基于Copula的商業(yè)銀行信用—匯率風險整合的實證研究

王宗潤 肖紅艷 周艷菊

一 、引言

對多種風險進行綜合的度量和管理是現(xiàn)代銀行業(yè)全面風險管理的重要內(nèi)容，然而風險的交叉作用和異質(zhì)性特征給風險的全面量化管理帶來困難，通過引入Copula函數(shù)度量商業(yè)銀行的整合風險的方法就應(yīng)運而生了。Copula是連接多元分布函數(shù)和單變量邊緣分布函數(shù)的函數(shù)，它的出現(xiàn)不僅將風險分析和多變量時間序列分析推向了一個新階段，而且使得金融風險度量方法有了新的突破，即Copula可測度非橢球分布形分布(有極端事件函數(shù)的分布)的風險，也可以準確地描述多變量分布的相關(guān)性。Copula函數(shù)運用于整合風險度量有兩個優(yōu)勢：1）利用連接函數(shù)能夠有效地解決整合風險管理中不同類型風險的聯(lián)合分布建模;2)利用連接函數(shù)方法更容易通過Monte-Carlo模擬方法計算整合收益率的VaR;和CVaR值。

Embrechts（1999）首次將 Copula理論引入金融領(lǐng)域，探討了在金融市場中采用線性相關(guān)指標度量相依性的局限性，建議采用Copula來估計隨機變量間的聯(lián)合分布，在研究思想上對Copula的應(yīng)用前景做了很好的展望；Nelson（1999）系統(tǒng)總結(jié)了這一起先源于統(tǒng)計學(xué)而后被逐漸應(yīng)用于金融風險管理領(lǐng)域的主要研究成果，包括Copula的基本性質(zhì)，Copula在相關(guān)性研究、風險測度以及多變量聯(lián)合分布構(gòu)建中的應(yīng)用等。Bouye（2000）探討了Copula函數(shù)在資產(chǎn)組合市場風險、信用風險、操作風險以及極端情況中的應(yīng)用。Kuritzkes等（2003）在聯(lián)合分布服從正態(tài)分布的一系列假設(shè)下，對整體風險進行研究表明其較之邊緣分布的簡單加總有明顯的差異。Rosenberg J.V.等（2006）使用正態(tài)Copula和Student t copula對商業(yè)銀行的三種風險（信用風險、市場風險和操作風險）進行了整合，并對美國商業(yè)銀行的整體風險水平進行了度量。在國內(nèi)，張堯庭（2002）最早介紹Copula方法，并說明了Copula函數(shù)能夠描述金融變量之間的相依關(guān)系。張明恒（2004）研究了多金融資產(chǎn)風險價值的Copula計量模型和計算方法。吳振翔等（2006）使用Copula-GARCH模型對投資組合的風險進行分析。李平、馬婷婷(2008)采用Clayton Copula函數(shù)對商業(yè)銀行市場風險和信用風險進行整合，然后根據(jù)投資組合VaR的計算方法，再與操作風險進行整合，得到三種風險的整體VaR。侯成琪、王頻（2008） 比較分析了 Copula-VaR與 Hybrid-VaR、Normal-VaR和Additive-VaR等幾種常用的風險度量方法后發(fā)現(xiàn)，Normal-VaR和Additive-VaR存在高估風險的傾向，而Copula-VaR能夠有效解決集成風險管理中聯(lián)合損失分布函數(shù)的構(gòu)建問題并能通過蒙特卡洛模擬較為便捷的計算整合收益率的VaR值。余孝軍（2009）選取易于計算的橢球族Copula結(jié)合不同的邊緣分布假設(shè)來構(gòu)建10支銀行股票構(gòu)成的組合的聯(lián)合分布，計算出對應(yīng)的VaR和CVaR。眾多學(xué)者對Copula函數(shù)進行了廣泛的探索，其應(yīng)用已經(jīng)涵蓋了相關(guān)性分析、期權(quán)定價、投資組合管理、風險管理等眾多領(lǐng)域，其中在風險管理中的應(yīng)用尤為廣泛，分別在VaR方法、極值理論、時間序列分析、信用風險分析、銀行整體風險分析中取得了長足的發(fā)展。

