證券公司融資融券業(yè)務(wù)風(fēng)險(xiǎn)控制研究

肖翔

[摘? ? 要] 本文以證券公司融資融券業(yè)務(wù)為背景，從定量的角度出發(fā)，研究和分析融資融券業(yè)務(wù)的風(fēng)險(xiǎn)控制問題。首先介紹融資融券業(yè)務(wù)的內(nèi)涵，其次將VAR方法應(yīng)用于該業(yè)務(wù)的風(fēng)險(xiǎn)控制，介紹了用歷史模擬法對服從正態(tài)分布的數(shù)據(jù)進(jìn)行處理的步驟以及建立AR（1）-Garch（1，1）模型處理非正態(tài)分布數(shù)據(jù)的方法，最后根據(jù)得到的數(shù)據(jù)處理結(jié)果進(jìn)行動(dòng)態(tài)保證金比例的設(shè)定。

[關(guān)鍵詞] 融資融券;風(fēng)險(xiǎn)控制;VAR方法;歷史模擬法;GARCH模型

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2018. 21. 049

[中圖分類號] F832.51? ? [文獻(xiàn)標(biāo)識碼]? A? ? ? [文章編號]? 1673 - 0194（2018）21- 0118- 03

0? ? ? 引? ? 言

融資融券業(yè)務(wù)是一種信用交易，是指券商把資金借給投資者供他買入上市證券或把證券借給投資者供他賣出，同時(shí)收取一定擔(dān)保物的經(jīng)營活動(dòng)。融資融券業(yè)務(wù)是把“雙刃劍”，由于融資融券特有的杠桿性、做空機(jī)制等特點(diǎn)，使得證券公司在開展此項(xiàng)業(yè)務(wù)時(shí)，除了享受到業(yè)務(wù)創(chuàng)新所帶來的收入外，還將面臨更大的風(fēng)險(xiǎn)。融資融券業(yè)務(wù)的開展有利于我國證券市場逐漸走向成熟，并有利于發(fā)揮出證券市場的融通資金、資產(chǎn)定價(jià)以及資本有效配置等基本職能。[1]

我國目前兩項(xiàng)交易均未正式開展，無論誰先誰后，賣空機(jī)制的引入均是證券市場發(fā)展的必然。[2]由此可見，證券公司對融資融券業(yè)務(wù)的風(fēng)險(xiǎn)控制更是勢在必行。因此研究證券公司融資融券業(yè)務(wù)的風(fēng)險(xiǎn)控制體系具有重要的現(xiàn)實(shí)意義。

1? ? ? 融資融券業(yè)務(wù)內(nèi)涵

融資融券交易是指證券金融機(jī)構(gòu)在投資者進(jìn)行證券交易時(shí)，以投資者提供的部分現(xiàn)金做保證或有價(jià)證券抵押為前提，為其代墊所需的其余現(xiàn)金或有價(jià)證券，幫助客戶完成證券交易的行為。[3]

融資交易是指當(dāng)投資者預(yù)計(jì)某證券價(jià)格上漲并想買入該證券時(shí)，通過融資融券交易方式，按照初始保證金的水平預(yù)交一部分價(jià)款，其余差額由券商墊付，同時(shí)買進(jìn)證券，當(dāng)證券價(jià)格上漲后，再高價(jià)賣出證券將所借價(jià)款還給券商，并從中賺取收益的交易方式。[4]

融券交易是指當(dāng)投資者預(yù)計(jì)證券價(jià)格下降時(shí)，借助信用交易方式，向券商交納一定的保證金后由券商墊付證券同時(shí)將證券出售，等價(jià)格下跌后，再低價(jià)買進(jìn)證券還給證券商，從中賺取差價(jià)收益的交易方式。[5]

2? ? ? 基于VAR方法的融資融券業(yè)務(wù)風(fēng)險(xiǎn)控制

VAR方法是一種對市場風(fēng)險(xiǎn)量化表示的風(fēng)險(xiǎn)價(jià)值模型。以長江證券的日收益率為研究對象，首先對其進(jìn)行正態(tài)檢驗(yàn)，運(yùn)用VAR歷史模擬法對服從正態(tài)分布的序列處理得到長江證券的日VaR值，并據(jù)此設(shè)定動(dòng)態(tài)保證金比例。引入GARCH模型來計(jì)算不服從正態(tài)分布的序列的日VaR值并完成動(dòng)態(tài)保證金比例的設(shè)定。

