看出，采用t-Copula函数时，HIS和SSEC之间相关系数为0.047826，两股市之间的相关性远远低于N225和STI，STI和HIS，后两组股市相关系数分别为0.336015和0.322037，但从后两组股市相关系数的绝对值来看，其相关性远低于1，相关性不是太强。而条件相关系数结果均为0，所以不存在条件相关。因此，根据分析结果，同时对这四个股市投资可以分散风险。但由于尾部相关系数没有得到体现，所以在熊市或牛市的时候，投资决策很难做出。采用Clayton Copula函数时，HIS和SSEC之间的下尾相关系数为0.305930，两股市之间的下尾相关性远远低于N225和STI，STI和HIS，后两组股市下尾相关系数分别为0.637326和0.646258，而后两组下尾相关系数的绝对值均超过0.5，说明在熊市时，为了降低风险，不宜同时投资N225和STI，STI和HIS。采用Joe-Clay-
ton Copula函数时，在条件相关性分析结果中，上尾相关系数大于下尾相关系数，而且上尾相关性也极其微弱。在非条件相关性分析结果中，均呈现出下尾相关系数大于上尾相关系数，且N225和STI，STI和HIS两组股市收益变动相关性要大于HIS和SSEC，这和采用t-Copula函数以及Clayton Copula函数所得到的结果一致。说明为了降低风险，在股市波动不大的情况下宜于同时向四个股市投资；在熊市时，不宜采用N225和STI，STI和HIS，两种组合进行投资。
综上分析可以看出，运用D-Vine函数对多个股市收益相关性进行分析，得出的结果，特别是尾部相关系数与实际情况一致，因此选择D-Vine函数对多元股市收益相关性进行分析具有显著的适用性。
（二）相关结论 本文采用的AGARCH-C-Vine与AGARCH-
D-Vine模型度量资产组合风险，对日经225（N225）、新加坡海峡时报（STI）、香港恒生（HSI）和上证综指（SSEC）收益率序列的相关性进行实证比较研究，结果显示AGARCH-D-Vine的拟合效果较好。运用AGARCH-D-Vine对各收益率序列尾部相关性分析，在选择刻画上尾相关、下尾相关以及上下尾相关的不同的Copula情况下，得到了投资者一致的投资组合决策结果。
参考文献：
［1］Bauerle N， Muller A. Modelling and comparing dependencies in multivariate risk portfolios［J］. Astin Bulletin， 1998，28：59-76.
［2］Frees E W， Valdez E. Understanding relationships using copulas［J］. North American Actuarial Journal，1998，2：1-25.
［3］Klugman S A， Parsa R. Fitting bivariate loss distributions with copulas［J］. Insurance： Mathematics and Economics，1999，24：139-148.
［4］张维：《风险度量的主要模型及其评述》，《南京审计学院学报》2008年第3期。
［5］Rachev S，Mittnik S. Stable paretian models in finance［M］. New York： Wiley，2000.
［6］Fama E. Mandelbrot and the stable paretian hypothesis［J］. Journal of Business，1963，36： 420-429.
［7］Mittnik S， Rachev S.. Modeling asset returns with alternative stable models［J］. Econometric Reviews，1993，12： 261-330.
［8］Rachev S. Handbook of heavy tailed distributions in finance［M］. Elsevier： Amsterdam 2003：595-640.
［9］Rachev S， Menn C， Fabozzi F. Fat-tailed and skewed asset return distributions［M］. New Jersey： Wiley，2005.
［10］王天东、卢文渊：《新会计准则下我国上市公司债务重组影响因素研究》，《南京审计学院学报。2012年第1期。
［11］Embrechts P， Lindskog F， McNeil A. Modelling dependence with copulas and applications to risk management［M］//Rachev S. Handbook of heavy tailed distributions in finance. Elsevier： Amsterdam，2003.
［12］Embrechts P， Mcneil A J，Straumann D. Correlation and dependence in risk management： properties and pitfalls［M］//Dempster M. Risk management： value at risk and beyond. Cambridge：Cambridge University Press， 1999：176-223.
［13］秦学志、王玥：《尾部相关系数的渐进变化特征及其应用》，《系统工程理论与实践》2011年第2期。
［14］任仙玲、张世英：《基于Copula函数的金融市场尾部相关性分析》，《统计与信息论坛》2008年第6期。
［15］Bedford T J， Cooke R M. Monte Carlo simulation of vine dependent random variables for applications in uncertainty analysis［C］. Proceedings of ESREL2001， MECC， Maastricht， Netherlands.
［16］Bedford T， Cooke R M. Probability density decomposition for conditionally dependent random variables modeled by vines［J］. Annals of Mathematics and Artificial Intelligence，2001，32：245-268.
［17］Bedford T， Cooke R M. Vines：a new graphical model for dependent random variables［J］. Annals of Statistics，2002，30：1031-1068.
［18］Joe H. Families of m-variate distributions with given margins and m（m-1）/2 bivariate dependence parameters［R］. Ruschendorf L， Schweizer B， Taylor M D. Distributions with fixed marginals and related topics. 1996
［19］Kurowicka D， Cooke R M. Distribution-free continuous bayesian belief nets［C］. Fourth International Conference on Mathematical Methods in Reliability Methodology and Practice， Santa Fe， New Mexico，2004.
［20］Genest C， B， R′emillard， Beaudoin D O. Goodness-of-fit tests for copulas： a review and a power study［J］. Insurance： Mathematics and Economics，2009，44：199-213.
［21］Dickey D， Fuller W. Distribution of the estimators for autoregressive time series with a unit root［J］. Journal of the American Statistical Association， 1979， 74：427-431.