以上的研究對應(yīng)用Copula函數(shù)度量整合風險做出了有益的探索，但是整合風險的類型有局限。劉京軍 首次利用期權(quán)方法研究了匯率風險和信用風險的相關(guān)性，表明信用利差是匯率波動率的增函數(shù)，匯率初始值的減函數(shù)，研究發(fā)現(xiàn)：通過模擬分析和實證分析匯率變化對信用利差和違約概率的影響得出結(jié)論：匯率波動不僅僅使企業(yè)的融資成本增加，而且商業(yè)銀行可能面臨因匯率變化導(dǎo)致信用風險問題，遺憾的是，他并未對兩類風險的量化與集成展開深入研究。另一方面，長期以來，銀行都是將信用與匯率風險單獨加以控制和管理，然而大量的實踐表明信用風險和匯率風險常常是夾雜在一起共同影響銀行經(jīng)營的。

從Copula的實際運用來看，關(guān)鍵是要尋找一個恰當?shù)姆植紒頂M合樣本數(shù)據(jù)的邊際分布，對于如何確定邊際分布的類型，不少文獻的研究通常是在邊際分布服從一系列的理論分布的前提下進行的。在運用Copula函數(shù)對風險進行整合的過程中，邊緣分布的估計是至關(guān)重要的一步，它是正確的選擇Copula函數(shù)，對風險進行正確整合的前提。因此，本文主要從實際運用的角度出發(fā)，以更符合實際的經(jīng)驗累積分布擬合三家銀行信用風險和匯率風險的邊緣分布，在不同族類、不同種類Copula函數(shù)中選優(yōu)對深圳發(fā)展銀行、上海浦東發(fā)展銀行、中國民生銀行信用收益率和匯率收益率風險進行整合度量研究，求出整合風險的VaR值和CVaR值，并對三家銀行的整合風險水平進行比較分析。

本文結(jié)構(gòu)安排如下：第一部分介紹Copula函數(shù)的定義和性質(zhì)；第二部分闡述Copula函數(shù)的參數(shù)估計方法；第三部分介紹最優(yōu)Copula函數(shù)的選擇方法；第四部分以深圳發(fā)展銀行、上海浦東發(fā)展銀行、中國民生銀行為研究對象進行實證分析；第五部分是結(jié)論。

二、幾種基本的Copula函數(shù)及其性質(zhì)

Copula函數(shù)成員廣泛，金融分析中常用的主要有兩大類，下面以二維情況為例，對它們分別進行介紹：

1.兩類Copula函數(shù)族

（1）Elliptical Copula函數(shù)族

（2）Archimedean Copula函數(shù)族

2.Copula函數(shù)的特點和適用范圍

上述五種Copula函數(shù)的分布特征表現(xiàn)出多樣的形態(tài)，表1對五種Copula函數(shù)各自的特點和適用范圍進行了總結(jié)。

表1 Copula函數(shù)的特點和適用范圍

三、Copula函數(shù)的參數(shù)估計方法

估計備選的五種不同的Copula函數(shù)參數(shù)采用不同的方法。

對于Elliptical Copula函數(shù)族中的Normal-Copula采用秩相關(guān)系數(shù)來估計參數(shù) ，兩者的關(guān)系可由ρ＝sin（π/2τ）表示。其中τ為Kendall秩相關(guān)系數(shù)。對于t-Copula函數(shù)，本文采用偽極大似然估計法，該過程該過程用Matlab 2008a軟件實現(xiàn)。

對于Archimedean Copula函數(shù)族中的參數(shù)估計，根據(jù)秩相關(guān)系數(shù)來估計。

表2 Archimedean Copulas的一些相關(guān)性測度

分析表2，由于某些Copula函數(shù)的Spearman’ρ沒有具體的表達形式，我們采用Kendall’τ來估計其參數(shù)。

四、最優(yōu)Copula函數(shù)的選擇方法及相應(yīng)的風險測度指標

通過比較判斷不同族類、不同種類Copula函數(shù)與經(jīng)驗Copula函數(shù)之間的擬合優(yōu)度。對于擬合優(yōu)度的判斷方法，采用圖像法，圖像法主要通過QQ圖（分位數(shù)圖）來觀察通過不同Copula函數(shù)得出的分布值與經(jīng)驗Copula函數(shù)的距離，如果兩者的擬合程度較高，則QQ圖上兩者都將重合于45°直線上，如果無法精確細致地觀察多種Copula函數(shù)擬合結(jié)果的差別，我們采用Kolmogorov-Smirnov（K-S）檢驗來計算估計的Copula函數(shù)與經(jīng)驗分布函數(shù)之間的最大距離，從而計算出相應(yīng)的P值，P值越大擬合的效果就越好。

