VAR模型环境污染（精选8篇）
VAR模型环境污染 第1篇
近年来,中国经济的绿色、可持续发展备受关注。2015年10月26日—29日,以习近平为总书记的党中央在党的十八届五中全会上明确提出创新、协调、绿色、开放、共享的“五大发展理念”。“五大发展理念”是对我国经济社会发展实践的理论总结,在“十三五”时期,“五大发展理念”将会成为引领经济发展的指导思想。在“五大发展理念”下,正确处理好经济增长与环境的关系,成为迫切而又现实的问题。2015年11月10日,习近平总书记在中央财经领导小组第十一次会议上,首次提出了“供给侧结构性改革”的概念。这项改革的任务是“去产能、去库存、去杠杆、降成本、补短板”,涉及各个地区与行业的发展,并对经济的绿色发展提出了新的要求。
在“五大发展理念”和“供给侧结构性改革”这一背景下,山东省积极抓住机遇,并结合自身的实际情况,于2016年3月出台了《山东省2016年国民经济和社会发展计划》。计划中提出牢固树立和贯彻落实创新、协调、绿色、开放、共享发展理念,适应经济发展新常态,并着力加强生态环境建设,突出绿色低碳循环,推动生态山东建设。近年来,山东省一直致力于发展循环经济、节能经济和低碳经济。但是山东是传统的工业大省,在发展经济的同时保证生态环境的有效治理还存在一定的难度。因此,十分有必要对山东经济的发展与环境污染的关系进行研究,并通过建立的计量模型预测出未来5年的发展趋势,根据研究结果为山东省经济的绿色发展提出合理的建议。
2 数据选取与模型简介
2.1 数据与指标选取
文章所使用的数据来自《山东省统计年鉴2015》,共有4个时间序列变量,分别是1981年到2014年的人均GDP(单位:元)、工业废水排放量(单位:万吨)、二氧化硫排放量(单位:万吨)、工业固体废物产生量(单位:万吨)。其中用来衡量经济增长的指标为人均GDP;用来衡量环境污染的指标为工业废水排放量、二氧化硫排放量、工业固体废物产生量。“相关变量”的定义与简称如表1所示。
2.2 模型简介
VAR模型是Christopher Sims于1980年提出的向量自回归模型(Vector Autoregressive Model)。该模型是基于数据的统计性质建立起来的,VAR模型把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型,从而将将单单变变量量自自回回归归模模型型推推广广到到由由多多元元时时间间序序列列变变量量组组成的“向量”自回归模型。
VAR模型可以表述为:
式中,yt为K×1的内生变量;系数矩阵A1,…,Ap为K×K;Dt是D维的外生变量;C为K×D维的待估系数矩阵;P是滞后的阶数;εt是K维的扰动项,并且εt~iid(0,Σ),其中Σ为εt的协方差矩阵。εt还需满足:E(εt)=0;E(εtεt')=Σ;E(εtε't-k)=0。
3 实证分析
3.1 经济增长与环境污染的描述性分析
山东省属于我国的经济大省,改革开放近40年来,山东省的经济一直处于平稳较快的发展。2015年,山东省的GDP为63002.3亿元,首次迈入6万亿元大关,较2014年增长了8%,全国排名第三,仅次于广东省和江苏省。1981年山东省的人均GDP为472元,经过30多年的增长,2014年增加到了60879元,具体增长变化如图1所示。从产业结构来看,从1981年到2014年,第一产业在GDP中所占的比重不断下降,第三产业比重不断上升。而第二产业在GDP中所占的比重基本上处于领先地位,只有1983年略微低于第一产业所占的比重。2014年山东省三大产业的比例为8.1∶48.4∶43.5,说明山东省的产业结构一直处于优化升级中。
山东省经济的快速增长也带来了一定的环境问题,从1981年到2014年主要的污染物排放量整体上都处于上升的趋势,如图2所示。其中工业废水排放量从1981年的87673万吨一直增长到2010年的208257万吨,之后出现缓慢的下降,2014年下降到了180022万吨,这应该与“十二五”时期山东省一直致力于发展循环经济、节能经济和低碳经济有关。二氧化硫的排放量整体上处于先平稳地上升后缓慢下降的趋势,先由1981年的119万吨上升到1997年的247万吨,之后缓慢下降到2014年的159万吨。工业固体废物产生量与工业废水排放量类似,先由1981年的2522万吨上升到2011年的19533万吨,之后出现缓慢下降。
3.2 单位根检验