［本文系教育部人文社会科学研究规划基金项目（编号： 11YJ
1.引言
近年来金融工具及其衍生物越来越多元化，其带来的不确定因素也越来越大，因而金融市场的风险也就越来越高。金融市场间的关系更是变得日趋复杂，更多的呈现出非线性、非对称和厚尾的特性，金融波动和危机的频繁出现使聚合风险管理和金融市场间相依关系分析成为国内外关注的焦点。
现阶段最常使用的风险度量指标是20世纪90年代j.p.morgan和g30[1]集团提出的var（value at risk）方法，var旨在一定的置信水平下，估计金融资产或组合受市场因子波动影响，而在未来特定的一段时间内的最大可能损失。严格的说，var描述了在一定的目标期间内收益和损失的预期分布的分位数。如果c代表置信水平，var对应的是较低的尾部水平1-c。可表示为：
其中，表示某事件的概率，表示资产或资产组合在持有期内的损失，c为置信度水平。在最近这些年var作为金融风险度量工具得到了广泛的应用，然而，研究发现var不具有次可加性和一致性的风险度量，后来针对这一问题，acerbi等[2-3]提出了期望损失es（expected shortfall）的定义。
假设r为持有期内资产或者资产组合的损益，并假设r的累积分布函数f（r）（cdf）是连续的，那么对于置信水平，var也可以用如下定义：
式中，表示r的分布在给定显著水平的下侧分位数。假设表示r的概率密度函数，那么置信水平为1-c下的es可以定义为：
式中，为示性函数。es实质上是将资产价值r乘以权重的从-到0的积分，这样它就把超过var水平的损失部分考虑进去了。从经济意义上讲，es就是指当损失超过var时的平均损失。由于它同时具有了次可加性和一致性，是一个较好的风险度量工具。rappoport（1993）[4]第一次在金融行业中用它来做风险管理的一个工具，后来acerbi（1997）[3]等人证明了该方法是一个一致性的风险度量工具。
同时，通过引入copula函数度量资产组合集成风险的方法已经越来越成熟。schweizer和sklar最早提出copula函数的概念及其它的一些性质。后来sklar指出了copula函数可以把具有不同类型边缘分布函数连接起来，并且能抓住它在风险管理应用中的本质特征（例如：尖峰厚尾性）；emberchts等第一次把该方法引入到金融类相关研究之中。许多研究学者在他们的基础上做了很多有意义的研究。例如：breymann等人研究表明了学生t-copula的经验拟合比高斯copula优越很多；ceske，hemandez（1999）提出可以将copula函数与montecarlo技术结合计算相关损失；matteis对archimedean copula做了很好的总结。
在我国，copula函数方法在金融上的应用才刚刚起步，且其中绝大多数文献做的是介绍性、引入性的研究。最早见的是张尧庭（2002）提出copula函数在金融风险领域大有可为；史道济利用copula函数研究外汇组合的相关性；司继文（2004，2005）分别将copula函数应用于国内外的股票市场和期货市场；韦艳华、张世英（2004）将garch模型应用于copula函数，来度量金融时间序列的自相关结构。前人的研究主要集中在利用copula函数对股市或资产组合的相关性研究。而韦艳华（2004）利用garch模型拟合正态copula函数的边缘分布，然后运用monte carlo仿真技术计算投资组合的var。
本文创新一是采用garch或者egarch模型来拟合t-copula函数的边缘分布，克服了传统garch模型不能处理特定非对称金融时间序列的局限性。对此，本文也比较分析了单独使用garch下和本文采取的方法下的风险值，研究表明本文提出改进的思路对风险估计更为准确。改进二在于对于风险衡量的指标不是仅仅采用var，而是利用var与es双监管的风险度量方法，克服了传统风险度量var的很多缺陷（不具有次可加性、正齐次性等）。最后通过度量我国股票型开放式基金的市场风险为出发点，运用monte carlo仿真技术计算投资组合的var以及es，具有很强的实用价值。
2.garch或者egarch收益率分布模型
对于某一金融资产，投资者最想知道的是将来某个时刻该资产收益率的信息。由于金融资产收益率的尖峰厚尾性、条件异方差性、波动聚集性和杠杆效应等，普通的garch模型对对前三者能较好的刻画，但是对于杠杠效应garch模型不能刻画出，因此，本文对不存在杠杆效应的收益率序列采用garch模型拟合资产收益率的特征，对存在杠杠效应的收益率序列采用egarc模型刻画。该模型是glosten jagannathan和runkle在engle提出自回归条件异方差（arch）模型和bofloerselev提出的广义自回归条件异方差（garch）模型的基础上改进提出的，它考虑了坏消息和好消息对波动性不同的影响。
假设投资组合中有d种金融资产，对于资产i，直接根据最近的n期历史收益率数据（t=1，2，…，n）运用garch其中eagch模型中条件方差采用自然对数形式，意味着非负，且杠杠效应为指数型的。模型中引入了一个重要参数，若，说明信息作用非对称，存在杠杠效应。为第i个资产收益率序列；为的条件均值项；v是t分布的自由度。为待估参数；随机扰动项服从均值为0，方差为1的标准t分布。即：
它的形式使得garch或者egarch模型能够较好地描述收益率序列的各种特性（如条件异方差性、波动聚集性）。
假定利用观察资产收益率历史数据样本可以得到，在估计出参数后，可以得到下一时刻收益率的条件分布：
其中，是自由度为v的t分布函数，是到时刻t为止的信息集。利用matlab可以很方便地由样本观测数据估计出garch模型的各个参数，从而由式（2）得到给定t时刻前信息集的条件概率分布。
3.copula函数的参数估计
在资产分配、衍生品定价和风险管理等许多金融领域中，有关风险因素之间的相关性度量及其重要。许多文献中常采用多元正态函数，然而各种金融资产的收益率之间一般并不符合多元正态分布的假设，为此，本文使用copula函数来解决这个问题。
由sklar定理可知，对于一个具有边际分布函数为（）的金融资产的联合分布函数f，一定能找到一个copula函数c，使得：
如果所有的边际分布函数都连续则从上式定义的copula函数是唯一的。从上式可以计算得出copula：
其中，
文献表明，t-copula能更好地刻画各个金融资产的尾部相关性，本文研究的是t-copula连接函数分布。
其中，表示相关系数矩阵为r，自由度为v的维标准t分布函数，表示自由度为v的单变量标准t分布函数的反函数。copula模型为：