五、實證分析

1.數(shù)據(jù)選取

信用風險產(chǎn)生于資金的提供者及使用者的已簽合約或者是一種或有合約的交易過程中，是金融市場上最為古老、最為基本的一類風險。它是指在金融交易中交易對手違約或信用品質(zhì)潛在變化而導(dǎo)致發(fā)生損失的可能性。對于信用風險的度量，國內(nèi)的相關(guān)研究多是從上市公司角度進行的財務(wù)預(yù)警研究。雖然 KMV模型相對于我國目前商業(yè)銀行信用風險度量技術(shù)具有較大的優(yōu)越性，但該模型對資產(chǎn)收益的正態(tài)性假設(shè)與我國證券市場資產(chǎn)價格的非正態(tài)性之間存在矛盾，并且在我國完全應(yīng)用KMV模型還存在一定的困難，如歷史違約數(shù)據(jù)缺乏、數(shù)據(jù)失信，在有關(guān)公司的歷史違約數(shù)據(jù)嚴重缺乏時，我們很難把DD（違約距離）轉(zhuǎn)換成DF(違約概率)。由于資料的可獲得性差，并考慮到銀行面臨的信用風險主要來自貸款業(yè)務(wù)，所以在進行信用風險度量時，本文借鑒侯成琪、王頻（2008）的做法，以2003年第一季度到2009年第三季度的深圳發(fā)展銀行、上海浦東發(fā)展銀行、中國民生銀行財務(wù)報表中的數(shù)據(jù)為原始數(shù)據(jù)，將利潤表中的“利息收入”除以資產(chǎn)負債表中“貸款總額”得到與信用風險相關(guān)的業(yè)務(wù)的收益率即信用收益率 。由于風險整合時的交易數(shù)據(jù)需相匹配，所以采用最具有代表性的人民幣對美元匯率，選取的時間段為2003年第一季度到2009年第三季度，將每個季度最后一天的匯率作為整個季度的匯率的中間價。

2.數(shù)據(jù)的正態(tài)分布檢驗

因篇幅所限，本文僅列出深圳發(fā)展銀行信用收益率和匯率收益率的正態(tài)分布擬合圖，如圖1、圖2所示。

圖1 信用收益率的正態(tài)分布擬合圖

圖2 匯率收益率的正態(tài)分布擬合圖

從上圖可以看出：樣本數(shù)據(jù)均不服從正態(tài)分布。

3.整合風險的度量

在運用Copula函數(shù)對風險進行整合的過程中，邊緣分布的估計是至關(guān)重要的，它是正確選擇Copula函數(shù)并實施風險整合的前提。以往文獻常用Beta分布和t分布來擬合信用收益率，但單樣本的Kolmogorov-Smirnov檢驗表明，其并不服從Beta分布和t分布。鑒于此，本文直接采用能更好擬合實際分布的經(jīng)驗累積分布來擬合三家銀行的信用收益率及匯率收益率邊緣分布。

邊緣分布函數(shù)確定以后，我們采用文中第二部分介紹的參數(shù)估計方法求得各種Copula函數(shù)的參數(shù)，見表3。

我們用QQ分位數(shù)圖3（以深圳發(fā)展銀行為例）來考察擬合程度：

圖3 五種Copula函數(shù)和經(jīng)驗Copula的QQ分位數(shù)圖

從圖3可以看出，Elliptical Copula函數(shù)族對樣本數(shù)據(jù)的擬合程度欠佳，而Archimedean Copula函數(shù)族對數(shù)據(jù)的擬合程度較高，所以本文采用Gumbel Copula函數(shù)對深圳發(fā)展銀行的信用－匯率風險進行整合。

表3 各種的Copula函數(shù)的參數(shù)值

由于QQ分位數(shù)圖對深圳發(fā)展銀行的擬合程度考察差別不明顯，所以上海浦東發(fā)展銀行和中國民生銀行本文采用K-S檢驗的方法對幾種Copula函數(shù)的擬合程度進行考察，結(jié)果如表4所示。

表4 各種的Copula函數(shù)的參數(shù)值

對表4中K-S檢驗的P值進行分析可知，用Gumbel Copula函數(shù)來擬合浦發(fā)銀行的收益率序列、用Clayton Copula來擬合民生銀行的收益率序列能得到較為精確地結(jié)果，因為在這兩種情況的P值都能超過相應(yīng)的置信水平（0.1，0.05，0.01），并且P值都非常大。利用蒙特卡洛模擬計算產(chǎn)生相應(yīng)的VaR值和CVaR值。具體的過程如下：

（1）生成服從[0，1]上均勻分布的隨機數(shù)μ；

（2）生成分布函數(shù)為信用收益率的條件邊際連接函數(shù)的隨機數(shù) ，這樣可以保證兩組隨機數(shù)之間的相關(guān)結(jié)構(gòu)可以用Copula函數(shù)來描述；