2.1? ?VAR的基本原理

VAR方法是于1993年被提出的常用于金融機(jī)構(gòu)的風(fēng)險(xiǎn)管理的風(fēng)險(xiǎn)價(jià)值模型。其含義指：在市場正常波動(dòng)下，某一金融資產(chǎn)或證券組合的最大可能損失。

VAR的公式可以表示為：

P（ΔpΔt≤VaR）=α? ? ? ? （1）

其中，P指事件發(fā)生的概率，ΔpΔt指在資產(chǎn)持有期內(nèi)的損失額度，α代表置信水平。

2.2? ? 單個(gè)融資融券標(biāo)的證券市場風(fēng)險(xiǎn)的評估

2.2.1? ?樣本數(shù)據(jù)的選擇與處理

本部分選取融資融券試點(diǎn)的標(biāo)的證券之一的長江證券（000783）來進(jìn)行實(shí)證分析。本文研究的是融資融券的日VaR值，按照規(guī)定，本文選定的觀察期為250天。選取2014年12月1日到2015年12月1日這232個(gè)交易日的數(shù)據(jù)作為樣本長度，觀察2015年12月2日到2016年12月8日這250個(gè)交易日的情況。

證券的收益率體現(xiàn)了證券的潛在風(fēng)險(xiǎn)，本文選取證券數(shù)據(jù)的幾何收益率作為數(shù)據(jù)處理的研究對象，它的計(jì)算公式如下：

其中R_t為證券在t日的幾何收益率，P_t為第t日的收盤價(jià)，P_t-1為上一日的收盤價(jià)。

2.2.2? ?數(shù)據(jù)分析

（1）正態(tài)性檢驗(yàn)。通過軟件Eviews 7.2對收益率序列數(shù)據(jù)進(jìn)行分析，得到的結(jié)果如圖1所示。正態(tài)分布的峰值為3，從圖1可知， P值為0.587 407，則接受原假設(shè)，樣本數(shù)據(jù)服從正態(tài)分布，因而可以用歷史模擬法進(jìn)行分析。

（2）歷史模擬模型是一種非參數(shù)法，只是通過回溯過去時(shí)間對當(dāng)前頭寸的重放，VaR歷史模擬模型需要考慮置信水平、持有期和觀察期等三個(gè)要素。[6]針對長江證券，應(yīng)用歷史模擬法求250個(gè)觀察日的日VaR值的步驟如下：

①將2015年12月2日設(shè)為觀察日，對其前面232個(gè)數(shù)據(jù)進(jìn)行升序排列。

②用232×（1-α），其中α為置信水平，本文選取95%，計(jì)算結(jié)果為11.6，四舍五入為12，因此在已按升序排列的數(shù)據(jù)表中選擇第12位作為觀察日2015年12月2日的VaR值。

③把2015年12月2日的收益率添加進(jìn)序列，重復(fù)①，②兩步，即可依次得到250個(gè)觀察日的日VaR值。

按照歷史模擬法得出的2015年12月2日的日VaR值為-0.094 48，如果長江證券擁有的資金數(shù)量為1 000萬元，則此數(shù)值表示，有95%的概率可以保證，長江證券在2015年12月2日的損失不會超過94.5萬元。損失相對較大，所以長江證券的市場風(fēng)險(xiǎn)問題不容小覷，對其風(fēng)險(xiǎn)的控制勢在必行。

2.2.3? ?返回檢驗(yàn)

對由歷史模擬法得出的日VaR值進(jìn)行返回檢驗(yàn)可以使結(jié)果更加準(zhǔn)確，本部分利用Kupiec提出的LR檢驗(yàn)即似然比率檢驗(yàn)，若LR>3.841，則不能通過檢驗(yàn)。