参数v为t分布的自由度。为d维t-copula分布，表示均值为0，方差为1，自由度参数为的正规化t分布函数，即：
式中是伽马函数。由于t-copula的密度函数对任意维数都不是一个简单的形式，本文根据t-copula函数形式使用matlab工具估计其参数，过程如下：
（1）把资产收益率数据通过概率积分变换转化为一致分布；
（2）用对数似然函数法估计学生t-copula的参数：
此处的copula函数c为公式（4）给出的；
（3）令，此处是单变量累积标准正态分布函数；
4.利用模特卡罗模拟资产组合的var和es
根据embrechts关于利用t-copula函数模拟随机变量的方法，多次模拟资产组合资产收益率的随机扰动项。具体模拟步骤为：
（1）由上述估计出的随机扰动项的相关系数矩阵r，对其进行cholesky分解。
（2）根据标准正态分布，模拟d个相互独立的随机变量，。
（3）产生与y相互独立的变量e，服从分布。
（4）令。
（5）令，则x为服从自由度为v的t分布。
（6）计算得到。
（7）根据得到联合分布为，连接函数为的d维随机扰动项。
（8）根据egarch或garch模型，得到金融资产收益率的条件均值和条件方差，然后根据随机波动方程，得到资产组合的资产收益率向量。
（9）给定资产在投资组合中的权重，计算投资组合收益r的值。
（10）重复上述过程5000次，模拟得到其经验分布，容易求出var和es的值。
5.实证研究
（1）数据的选取和边缘分布的估计
本文选取融通深证100基金2010年3月31日公布的前10大重仓股票作为观测样本，如表1所示。
本文采用从2004年7月1日至20010年3月31日共937个（对空缺数据已做处理）交易日的收盘价作为原始数据，计算出每只股票的对数收益率，并根据公式（1）、（2）估计出每只股票的边际分布，利用aic准则、sc准则和杠杆系数检验可以得出万科a、苏宁电器、中兴通讯、格力电器、吉林敖东存在杠杠效应，适宜采用egarch模型建模（其余采用garch建模拟合效果更好），下面以第三、四只股票五粮液（000858）和苏宁电器（002024）为例，分析其边缘分布函数的估计和拟合效果的评价。参数估计结果见表2和3：
其中，表2、3中括号的数据表示相应t统计量的估计值。从表2、3中给出的k-s相伴概率可知，利用cml方法对原序列做概率积分变换后，序列服从[0，1]的均匀分布。由此可以说明本文提出的模型可以较好地描述相关资产的边缘分布。同样的方法检验了其他8只股票的边缘分布拟合效果，都说明了garch或者egarch模型能较好拟合各自的边缘分布，因此用本文的模型描述收益率序列的边缘分布是充分的。
（2）copula函数参数估计和monte carlo模拟var和es
此处为了对比分析采用egarch或garch拟合边缘分布与仅仅采用garch拟合的效果，根据上面估计得各个股票收益序列的边缘分布，利用文中第四部分的估计copula函数参数的方法，估计得出其t分布的自由度dof=7.5848和各自的相关矩阵（表4、表5）。
由上述结果可知，仅仅采用garch拟合边缘分布使得各个资产之间的相关系数整体性的变小。从而可以推断出可能会导致风险的低估，从而对准确度量基金风险存在一定的影响。进一步的风险值比较分析可见表6、表7。
按照表1的投资比例，假设投资者处于t时刻，这里的t时刻指的是样本时间段的最后一天，即2010年3月31日，t时刻的投资组合价值为：
假设资产持有期从t时刻到t+1时刻，置信水平选择95%和99%进行估计。根据本文的copula-garch（egarch）模型，运用t-copula函数的模特卡罗模拟仿真模拟5000次，可以得出t+1时刻各个股票的收益率序列，进一步可以计算出t+1时刻各股票的损失序列，给定置信水平，容易得出t时刻到t+1时刻相应的投资组合var和es值，表6、7分别给出了本文提出的采用egarch或garch拟合边缘分布和传统方法仅仅采用garch模型拟合的情况下各个股票和证券投资组合的var和es值。
表6、表7清晰的显示本文所提出的方法对准确估计风险更进了一步，比较而言传统方法只使用garch模型拟合边缘分布导致了单个资产和资产组合的风险值都偏小。对于文中提出使用egarch模型拟合万科a、苏宁电器、中兴通讯、格力电器、吉林敖东，从表6与7中可以看出，var与es的风险值都比其他个股风险值偏离程度更大，说明采用egarch模型针对特定（存在杠杠效应）金融序列拟合效果更好，风险估计更为准确。
单独分析表6可以看出，在投资额一定的情况下，基金的风险值要比单个资产进行投资的风险值小，可见该基金选择的各个股票之间的相关关系有较大差别，说明投资组合可以大大降低投资风险。从var和es的风险值看，es都大于var，说明es比var度量风险更为保守，也说明了var在度量风险上存在计算风险值偏低的现象，这样对基金控制风险和减少资产损失极为不利，特别是当极端事件发生时，资产组合的风险值与实际值就会发生偏差。另外从var与es的差值可出看出，置信水平越高，投资组合降低风险的程度也就越大，但是由于var不具有次可加性，从es的差值能很明显看出。
6.结论
本文为了描述特定资产具有非对称性的特征，通过对资产收益率进行egarch建模，对不存在杠杠效应的资产仍使用传统的garch模型，这与copula可以连接具有不同边际分布的函数的相关关系相符，同时考虑到var度量风险的不足，引入了es一致性风险度量，通过t-copula函数和monte carlo模拟计算出了证券投资组合的var以及es的值。最后文章对融通深证100基金风险度量的实证研究可以看出，有的金融资产收益率序列可能存在杠杠效应；而且var的确存在低估风险的不足；同时也得出了风险值var或者es在置信度越高，它们的差值越为明显，说明了本文copula-egarch（garch）模型能较好地刻画投资组合二中不同资产间非正态非线性非对称的相关性。基于该模型的风险度量方法可以为我们基金管理公司评估和管理资产组合的市场风险，从而有利于公司控制和减少资产损失提供一定的参考作用。
参考文献
[1]张尧庭.连接函数(copula)技术与金融风险分析明[j].统计研究,2002(4):48-51.
[2]史道济,邱男.关于外汇组合风险相关性的分析[j].系统工程,2005,23(6):90-94.
[3]司继文,蒙坚玲,龚朴.国内外期货市场相关性研究田[j].华中科技大学学报,2004,21(1):16-19.