VAR模型预测的可靠性依赖于变量的平稳性,如果变量为非平稳的时间序列,则需要对变量进行差分将其变成平稳变量。为了使变量更容易平稳,我们将原变量进行取对数处理。用ADF单位根检验方法对变量lnagdp、lninwater、lnSO2、lninsolid、dlnagdp、dlninwater、dln SO2、dlninsolid进行平稳性检验,检验形式为每个变量均加入了截距项和时间趋势项,检验结果如表2所示。
由检验结果可以看出,变量lnagdp、lninwater、ln SO2、lninsolid均为非平稳序列,但是进行一次差分后均转换成为平稳的。因此变量lnagdp、lninwater、ln SO2、lninsolid均有1个单位根,都是1阶单整的I(1)。可以初步判断,变量lnagdp、lninwater、ln SO2、lninsolid两两之间可能是协整的,它们之间可能存在着长期关系,下面对变量lnagdp、lninwater、ln SO2、lninsolid进行E-G协整检验。
3.3 E-G协整检验
如果若干时间序列的线性组合的单整阶数小于其成分的单整阶数,则称这些序列存在协整。协整意味着向量分量之间存在着长期关系。E-G协整检验的思想是:先用时间序列变量互相做普通最小二乘(OLS)回归,再通过单位根检验它们的残差是否为I(0),如果是,则这些变量存在协整关系。回归的结果如表3所示。
从表3可以看出,回归的结果比较显著,说明山东省经济增长与环境污染的各个衡量指标之间存在显著的相关关系。但由于普通最小二乘的检验条件不一定符合,不足为据,因此需要对残差进行ADF单位根检验,检验结果如表4所示。
由以上检验结果可以看出,四个残差的检验统计量都比0.05显著水平下的ADF临界值小。这就可以说在0.05的显著性水平下可以拒绝零假设,认为残差不存在单位根,为I(0)序列,因而各变量之间存在长期均衡关系,可以用VAR模型对数据进行拟合和预测。
3.4 VAR模型拟合与预测
前文中对数据进行了单位根检验和协整检验,判断出了这些变量之间存在着长期均衡关系,为了探索出变量之间的具体关系,需要用VAR模型对数据进行拟合。文章中将变量lnagdp、lninwater、ln SO2、lninsolid都放入内生变量,模型中加上了常数项和趋势项,滞后阶数取为2。拟合后的模型用矩阵形式表达为:
由拟合的模型可以看出,对于人均GDP,上一期的人均GDP对当期的人均GDP有正的影响,上上期的人均GDP对当期的人均GDP有负的影响;上一期的工业废水排放量对当期的人均GDP有负的影响,上上期的工业废水排放量对当期的人均GDP有负的影响;上一期的二氧化硫排放量对当期的人均GDP有负的影响,上上期的二氧化硫排放量对当期的人均GDP有正的影响;上一期的工业固体废物产生量对当期的人均GDP有正的影响,上上期的工业固体废物产生量对当期的人均GDP有正的影响。类似地,对于其他的每个指标,由该模型都可以分析出相互之间的影响,进而可以分析出经济增长与环境污染的双向作用机制。
用拟合得到的VAR模型对未来5年的lnagdp、lninwater、ln SO2、lninsolid做预测,包括95%的置信带,如图3所示。
由图3可以看出,用VAR拟合模型对未来5年山东省人均GDP、工业废水排放量、二氧化硫排放量以及工业固体废物产生量的预测均为平缓的上升趋势,其中人均GDP的置信带最窄,而工业废水排放量以及二氧化硫排放量的置信带比较宽。说明未来5年山东省的经济可能会继续保持稳定增长,但若继续按照以往的模式来发展,不进行产业结构的调整与绿色发展措施的制定,将会使得污染物的排放量也继续增长。
4 相关建议
山东省若想在实现经济稳定增长的同时对环境污染进行有效控制,需要紧跟国家的相关政策,加大发展循环经济、节能经济和低碳经济的力度,不断调整产业结构,进行产业融合升级。同时制定相关的环保法规并加大监督管理力度,引领山东经济实现创新、协调、绿色、开放、共享式发展。
(1)加大发展循环经济、节能经济和低碳经济的力度
“十二五”时期,山东省一直致力于发展循环经济、节能经济和低碳经济。2011年以来,山东省的工业废水排放量、二氧化硫排放量以及工业固体废物产生量都有所下降,说明该措施取得了一定的成效,在“十三五”时期,山东省应该加大发展循环经济、节能经济和低碳经济的力度,实现经济的绿色发展。
(2)调整产业结构,进行产业融合升级
一直以来,山东省的第二产业在GDP中所占的比重最大。第二产业相对于其他产业能源消耗较多,产生的环境污染物较多。山东省应加大产业的调整,逐渐淘汰掉高能耗、高污染的企业,加大科技创新的力度,推进企业进行清洁生产。同时应注重产业的融合升级,结合传统农业优势与丰富的旅游资源优势,鼓励发展生态农业、乡村旅游业,实现第一产业与第三产业的融合升级。