其中，N指檢驗(yàn)失敗的次數(shù)，T是選定的觀察期天數(shù)，P是指失敗率。

當(dāng)置信水平為95%，觀察期為250天時(shí)，Kupiec的失敗次數(shù)區(qū)間為[6，20]，如果N≥20，說明VaR值相對于正常值較低，不能準(zhǔn)確估計(jì)出發(fā)生最大損失的概率，若N≤6，說明大部分的對數(shù)收益率是大于VaR值的，此模型較平穩(wěn)。

依據(jù)以上理論，對長江證券數(shù)據(jù)進(jìn)行分析處理得到在置信水平為95%，觀察期為250天的條件下，失敗次數(shù)為12次，失敗率為4.8%，將此數(shù)據(jù)代入LR計(jì)算公式得到LR的值為0.021 3<3.841，因此不能拒絕初始假設(shè)，實(shí)驗(yàn)結(jié)果通過檢驗(yàn)。

2.2.4? ?利用VaR實(shí)現(xiàn)標(biāo)的證券保證金比例設(shè)定

保證金比例是調(diào)整融資融券交易規(guī)模的重要手段，用于控制投資者初始資金的放大倍數(shù)。[7]保證金比例與市場風(fēng)險(xiǎn)息息相關(guān)，為了有效控制市場風(fēng)險(xiǎn)，各證券公司必須合理設(shè)定證券保證金比例。

基于融資融券市場風(fēng)險(xiǎn)的動(dòng)態(tài)保證金設(shè)置是以動(dòng)態(tài)的市場風(fēng)險(xiǎn)VaR值為基礎(chǔ)，選取最近一年或者一個(gè)季度中最大的日VaR絕對值，并把它作為未來一定時(shí)期內(nèi)動(dòng)態(tài)保證金設(shè)置的基礎(chǔ)。[8]應(yīng)用歷史模擬法得到觀察期250天的日VaR值，選取觀察期內(nèi)日VaR值的絕對值最大的VaR值作為證券保證金比例，結(jié)合長江證券從2015年12月2日到2016年12月8日這段為期250天的觀察期的日VaR數(shù)據(jù)，得到VaR絕對值的最大值為0.094 48，則證券保證金比例設(shè)為9.45%。

2.2.5? ?對于非正態(tài)分布的收益率序列日VaR值求取方法

歷史模擬法要求收益率數(shù)據(jù)服從正態(tài)分布，然而，大部分的對數(shù)收益率序列并不服從正態(tài)分布，對此類序列的數(shù)據(jù)處理，歷史模擬法不再適用，本小節(jié)選取中信證券2017年5月2日到2018年5月2日這245個(gè)交易日的收益率為樣本數(shù)據(jù)，利用Eviews7.2軟件，對其建立AR（1）-GARCH（1，1）模型，通過求得每日的日VaR值，隨后根據(jù)求得的日VaR值對標(biāo)的證券保證金比例進(jìn)行設(shè)定。

（1）數(shù)據(jù)正態(tài)性分析。從圖中可以看出，收益率序列的J-B檢驗(yàn)的值為441.761 8，P值為0，拒絕原假設(shè)，序列不滿足正態(tài)分布。下面將利用Eviews7.2軟件，對其建立AR（1）-GARCH（1，1）模型，從而求得每日的日VaR值，隨后根據(jù)這些日VaR值對標(biāo)的證券保證金比例進(jìn)行設(shè)定。

（2）收益率序列的平穩(wěn)性檢驗(yàn)及條件異方差檢驗(yàn)。

由圖3可以發(fā)現(xiàn)，在顯著性水平為1%的情況下，ADF統(tǒng)計(jì)量為-7.276 902<-3.457 515，拒絕原假設(shè)，因此序列具有平穩(wěn)性。

GARCH（1，1）中的（1，1）是指階數(shù)為1的GARCH項(xiàng)，和階數(shù)為1的ARCH項(xiàng)，AR（1）-GARCH（1，1）就是用一階的AR模型作為均值方程。

圖4顯示已在Eviews 7.2中根據(jù)中信收益率序列建立了AR（1）-GARCH（1，1）模型，回歸結(jié)果如圖5所示，三個(gè)自變量均通過了檢驗(yàn)。