关键词货币市场基金风险控制方法
货币市场基金，是指以货币市场工具为投资对象的基金。投资对象主要包括：短期国债、商业票据、大额可转让存单、回购协议、银行承兑汇票等货币市场工具。
1我国货币市场基金的发展现状及特点
我国货币市场基金起步较晚，2003年12月10日，由华安、博时和招商三家基金公司分别发起管理的首批三只货币市场型基金获准设立。到2004年4月12日，已经设立的7只货币市场型基金的总份额为430.93亿元，占开放式基金总份额的24%。
目前我国货币市场基金的投资范围还比较狭窄，暂时设定为短期债券（含央行票据）、银行存款和回购协议，但随着货币市场的逐渐发展，此类基金将来可投资于大额转让存单、银行承兑汇票、经银行背书的商业承兑汇票或其他流动性良好的短期金融工具。从这些投资对象的性质来看，主要特点有：
（1）基金单位的资产净值是固定不变。货币市场基金与其他基金最主要的不同在于基金单位的资产净值是固定不变的，通常是每个基金单位1元。投资该基金后，投资者可利用收益再投资，投资收益就不断累积，增加投资者所拥有的基金份额。比如某投资者以1000元投资于某货币市场基金，可拥有1000个基金单位，l年后，若投资报酬是8％，那么该投资者就多80个基金单位，总共1080个基金单位，价值1080元。
（2）收益率是衡量货币市场基金表现好坏的标准。这与其他基金以净资产价值增值获利不同。
（3）流动性好、资本安全性高。这一优势主要来源于基金所投资的对象的特点，同时，投资者可以不受到日期限制，随时可根据需要转让基金单位。
（4）风险性低。货币市场工具的到期日通常很短，货币市场基金投资组合的平均期限一般为4～6个月，因此风险较低，其价格通常只受市场利率的影响。
（5）投资成本低。货币市场基金通常不收取赎回费用，并且其管理费用也较低，货币市场基金的年管理费用大约为基金资产净值的0.25％～1％，比传统的基金年管理费率1％～2.5％低。
（6）货币市场基金均为开放式基金。它通常保持一定比例的现金，以应付客户的日常赎回。即使在发生较大规模的赎回时，也可以通过在货币市场迅速变现自己的短期有价证券来获取现金以满足客户要求。
2货币市场基金的风险分析
2.1货币市场基金的系统风险
货币市场基金的系统风险是指基金投资于货币市场必须承受的其外部发生的，非基金本身所能控制的来自政治、经济、政策、法规的变更等所导致的市场行情波动而产生的投资风险。
（1）利率风险。不同于投资股票和债券的基金，货币市场基金投资于货币市场工具，货币市场基金单位的资产净值是固定不变的，衡量其表现好坏的标准是收益率，这一收益率通常只受市场利率影响，其收益主要取决于短期市场利率水平，利率风险也因此产生。一般来说，货币市场基金的盈利空间和市场利率的高低成正比。市场利率越高，其盈利空间越大，反之则收益较低。
（2）资金转移风险。货币市场基金的流动性非常接近银行存款，且收益率一般会超过银行存款，如果设立货币市场基金，银行存款可能就会出现转移。如果商业银行在货币市场基金中不扮演基金管理人的角色，银行的经营业务将受到直接影响。资金转移的另外一种风险是，资本市场和货币市场的相对走势将导致资金的流动。资本追求最大化的收益，当货币市场和资本市场收益出现差异时，货币市场基金就有动力超越有关限制，资金在货币市场和资本市场之间的不正常流动就会出现，这需要行业自律的提高和监管的强化。
（3）政策风险。这是由于国家政策的变动而引起的投资人的损失，同时也是国内发展货币市场基金的一个特色风险。我国金融体系是分业经营、分业监管，最后货币市场基金到底由谁来监管，参与者的范围，政策方面尚存在着很大的不确定性，有待我们进一步去研究。此外，货币市场基金成立之后的收益直接取决于货币市场本身的发展，货币市场参与者是否足够广泛、投资工具发展是否充分、利率市场化改革的进展状况、货币政策执行是否具有独立性等，这诸多因素都直接影响着货币市场基金的收益，而这些因素大都与政策变迁的方向和速度有关。.2货币市场基金的非系统风险
非系统性风险是由于局部因素造成的风险，是货币市场基金自身经营管理所带来的风险，基金本身可以通过一定的方法避免。
（1）道德风险。货币市场基金实质上是契约的组合，是多数投资者以集合出资的形式形成基金，委托基金管理人管理和运用基金资产。投资者选择好基金管理人之后，由于投资者不能直接观测到基金管理人选择了什么行动，能观测到的只是另一些变量，这些变量由基金管理人的行动和其他外生随机因素共同决定，只是基金管理人的不完全信息，因此，基金管理人随时可能出现“道德风险”问题，即基金管理人在最大限度地增加自身效用时做出不利于基金投资人的行动。
（2）信用风险。又称违约风险，是指企业在债务到期是时无力还本付息而产生的风险。货币市场基金以货币市场上的短期工具为投资对象，其中各类不同工商企业发行的商业票据占其基金投资组合的一定份额。企业发行的商业票据由于受自身的规模、信誉、业绩和经营历史等因素的影响，他们的商业票据质量有所不同；某些企业一旦遇到经营环境恶化，经营业绩不佳，净现金流锐减，此时发行商业票据的企业就存在到期无法兑付的风险。如果货币市场基金的投资组合中这类资产所占份额较大，必然影响到基金的收益，表现出一定的资本损益风险。
（3）流动性风险。流动性风险是指金融资产持有者按价值出售资产的难易程度。对货币市场基金而言，流动性是指基金经理人在面对赎回压力时，将其所持有的资产———投资组合在市场中变现的能力。基金经理常常面对两大流动性风险：一是所持有资产在变现过程中由于价格的不确定性而可能遭受损失；二是现金不足，难以满足投资人的赎回要求。所以一旦基金出现大幅缩水或投资者集中赎回投资的情况，而基金手中所持流动性资产又不敷支出时，货币市场基金必将面临严重的被动局面。
（4）经营风险。虽然货币市场基金是专家理财，但基金管理者仍然会有投资失误，基金内部监控也可能失灵，这样货币市场基金净值将可能存在大幅缩水。因此，基金的收益、风险状况很大程度上取决于基金投资顾问的专业水平。投资顾问的专业技能及其业绩档案能提供下面一些重要信息：即基金的投资策略和风险控制度能否被坚持；基金对未来的机会或严峻的形势将作何反应；该基金的顾问以受托人方式，按照基金股东的最佳利益行事的可能性。
3货币市场基金的风险控制
3．1外部环境的治理
（1）制定相应的法律法规。法规制定应当先行，应明确货币基金的设立原则、各方当事人间的关系、货币基金的投资领域、管理原则、分配制度以及违规处罚措施等，特别是要严格禁止货币基金投资股票、中长期债券、房地产以及实业领域。
（2）大力发展货币市场工具。众所周知，投资品种的多样化，对于降低投资组合的风险具有相当重要的作用。从我国当前货币市场的发展情况来看，货币市场工具仍显单一，有限的货币市场工具必然会限制货币市场基金的投资方向，使货币市场基金无法通过投资组合的多样化来分散风险，从而降低了它的灵活性。因此，我们应在进一步完善信用制度的基础上，鼓励发展货币市场工具。