(3)吸收国内外绿色发展经验,走具有山东特色的绿色发展模式
目前,包括美国、欧盟以及日本在内的世界主要经济体都十分注重经济的绿色发展。美国在绿色经济发展方面,实施了“绿色经济发展计划”。日本针对环境友好型企业,实施零利率贷款政策。山东省应积极吸收国内外的绿色发展经验,并结合本身的特点,制定出符合本省绿色发展的模式。
(4)制定相关的环保法规,加大监督管理力度
实现经济的绿色发展,需要法律法规体系的支撑。山东省应完善环保法规,充分利用经济杠杆手段,继续加大对环境治理的投入力度,加大政策的扶持力度,促进本省绿色产业体系的建设。同时应加大生态环境的监督管理制度,建设生态补偿机制,对于做出突出贡献的企业单位给予生态补偿,发挥生态补偿机制的积极作用。
摘要：党的十八届五中全会上提出的“五大发展理念”以及习近平总书记提出的“供给侧结构性改革”都对山东省经济的发展提出了新的挑战。在新的背景下,更加注重生态环境与经济发展的和谐,更加关注经济的绿色发展。本文利用1981—2014年衡量山东省经济增长与环境污染的数据,建立经济增长与环境污染的VAR模型,对山东省经济增长与环境污染的双向作用机制进行了研究,并根据模型预测出未来5年的发展趋势,最后根据研究结果为山东省经济的绿色发展提出合理的建议。
关键词：VAR模型,经济增长,环境污染
参考文献
[1]Grossman G.M.,Krueger A.B..Environmental Impacts of North American Free Trade Agreement,the US Mexico Free Trade Agreement[M].P Garber.Cambridge,MA:MIT Press,1993.
[2]马树才,李国柱.中国经济增长与环境污染关系的Kuznets曲线[J].统计研究,2006(8).
[3]于峰,齐建国,田晓林.经济发展对环境质量影响的实证分析:基于1999—2004年间各省市的面板数据[J].中国工业经济,2006(8).
[4]王维国,夏艳清.辽宁省经济增长与环境污染水平关系研究[J].社会科学辑刊,2007(1).
[5]吴喜之,刘苗.应用时间序列分析[M].北京:机械工业出版社,2014:112-124.
VAR模型环境污染 第2篇
关键词：VAR；蒙特卡洛模拟法；市场风险；公司风险；国家风险
一、VAR模型的发展历程
（一）VAR模型概况
VAR（Value at Risk）是在险价值，指按某一确定的置信度，对某一给定的时间期限内不利的市场变动可能造成投资组合的最大损失的一种估计，它是利用概率论和数理统计进行风险量化和管理的方法。1952年Baumol首次提出了VAR的概念，随后国内外学者对VAR展开了深入的研究。J.P.Morgan于1994年10月公布了风险度量（Risk Metrics）体系并将其作为了金融风险测定和管理的工具。1996年提出将VAR看作是在既定头寸被冲销或重估前可能发生的市场价值最大损失的估计值，把VAR描述为是对正常市场波动的度量；Philippe Jorion（1997）将VAR定义为一种标准统计技术估计金融风险的方法；Kevin Dowd（1998）指出VAR是在给定的持有期内，一定置信水平下资产组合的最大期望损失。在早先的研究中，他们都通过VAR模型刻画了风险的不同特性。
在VAR模型的自身发展上，国内外众多学者也根据市场的发展、研究工具的更新以及计量水平的提高而不断完善，估计方式日益增多，准确性与实用性有所提高。
在金融市场的不断发展中，VAR模型不断被用到了风险管理的各个方面，从而也进行了更深层次的研究以及探索了一些新的研究领域。一方面VAR模型不断被运用到市场风险、信用风险以及操作风险等的风险管理中；另一方面VAR模型根据市场发展的需要，拓宽了应用的范围，如王文进、吴晓（2008）研究了基于Credit Metrics模型的汽车消费信贷业务的信用风险管理。
但是在近年的研究中，一些研究者认为银行用来计算VAR值的一些主要方法存在严重问题以至于导致了近年来的金融危机。Robert Sollis（2009）指出，如果VAR在未来的金融管理中将作为主要的管理工具的话，需要进一步提高估计技术和回溯测试过程。
（二）VAR模型的方法
经过多年的发展与应用，VAR方法不断衍生，运用最普遍的就是历史模拟法、方差-协方差法以及蒙特卡洛模拟法。而这三种方法又各有其优势与缺陷。