（3）對隨機數(shù)μ進行函數(shù)變換，得到邊際分布為信用收益率邊際分布的隨機數(shù)；

（4）對隨機數(shù)ν進行函數(shù)變換，得到邊際分布為匯率日對數(shù)收益率邊際分布的隨機數(shù)；

（5）通過r=0.5μ+0.5ν得到整合收益率的隨機數(shù)；

（6）計算整合收益率的VaR值和CVaR值。

通過分別模擬500、1000、5000次，發(fā)現(xiàn)當模擬次數(shù)為5000時，計算的VaR和CVaR值較收斂，

按照以上步驟，我們計算出不同置信度（0.01,0.05,0.1）下Copula函數(shù)的風險值，結(jié)果如表5所示。

表5 三家銀行信用-匯率風險的VaR值和CVaR值

分析表5中的數(shù)據(jù)，有如下結(jié)果：

1）三家銀行的風險水平都不是很大，例如深圳發(fā)展銀行在置信度為99%的情況下的信用收益率和匯率收益率的整合風險水平為0.1073%，其期望損失為0.1639%。

2）對三家銀行的風險水平進行比較，可知深圳發(fā)展銀行的風險水平稍大，浦東發(fā)展銀行的次之，中國民生銀行的風險水平相對較小，但三者之間的差別并不大。

3）以整合的結(jié)果作為指導(dǎo)，引導(dǎo)決策者考慮信用風險和匯率風險的相關(guān)性，可以避免存在過多的風險準備金，提高資金的利用率，使銀行獲得更大的收益。

六、結(jié)論

本文對深圳發(fā)展銀行、上海浦東發(fā)展銀行、中國民生銀行的信用-匯率風險進行了度量，在考慮信用風險和匯率風險相關(guān)性的基礎(chǔ)上，采用能更好擬合實際數(shù)據(jù)的經(jīng)驗累積分布函數(shù)對邊緣分布進行擬合，通過選取最優(yōu)Copula函數(shù)對兩者的整合風險進行度量，得到了信用-匯率風險的VaR值和CVaR值，并對三家銀行的風險水平進行了比較，發(fā)現(xiàn)深圳發(fā)展銀行的風險水平稍大，浦東發(fā)展銀行的次之，中國民生銀行的風險水平相對較小，但三者之間的差別并不大。決策者可以根據(jù)整合的結(jié)果在整體層面上掌握風險水平，決定信用-匯率風險的風險資本，在有效避免存在過多準備金的同時，又防止了因準備金不足帶來的損失,有利于風險監(jiān)管者對整合風險進行分散和監(jiān)管。

［1］Embrechets p.,Mcneil A.J.,Straumann D..Correlations:pitfalls and alternatives[J].Risk,1999,12:69-71.

［2］Nelson.R.B.An introduction to Copulas[M].Springer.New York,1999

［3］Bouye,E.,V.duurrleman,A.Nikeghbali,G.riboulet and T.Roncalli.Copulas for finance a reading guide and some applications.Working paper,Credit Lyonnais,2000

［4］Kuritkes A.Schuermann T.Weiner S.W.risk management and capital adequacy of financial conglomerates[J].Risk measurement,Papers in Financial Services,2003,141-194

［5］Rosenberg Johua V.,Til Schuermann.Ageneral approach to integrated risk management with skewed,fat-tailed risks[J].Journal of Financial Economics.2006(79):569-614

［6］張堯庭.連接函數(shù)copula技術(shù)與金融風險分析[J]:統(tǒng)計研究.2002(4):48-51

［7］張堯庭.我們應(yīng)該選用什么樣的相關(guān)性指標[J].統(tǒng)計研究.2002(9):41-44

［8］張明恒.多金融資產(chǎn)風險價值的Copula計量方法研究[J].數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究.2004，(4)，67-70

［9］吳振翔，陳敏，葉五一，等.基于Copula-Garch的投資組合風險分析[J].系統(tǒng)工程理論與實踐,2006,26(3):45-52

［10］李平，馬婷婷.基于Copula的我國商業(yè)銀行整體風險度量.[J].管理科學(xué).2008(6)

［11］侯成琪,王頻.基于連接函數(shù)的整合風險度量研究[J].統(tǒng)計研究.2008(11),72-80

［12］余孝軍.Copula理論在商業(yè)銀行風險管理中的應(yīng)用[J].貴州財經(jīng)學(xué)院學(xué)報.2009(1),64-68