（3）实施制度创新，提高货币市场的流动性。提高货币市场的流动性对于降低基金的风险具有一定的作用。要提高货币市场的流动性，需要市场制度方面的一系列创新和改革。首先，要打破银行间市场与交易所市场的分割局面，允许更多的证券公司、信托公司、财务公司、基金公司以及大企业进入货币市场，以进一步壮大货币市场交易主体，活跃市场交易。其次，引入货币市场经纪商，提高货币市场的流动性。
3．2内部环境的治理
（1）保持高度的流动性。由于货币基金的投资者可以随时赎回投资或据其基金账户的资产净值予以签发支票，所以基金组合必须具有高度的流动性。这不仅是指平常资产组合中应保有相应量的现金性资产，更为重要的是应持有必要量的短期国库券。因为能够形成大规模和范围广泛的流通交易市场的是短期国库券，所以国库券已成为仅次于现金的准现金性资产。同时，与持有基金较大份额的投资者经常的交流是得到赎回暗示的重要方法，有的基金采取鼓励大额赎回提前通知和拒绝对利率敏感的投资资金等措施。
（2）实行开放式的管理。即必须每天公布基金资产的净值与收益水平，允许投资者随时根据各自的需求，按公布的资产净值自由进出货币基金。为此，基金管理人应当与托管银行密切合作，将商业银行的网络作为投资者进出货币基金的窗口。并且，基金账户与投资者的银行资金账户要有顺畅的沟通，以保证投资者的资金根据需要在两个账户间快速流动。
（3）特别的内控程序。①估价。准确的估价是维持一个稳定的基金净值的重要因素。应定期（每天）估算基金实际市值和按摊余成本法计价得出基金净值，并将偏离度控制在0.5％之内。当发现偏离度超过0.25％之时，基金应该启动应急处理程序，通过适当的处理方法降低偏离度，如卖出对偏离度贡献最大的品种等；②对不确定性的处理和测试分析。对不确定性的处理包括计算购买任何证券之后对基金的加权平均到期日（WAM）的影响，同时考虑在证券购买时可能发生的意外赎回。此外，还应对单个证券和投资组合进行压力测试，评估在发生较大的利率变化时证券价格的敏感性。
目前，我国经济又处于转轨时期，市场发育不健全，各种金融法规和制度有待完善，在这种情况下推出货币市场基金，我们必须从观念上重视货币市场基金的风险，并积极加以防范，保持基金的收益与风险的同步。
参考文献
1张亦春．现代金融市场学[M].北京：中国金融出版社，2003
2吴道霞．货币市场基金法律问题研究[J].河北法学，2004(3)
3田启伟，马建国．货币市场基金及其风险分析[J].武汉冶金管理干部学院学报，2004(1)
【关键词】外币贷款；风险管理；情景分析；压力测试；敏感性分析；在险价值
在今后较长一段时期，我国企业将面临外币贷款中的汇率风险。通过借鉴国外企业外债风险管理中科学而完整的风险管理体系，结合我国外汇管理体制以及企业的实际状况，建立健全外币贷款风险管理具有重要的应用价值和现实意义。
一、研究背景
改革开放有三十年，根据积极、合理、有效的利用外资的方针政策，截至2006年底，我国累计实际使用外资金额6854亿美元。
我国外债主要是外国政府和国际金融组织提供的贷款。这部分资金具有贷款期限长、贷款利率低等优点，深受企业的欢迎。在实际运作中，该部分外债真正承贷及还贷的主体是国内企业。一旦企业出现偿债能力的问题，将不可避免地将其转嫁给国内金融机构和国家财政，从而影响国家总体外债安全。
如北京奥林匹克饭店、中德合资武汉长江啤酒有限公司等均是因本币大幅贬值造成企业无力偿还债务而倒闭的。总体而言，目前我国大多数企业对外币贷款的风险管理认识程度不够，对汇率风险的规避意识淡薄，相应的风险管理体系极不成熟，急切需要外债风险管理方面的理论指导与实务方面的经验。
二、现状考察
外债风险不仅从宏观上影响一个国家经济的稳定和信用，而且从微观上影响一个企业的生存与发展。
目前，我国外币贷款使用企业已经开始关注风险管理问题，并着手使用一些基本的衍生工具来管理外汇贷款风险。然而在实际中还存在各种各样的问题。
例如，债务风险管理意识淡薄，“重筹资，轻还贷”和“圈钱”思想盛行；国有企业体制性缺陷造成管理者缺少长远的规划或者具体操作的随意性；缺乏风险管理意识，不能准确把握汇率和利率市场变动情况、熟知各种金融工具应用的专业人才；缺乏合理的外债风险管理激励约束机制和相应的风险管理工具等等。
自2005年7月21日起，我国金融系统开始实行以市场供求为基础、参考一篮子货币进行调节、有管理的浮动汇率制度。人民币汇率不再盯住单一美元，形成更富弹性的人民币汇率机制。人民币汇率改革一年后，人民币兑换美元的汇率从8.27元人民币/美元上涨至接近8元人民币/美元，年变动幅度达到3.3%。
由于人民币兑换美元、欧元及日元等主要货币每年都发生较大幅度的变化，汇率风险已经成为我国企业外币贷款过程中值得高度重视的一个风险来源。
三、汇率风险
汇率风险主要是指由于企业经营收入货币与外债债务偿还支出货币的币种不匹配，在外债债务未清偿前，因汇率变动而产生偿债成本增加的风险。主要表现为收入货币贬值或支出货币升值导致借用外债单位的偿债成本上升。
目前我国企业外债汇率风险主要体现在两方面：
其一，汇率制度改革后人民币汇率市场化使得人民币汇率的波幅趋大趋频，整体汇率风险增加。人民币汇率制度改革直接后果就是较大幅度的升值。至2008年1月3日，人民币汇率已经达到7.27元人民币兑1美元，升值幅度达到12%。
同时，市场化后的人民币汇率更容易受到国际、国内多方面因素的影响，波动的频率、幅度将进一步扩大，不确定性进一步增加，从而使外债债务的整体汇率风险有所加大。
其二，日元和欧元债务潜在风险大。日元和欧元一直是汇率波动较频，波幅较大的币种，欧元从2002年至2006年7月，兑换美元波幅达到60%以上。如果持有这两种货币债务的单位而不对其日元和欧元债务进行风险管理，未来发生损失的可能性很大，并有可能超出债务单位所能承受范围，导致偿债危机，严重的将可能影响到企业的生存。
相对于固定汇率制度而言，浮动汇率制度下汇率的波动幅度要大得多，因此对外币贷款企业带来的风险也增加了许多。而目前外汇市场汇率波动的特点是汇率走向更加无序化，影响汇率变动的短期因素更加令人难以捉摸，凸显汇率风险管理的日益重要。
汇率风险一般包括本币、外币和时间三个因素。在企业偿还外币贷款过程中，均需要以本币兑换成所需偿还的外币，在规定的时间内进行本息的偿还。在这个确定的时间范围内，本币与外币的兑换比例可能发生变化，从而发生汇率风险。
外币贷款的时间结构对汇率风险的大小具有直接影响。时间越长，则在此期间汇率波动的可能性就越大，汇率风险相对就越小；时间越短，在此期间内汇率波动的可能性就越小，汇率风险相对就越小。我国企业在外币贷款偿还过程中，由于产生收益的是人民币，而需要偿还的贷款都为日元、美元、欧元等外币，因此，这是一种典型的“货币错配现象”，收益与债务的不匹配给外汇贷款债务人平添了一层汇率风险。