历史模拟法是根据过去一段时间内的各种金融数据的分布来确定未来某持有期该金融工具的收益以及损失，从而推算VAR的值。它需要大量的样本数据并假定金融资产价格变动服从同分布，而实际表明，金融市场上的大部分金融变量的标准差不符合正态假设，由此暴露了历史模拟法的应用缺陷；方差-协方差法是先运用历史资料计算出某投资组合收益的方差、标准差以及协方差，再利用正态分布与置信区间来计算VAR值；蒙特卡洛模拟法则是强调多次反复模拟某一组合的随机过程，通过每次结果形成的分布而将会不断收敛于真实情况，从而估计VAR值。由于各种方法存在一定缺陷，为满足需要，学者不断提出新的模型，如Engle（1982）提出了ARCH和GARCH模型并将各种变形引入金融经济学，充分揭示了资产风险的各种动态变化过程。随后还有学者根据单期静态风险测度不能满足需要而不断推广到多期动态情形。
而在当前的研究中，一些评论指出了VAR方法的缺陷，在此基础上又提出了新的方法：VCV方法、HS方法以及MCS方法。三种方法各有优劣，VCV方法因其简单而使用广泛并以资产回报服从条件正态分布为假设，但是由于很多资产不服从条件正态分布，VCV方法通常会低估VAR值；HS方法也因其对VCV方法进行简单改善而被广泛使用，他不再要求资产回报服从条件正态分布，但是在选取的样本量中很可能得到十分不同的VAR估计值；由于MCS的复杂性以及需要大量证券投资组合，他并没有前两种方法运用普遍，但是其优势在于不会限制研究者假定正态分布。由于上述方法存在的缺陷，管理者就需要进行回溯测试以更好地进行风险管理。
二、VAR风险管理模型的具体应用及存在的问题
VAR模型除了在理论上有不断的发展，在实际应用中也在不断深入。在金融市场风险、信用风险、公司风险以及国家风险等方面都有不断的研究。
（一）VAR模型的具体应用
1、金融市场风险管理。金融市场风险是各类主体面临的主要的风险，金融主体在运用VAR方法进行市场风险管理时都需要考虑两个方面的因素：时间范围以及置信水平。由于VAR方法存在某些缺陷，条件VAR、边际VAR以及增量VAR不断出现来改善VAR方法，而在选取指标也有不同的方法：参数法、历史模拟法以及蒙特卡洛法，这是当前估计市场风险比较有效的方法。
2、公司风险管理。在公司风险管理方面，银行对风险的管理尤为重视，随着越来越多大银行暴露出市场风险，巴塞尔委员会在1988年签署了资本协议，通过运用内部风险估值方法来控制风险同时在满足一定条件下引入了VAR方法。但是VAR方法也不能没有缺陷地被银行运用，某些时候很难准确估计VAR值，同时在证券组合日益复杂的银行系统里，银行很难决定防范风险的指标，因此银行需要经常通过压力测试和回溯测试的方法来检验VAR方法的准确性，尤其是银行运用VAR方法来管理资本充足性的市场风险时更需要进行检验测试。
3、国家风险管理。由于风险的多样性和可传染性，各种市场风险、信用风险会在全球范围内不断传播，同时在市场一体化和经济全球化的时代，国家风险也日益暴露，而国家风险也将影响到一国经济的发展以及政治的稳定程度。Michael McAleer， Bernardo da Veriga，和Suhejla Hoti 根据10国家的数据运用VAR框架进行了研究，发现运用单一指标和组合管理的方法能够预测这十个国家条件方差组合风险的回报，结果表明，瑞士、日本和澳大利亚的国家风险比阿根廷、巴西和墨西哥的国家风险相比更可能维持在当前水平。这一研究能够反映当前世界各国的稳定程度。因此VAR同样能够成为估量国家风险的管理工具，根据时间序列模型，VAR方法能够为政策制定者以及其他经济人提供一个预测未来收益和国家风险的准确方法，明确国家风险边界，同时为国家之间进行投资提供可供选择的参考。
（二）VAR方法存在的问题
由于VAR方法存在很多假设条件以及当前经济变化的多样性、某些信息的不可获得性，VAR方法并不能估计所有类型的风险。同时受到数理及概率统计等科学的限制，实际风险暴露无法完全通过预设的模型来反映，尽管VAR方法在不断的完善，但是仍然存在很多不足，需要进一步研究。
三、小结
VAR方法由于原理简单、易于操作，已经成为金融风险度量和信息披露的重要工具。
但目前无论是在计算方法还是优化资产组合充当风险管理工具时都需要进一步的完善。因此，未来VAR的研究发展趋势仍将集中在探索分析法和蒙特卡洛模拟更好结合的方法以及如何使VAR发展成为兼顾极端风险和普通风险的一致性风险计量工具两个方面。在更好运用的同时不断完善VAR方法，从而更有效地进行风险管理。（作者单位：湘潭大学商学院）
参考文献：
[1]陈燕君.基于VAR的汇率风险度量方法文献综述[J].经济研究导刊，2011（24）：74-75.