然后對殘差序列進(jìn)行條件異方差檢驗(yàn)，生成殘差序列后，用White檢驗(yàn)方法來判斷殘差序列是否存在條件異方差，結(jié)果如圖5所示，P值均為0，可以發(fā)現(xiàn)殘差序列存在條件異方差。

（3）計(jì)算日VaR值。通過圖4可以得到GARCH模型的方差方程為：

根據(jù)VaR的計(jì)算公式VaR=tασtv0。本文取t分布自由度為6，置信水平為99%，則t0.95=1.943，在計(jì)算相對VaR時(shí)，v0可以取為1，在Eviews 7.2中，可以生成方差序列，將這些已知量代入公式，即可得到每日的日VaR值。

將中信證券245個(gè)交易日的日收益率與日VaR值相比較，日收益率小于VaR下限的個(gè)數(shù)為4個(gè)，風(fēng)險(xiǎn)可控概率為98.4%，大于置信水平95%;大于VaR值上限的個(gè)數(shù)為9個(gè)，風(fēng)險(xiǎn)可控概率為96.3%，大于置信水平95%。因此，基于此設(shè)定保證金比例非常合理。

（4）設(shè)定融資融券保證金比例。由結(jié)果可知，2018年2月12日，中信證券的日VaR值為-8.1%，其意義為，客戶在進(jìn)行融資時(shí)，未來一天即2018年2月13日，市場價(jià)格向下波動(dòng)的最大比例為當(dāng)前價(jià)格的8.1%，融券時(shí)，未來一天的市場價(jià)格向上波動(dòng)最大比例為當(dāng)前價(jià)格的8.1%。則中信證券當(dāng)天融資融券賬戶保證金比例最低設(shè)定為8.1%+α，其中α由券商根據(jù)交易所及公司業(yè)務(wù)管理和風(fēng)險(xiǎn)控制的要求設(shè)定。

3? ? ? 結(jié)? ? 語

VAR方法能夠全面評估融資融券標(biāo)的證券及資產(chǎn)組合的市場風(fēng)險(xiǎn)，也能夠衡量投資組合內(nèi)的各個(gè)標(biāo)的證券的風(fēng)險(xiǎn)貢獻(xiàn)。VAR方法具有的種種優(yōu)點(diǎn)使其被廣泛應(yīng)用于風(fēng)險(xiǎn)的評估。利用日VaR值進(jìn)行動(dòng)態(tài)保證金比例的設(shè)定是VAR方法的重要應(yīng)用。在此基礎(chǔ)上，對具有不同統(tǒng)計(jì)特征的數(shù)據(jù)進(jìn)行不一樣的處理模式極大地提高了該方法的準(zhǔn)確性。

主要參考文獻(xiàn)

[1]周生輝. 國元證券融資融券業(yè)務(wù)的風(fēng)險(xiǎn)控制研究[D].蚌埠：安徽財(cái)經(jīng)大學(xué)，2015.

[2]楊曉霞.發(fā)展我國融資融券業(yè)務(wù)的可行性研究[D].廣州：暨南大學(xué)，2007.

[3]聞華.我國證券公司融資融券業(yè)務(wù)風(fēng)險(xiǎn)控制研究[D].桂林：桂林理工大學(xué)，2010.

[4]皖君.融資融券[M].北京：中國科學(xué)技術(shù)出版社，2008.

[5]李進(jìn)安.證券公司風(fēng)險(xiǎn)管理研究[D].南京：南京農(nóng)業(yè)大學(xué)，2005.

[6]王淑梅，秦記者，郭旗.基于VAR歷史模擬模型的融資融券市場風(fēng)險(xiǎn)衡量研究[J].時(shí)代金融，2013（14）：62.

[7]羅銀銀.我國證券公司融資融券業(yè)務(wù)的風(fēng)險(xiǎn)控制研究[D].株洲：湖南工業(yè)大學(xué)，2013.

[8]郭旗. 基于VaR的證券公司融資融券市場風(fēng)險(xiǎn)評估及防范[D].沈陽：沈陽大學(xué)，2012.