根据外汇风险的作用对象及表现形式，通常将汇率风险分为交易风险、经济风险、折算风险及国家风险。
将汇率风险进行分类，有利于确定风险管理应采用的最有效的方法。
对使用外币贷款的企业而言，其还债过程中所面临的汇率风险是具有双面性的。由于汇率未来变动的方向、时间以及规模的不确定性，汇率的波动既可能减小企业的偿债成本，也可能增加企业的偿债成本，使企业遭受损失。如果汇率的波动方向是不利的，企业的收入货币本币相对于所借外币贬值，则企业的外币借款成本上升，企业遭遇损失。反之，如果汇率的波动方向是有利的，企业的收入货币本币相对于所借外币升值，则企业的外币借款成本下降，企业获利。
四、风险计量
准确度量外债项目所面临的汇率风险是企业管理层进行风险决策的必要前提。企业在进行外汇债务风险计量时可采用情景分析、压力测试、敏感性分析和在险价值四种常用的方法。通过该四种计量方式计算，一般可以满足企业财务从不同角度和侧重对风险的认识和分析。
（一）情景分析
情景分析是当市场风险监控人员预测会发生影响市场的重大事件时，就多个风险因素建立较为全面的模拟环境，应用于当前的头寸，以测算可能发生的盈亏的一种风险管理手段。在外债风险管理中，企业根据专业金融机构对汇率和利率走势的分析判断，分析企业外债风险。
情景分析为管理层更好地应付市场变化提供了有利的信息，是一种策略分析技术，可用来评估在发生各种不同事件的情形下，对企业外债的影响。
进行情景分析的关键首先在于对情景的合理设定；其次是对设定情景进行深入细致的分析以及由此对事态在给定时间内可能发展的严重程度和投资组合因此而可能遭受的损失进行合理的预测；最后得出情景分析报告。
情景分析方法简单、直观，但存在对汇率和利率走势分析主观判断的成分较大的问题。
（二）压力测试
压力测试是指将整个金融机构或资产组合置于某一特定的极端市场情况之下测定债务风险程度的一种方法。
在压力测试中，由测试者主观决定其测试的市场变量及其变动幅度，变量变化的幅度可以被确定为任意的大小，而且测试者一旦确定了测试变量，就假设了测试变量与市场其他变量的相关性为零，不用再担心测试变量与其他市场变量之间的相关性。它不需要探究事件发生的可能性，不需要复杂的数学计算，所以比较适合债务风险的定性认识和一般流。
压力测试可以模拟市场任何因素的变动幅度，从而计算出企业外债的极限风险。
压力测试理论上并不复杂，但在实践中仍存在不少问题。
首先是市场变量相关性和测试变量的选择问题。压力测试的一个重要假设是所选测试变量与市场其他变量的相关性为零。因此，变量的选择要考虑其是否真正独立于其它变量，是否有必要将一组变量作为测试变量，或进行二维联合测试。
其次需要对分析的前提条件重新确认。进行压力测试，某一或某些市场因素的异常或极端的变化可能会使得风险分析的前提条件发生变化。某种在正常市场状态下有效运行的基本模型，在市场危机时可能也会失效。
每次压力测试只能说明事件的影响程度，却并不能说明事件发生的可能性。
与情景分析相比，压力测试只是对组合短期风险状况的一种衡量，可以说只是风险管理中一种战术性的方法，而情景分析则注重比较全面和长远的投资环境的变化，因而可以说是一种战略性的风险管理方法。
（三）敏感性分析
敏感性分析是指在保持其他条件不变的前提下，研究单个市场风险要素的变化可能会对外债偿还成本造成的影响，是应用最为广泛的方法。
敏感性分析首先需要风险管理者确定影响企业外债成本的主要变量；然后通过计算显示债务成本对各变量的敏感性。对于不同敏感程度的因素，企业可以采取不同的措施。
敏感性分析计算简单且便于理解，在市场风险分析中得到了广泛应用。该分析的局限性在于它只能判断出外债偿还成本对风险因素的敏感程度，但不能反映不确定因素发生可能性的大小以及在各种可能情况下对偿还成本的影响程度。因此，在使用敏感性分析时要注意其适用范围，实务分析中一般结合VaR进行分析。
（四）在险价值(ValueatRisk)
在险价值就是在一定的持有期和一定的置信区间内，一个投资组合最大的潜在损失是多少。VaR是一种利用概率论与数理统计来评价风险的方法，它可以使投资人既知道潜在损失的金额，又知道损失发生的可能性。
VaR风险衡量方法适用面较广，适用于综合衡量包括利率风险和汇率风险在内的各种市场风险。
在企业外债风险计算中多用历史交易资料模拟法，即根据历史的统计数据，计算出未来可能的汇率和利率分布，从而进一步计算债务风险暴露在一定概率范围内发生的最大损失。
历史模拟法是一种非参数方法，可以有效处理非对称和后尾问题，诸如非线性、市场大幅波动等情况，以便捕捉各种风险。但是，该方法计算出的VaR波动性较大，存在严重滞后而导致VaR的高估等风险。
虽然风险值评估法是公认的风险管理有效的计量工具，但也存在若干局限，主要体现在：
首先，该方法不能涵盖价格剧烈波动等突发性小概率事件，无法应对市场出现的极端情况，但往往正是这些事件给银行的安全造成最大的威胁。
其次，存在头寸规模的影响问题。在外债项目的VaR计算过程中，没有考虑头寸规模或大小对市场汇率和利率的报价的影响。但是实际情况中，不同规模的头寸在交易时价格是不同的。
一般而言，债权方可利用VaR模型进行风险测算和规避。而对于获取外币贷款的债务方，也可利用相关计量测试，分析该项目的风险得失，更为今后的财务策划提供实用的借鉴经验。
总体而言，各种风险计量的方法受到自身的条件影响，其应用范围、场合将受到一定的限制。
情景分析从更广泛的视野，更长远的时间范围来考察金融机构或投资组合的风险问题。这种具有战略高度的分析可以弥补VaR和压力测试只注重短期情况分析的不足。因此，情景分析应与VaR和压力测试结合起来，使得风险管理更加完善。
当单个模型的分析方法种类较多时，不同分析方法得到的结论也不尽相同。如在险价值分析中，可以采用历史分析法、蒙特卡罗模拟法等手段进行分析，得到不同的结果。究竟采用何种手段，该种手段风险分析的方法是否正确都是较难确定的问题。
五、结束语
由于我国对外币贷款风险管理的理论研究较晚，相应的管理体系不成熟、不健全。企业普遍存在金融风险管理的防范意识薄弱，缺乏相应的风险管理人才等问题。而在实际经营中，尤其在铁路、公路的外币贷款建设中，有些必须是通过将盈利所得的人民币兑换成相应的外币（美元、日元、欧元等），然后进行外债的偿还。在还债过程中，不可避免的，外币贷款的价值会因为相应货币汇率的波动而变化。因此，利用何种工具对面临的风险进行计量是企业经营中急需解决的首要问题。
通过对企业外币贷款的汇率风险的分析，笔者选择了四种风险计量方法，对可能存在的金融风险进行测算，为企业外币贷款金融风险管理提供了理论参考。
在具体实践中，笔者建议企业的管理者可以通过衡量企业自身抵抗风险的能力，选择相应的风险规避方式和手段，以更好地面对企业经营中的实际问题。
【参考文献】
[1]闫迄，杨丽.国际金融[M].北京：人民邮电出版社.
关键词：养老保险基金投资运营监管
一、我国养老保险基金迫切需要投资
养老问题是任何一个社会、任何一个人都无法回避的问题。基于养老的风险性和社会性，为保证人们退休后的生活水平，通常以养老保险的形式筹集养老保险基金，最终以养老金的形式返回到养老保险的受益人手中。因而，偿付能力的充足性是养老保险基金的根本问题，投资成为养老保险基金的迫切需要。
（一）巨额隐性债务问题需要解决。在我国现行的基本养老保险的“统账结合”筹集模式下，社会统筹账户由企业缴费；个人账户按照职工工资缴费比例建立。企业缴费率由各省政府自行确定，不超过企业工资总额的20%.但在实行该体制以前，已经退休的职工和在现收现付的旧体制下已经工作一定年限的在职职工，都没有时间或没有足够的时间为个人账户积累资金。这势必造成了目前基本养老保险收不抵支和个人账户“空账运行”的现象。据统计，在退休人员每年以6%的速度递增的情况下，全国养老保险基金缺口已经从1998年的100多亿元增加到2003年的400亿元左右。改革遗留下的隐性债务日益加剧。其中导致基金缺口的原因是：一是退休年龄偏低；二是待遇水平偏高。
（二）社会老龄化问题需要渐渐化解。在进入本世纪，我国60岁和65岁以上人口分别占到全部人口10%和7%，被认为是我国人口老龄化进入一个新阶段。据测算，我国老年人在2015年前后将高达2亿，在老龄化高峰时我国老年人将在4亿以上。然而，我国今天国民经济生产总值只占世界的3.8%，却要负担着世界20%的老人乃至1/4（25%）的老人。我国在职职工与退休职工的比例是：2000年为5：1.2001年为4.1：1；预测2020年为2.2：1，2030年下降为1.8：1.据预测，2030年左右我国退休高峰（60岁以上人口约占33500万，约占总人口的27%）来临时，退休费将占工资总额的36%，高出国际公认的26%的警戒线10个百分点。目前正不断扩大的老龄化危机，对存在缺口的养老保险基金来说是雪上加霜。
（三）需要投资扩充基金。基金的来源主要包括政府财政拨款、企业（雇主）缴费、职工（雇员）缴费和基金运营收入四个方面。为尽快充实社会保障基金，一方面要继续保持适度的财政支持，按照“中央社会保障支出占财政支出的比例要逐步达到15-20%”的要求，在确保中央财政当期支付缺口补助和做实个人账户补助的基础上，进一步增加财政投入，稳定国有股海外上市减持和彩票公益金收入，适时开征大额遗产、奢侈品及高档消费等特别税种，进一步充实社会保障基金；但是政府财政的主要来源是纳税人，每年用于补充养老保险基金的财政毕竟是有限的，否则抽空财政会影响到社会经济的发展。企业和职工的负担已经比较重，还有医疗、工伤等其他缴费，再加重企业负担已经不大可能。从理论上讲，通过缴费来扩充基金毕竟有空间的限制。在缴费比例、覆盖范围都饱和的情况下，缴费就不能再带来基金的增长。因此，长期的养老保险基金问题只能通过长期不断的投资来解决。
（四）基金管理方面存在的漏洞需要投资来化解。一方面，由于我国养老保险基金与财政密不可分的关系，造成了大量的养老保险基金流失，表现为基金挪用、隐瞒截留收入、福利奖金等非正常支出等等，这一现象近几年来随着监管力度的加大已有所控制。另一方面，因为征缴力度不足，基本养老保险的覆盖面近几年才扩展到私营经济、个体经济的从业人员和一些灵活就业人员。而片面追求覆盖面以应付眼前的基金支付还会造成基金管理行为的短期化，出现“优惠征收”、“打折征收”的现象，给以后的养老保险基金埋下巨大隐患。这使得养老保险基金的投资问题更加紧迫。
二、养老保险基金投资的风险分析
养老保险基金从形成到支付是一个非常复杂的系统，其中，投资是实现基金增长最核心的一环。巨额的养老保险基金投向资本市场，在追逐基金收益的同时，风险也为各方主体密切关注。养老保险基金理事会代表劳动与社会保障部，专门负责对养老保险基金的监督和日常风险管理，选择专业的养老保险基金运营机构，指导养老保险基金的投资战略和方针。投资管理人作为专业的投资机构，职能就是通过具体的投资战术的运用实现收益最大化和风险最小化。而政府部门出于社会安定的考虑，对投资的风险持非常谨慎的态度。对养老保险基金投资的所有风险进行有效管理，有赖于一个完善的投资监管体系，有赖于各个主体之间相互监督、相互制约的权利关系和职责安排。
三、对养老保险基金投资问题监管的几点建议
（一）以社保部门为核心，相关部门辅助进行基金运营的监管。我国养老保险基金的运作跨越了多个部门，社会保障部门直接负责基金的征收和发放，目前还有政府财政拨款对养老保险基金的补充，基金的投资由专业的基金管理公司操作，所有的基金都通过银行托管和流转，最后受益人从个人在银行的养老保险账户上取得养老金。这些部门通过委托管理联系在一起。因而，对整个基金运作的监管，应该是以社保部门为主，财政部、证监会、银监会各司其专职又相互协作。在这样的体系下，社会保障部门仍是养老保险基金投资监督的核心力量。其他部门专司本职，只在本部门职责范围内对养老保险基金进行监管。只要权责明晰，就可以保证监管的效率和成果。
（二）建立专门的养老保险基金投资监管机构。养老保险基金数额巨大且专业性强，而基金的投资也是非常讲究技术与专业的，需要有专门的机构来监管养老保险基金投资。可以建立专业的养老保险基金投资监管部门。而社会保障部门也可以把养老保险基金投资的管理任务独立出来，委托由社保部、企业和职工代表、专家组成的养老保险基金理事会管理。对养老保险基金投资的监管，养老保险基金理事会的管理内容应包括：（1）审核批准投资管理人、托管人的进入和退出理事会负责下的养老保险基金业务。（2）限制投资组合与投资比例，严格防范投资管理人的冒险行为。大多数国家的养老保险基金都投资于政府公债，而对投资于股票、债券、房地产等项目有严格限制。
基于养老保险基金的特性和我国资本市场的高风险性考虑，应该在证监会下独立设立养老保险基金投资监管司，专门行使证监会对养老保险基金投资的监管职能。其负责基金投资的具体行为包括：（1）与社保部门共同确定养老保险基金运营机构的基本资格，对基金公司高管的任职审核；（2）定期和不定期地对投资管理人进行常规检查；（3）接收基金公司的定期报告，对养老保险基金的投资风险评估；（4）协调养老保险基金与其他基金、其他证券的关系，首先保证养老保险基金的安全稳健和增长等等。托管银行根据法律赋予的权利和自身的角色特点，也能有效对基金投资运作进行监督，及时发现和报告投资管理人的异常交易或异常行为，督促投资管理人纠正违法违规行为。
关键词：养老保险基金投资监管
一、我国养老保险基金迫切需要投资
养老问题是任何一个社会、任何一个人都无法回避的问题。基于养老的风险性和社会性，为保证人们退休后的生活水平，通常以养老保险的形式筹集养老保险基金，最终以养老金的形式返回到养老保险的受益人手中。因而，偿付能力的充足性是养老保险基金的根本问题，投资成为养老保险基金的迫切需要。
1.巨额隐性债务问题需要解决。在我国现行的基本养老保险的“统账结合”筹集模式下，社会统筹账户由企业缴费；个人账户按照职工工资缴费比例建立。企业缴费率由各省政府自行确定，不超过企业工资总额的20%.但在实行该体制以前，已经退休的职工和在现收现付的旧体制下已经工作一定年限的在职职工，都没有时间或没有足够的时间为个人账户积累资金。这势必造成了目前基本养老保险收不抵支和个人账户“空账运行”的现象。据统计，在退休人员每年以6%的速度递增的情况下，全国养老保险基金缺口已经从1998年的100多亿元增加到2003年的400亿元左右。改革遗留下的隐性债务日益加剧。其中导致基金缺口的原因是：一是退休年龄偏低；二是待遇水平偏高。
2.社会老龄化问题需要渐渐化解。在进入本世纪，我国60岁和65岁以上人口分别占到全部人口10%和7%，被认为是我国人口老龄化进入一个新阶段。据测算，我国老年人在2015年前后将高达2亿，在老龄化高峰时我国老年人将在4亿以上。然而，我国今天国民经济生产总值只占世界的3.8%，却要负担着世界20%的老人乃至1/4（25%）的老人。我国在职职工与退休职工的比例是：2000年为5：1.2001年为4.1：1；预测2020年为2.2：1，2030年下降为1.8：1.据预测，2030年左右我国退休高峰（60岁以上人口约占33500万，约占总人口的27%）来临时，退休费将占工资总额的36%，高出国际公认的26%的警戒线10个百分点。目前正不断扩大的老龄化危机，对存在缺口的养老保险基金来说是雪上加霜。
3.需要投资扩充基金。基金的来源主要包括政府财政拨款、企业（雇主）缴费、职工（雇员）缴费和基金运营收入四个方面。为尽快充实社会保障基金，一方面要继续保持适度的财政支持，按照“中央社会保障支出占财政支出的比例要逐步达到15-20%”的要求，在确保中央财政当期支付缺口补助和做实个人账户补助的基础上，进一步增加财政投入，稳定国有股海外上市减持和彩票公益金收入，适时开征大额遗产、奢侈品及高档消费等特别税种，进一步充实社会保障基金；但是政府财政的主要来源是纳税人，每年用于补充养老保险基金的财政毕竟是有限的，否则抽空财政会影响到社会经济的发展。企业和职工的负担已经比较重，还有医疗、工伤等其他缴费，再加重企业负担已经不大可能。从理论上讲，通过缴费来扩充基金毕竟有空间的限制。在缴费比例、覆盖范围都饱和的情况下，缴费就不能再带来基金的增长。因此，长期的养老保险基金问题只能通过长期不断的投资来解决。
4.基金管理方面存在的漏洞需要投资来化解。一方面，由于我国养老保险基金与财政密不可分的关系，造成了大量的养老保险基金流失，表现为基金挪用、隐瞒截留收入、福利奖金等非正常支出等等，这一现象近几年来随着监管力度的加大已有所控制。另一方面，因为征缴力度不足，基本养老保险的覆盖面近几年才扩展到私营经济、个体经济的从业人员和一些灵活就业人员。而片面追求覆盖面以应付眼前的基金支付还会造成基金管理行为的短期化，出现“优惠征收”、“打折征收”的现象，给以后的养老保险基金埋下巨大隐患。这使得养老保险基金的投资问题更加紧迫。
二、养老保险基金投资的风险分析
养老保险基金从形成到支付是一个非常复杂的系统，其中，投资是实现基金增长最核心的一环。巨额的养老保险基金投向资本市场，在追逐基金收益的同时，风险也为各方主体密切关注。养老保险基金理事会代表劳动与社会保障部，专门负责对养老保险基金的监督和日常风险管理，选择专业的养老保险基金运营机构，指导养老保险基金的投资战略和方针。投资管理人作为专业的投资机构，职能就是通过具体的投资战术的运用实现收益最大化和风险最小化。而政府部门出于社会安定的考虑，对投资的风险持非常谨慎的态度。对养老保险基金投资的所有风险进行有效管理，有赖于一个完善的投资监管体系，有赖于各个主体之间相互监督、相互制约的权利关系和职责安排。
三、对养老保险基金投资问题监管的几点建议
1.以社保部门为核心，相关部门辅助进行基金运营的监管。我国养老保险基金的运作跨越了多个部门，社会保障部门直接负责基金的征收和发放，目前还有政府财政拨款对养老保险基金的补充，基金的投资由专业的基金管理公司操作，所有的基金都通过银行托管和流转，最后受益人从个人在银行的养老保险账户上取得养老金。这些部门通过委托管理联系在一起。因而，对整个基金运作的监管，应该是以社保部门为主，财政部、证监会、银监会各司其专职又相互协作。在这样的体系下，社会保障部门仍是养老保险基金投资监督的核心力量。其他部门专司本职，只在本部门职责范围内对养老保险基金进行监管。只要权责明晰，就可以保证监管的效率和成果。
2.建立专门的养老保险基金投资监管机构。养老保险基金数额巨大且专业性强，而基金的投资也是非常讲究技术与专业的，需要有专门的机构来监管养老保险基金投资。可以建立专业的养老保险基金投资监管部门。而社会保障部门也可以把养老保险基金投资的管理任务独立出来，委托由社保部、企业和职工代表、专家组成的养老保险基金理事会管理。对养老保险基金投资的监管，养老保险基金理事会的管理内容应包括：（1）审核批准投资管理人、托管人的进入和退出理事会负责下的养老保险基金业务。（2）限制投资组合与投资比例，严格防范投资管理人的冒险行为。大多数国家的养老保险基金都投资于政府公债，而对投资于股票、债券、房地产等项目有严格限制。
基于养老保险基金的特性和我国资本市场的高风险性考虑，应该在证监会下独立设立养老保险基金投资监管司，专门行使证监会对养老保险基金投资的监管职能。其负责基金投资的具体行为包括：（1）与社保部门共同确定养老保险基金运营机构的基本资格，对基金公司高管的任职审核；（2）定期和不定期地对投资管理人进行常规检查；（3）接收基金公司的定期报告，对养老保险基金的投资风险评估；（4）协调养老保险基金与其他基金、其他证券的关系，首先保证养老保险基金的安全稳健和增长等等。托管银行根据法律赋予的权利和自身的角色特点，也能有效对基金投资运作进行监督，及时发现和报告投资管理人的异常交易或异常行为，督促投资管理人纠正违法违规行为。