[2]Rober Sollis. value at risk： a critical overview[J].Journal of Financial Regulation and Compliance Vol.17 No.4，2009pp.398-414.
[3]Anis Cecilia-Nicoleta， Roth Anne-Marie， Apolzan Carmen-Maria.value at risk-corporate risk measurement[J].JEL Classification：M21，G30，C58.
[4]Ioan TRENCA. the use in bank of value at risk method in market risk management[J].JEL Classification：G21，G32.
VAR模型环境污染 第3篇
改革开放以来, 我国经济高速发展, 到2009年我国按不变价格计算的GDP年均增速为9.9%。对外贸易也保持了持续快速增长, 进出口贸易额年均增速约为20%。然而在对外贸易与国内经济不断增长的同时, 我国环境污染状况也愈发严峻。鉴于我国对外贸易的迅猛发展和环境污染形势严峻的现状, 国内众多学者对贸易与环境污染之间的关系进行了分析。张连众等 (2003) 、李斌等 (2006) 、于峰等 (2007) 借鉴ACT模型来分析贸易对环境的影响, 他们认为对外贸易是有利于我国的环境保护的。沈荣珊等 (2006) 通过建立联立方程模型, 发现对外贸易对污染排放的影响是多层面的。朱红根等 (2008) 采用基于VAR模型的协整分析来考察出口贸易与环境污染关于时序维度的双向动态作用特征。
总的来说, 采用协整分析方法分析对外贸易与环境关系的文献相对还较少, 并且现有文献多是分析出口贸易与各污染指标的协整关系, 较少涉及进口贸易, 这就难以反映进口贸易和出口贸易在环境污染中的真实贡献程度, 并且, 现有文献中鲜有通过建立VEC模型来分析污染物排放短期波动原因的。由此, 本文研究思路:首先, 建立VAR模型, 确定各因素与环境污染的长期关系;其次, 进行基于VAR模型的格兰杰因果关系检验和脉冲响应函数分析, 以确定各因素与环境污染的因果关系及对环境污染的动态影响;最后, 利用基于VEC模型的方差分解方法分析各因素在解释污染排放变动时的相对重要性。
2 实证方法及数据处理
2.1 实证方法
根据投入产出原理, 无论是生产国内消费的产品 (包括进口的产品) , 还是出口国外的产品, 都需要消耗能源资源, 因而都会排放废水、废气、固体废物等环境污染物, 对环境产生危害。依据Grossman et al. (1991) 对外贸易的环境效应理论, 对外贸易、经济规模扩张等因素与污染排放之间应该存在密切联系。基于此, 考虑到我国目前对外贸易及环境污染现状, 为了实证分析各因素与环境污染之间的关系, 本文采用向量自回归模型 (Vector Auto Regressive model, VAR) 对经济规模扩张、对外贸易与环境污染之间的关系进行实证分析。VAR模型中所有变量都被视为内生变量对称的进入到每个估计方程中去, 很好的解决了内生变量的误差问题, 可以较少受特定经济理论的约束。
2.2 数据来源与处理
本文选取了工业SO2排放量作为污染排放物指标, 用SO2表示;进出口贸易数据分别选取每年的货物进出口贸易额, 分别用IM和EX表示;经济规模扩张数据选取每年的工业总产值, 用DGDP表示。并利用商品零售价格指数和居民消费价格指数分别对进出口贸易额和工业GDP进行平减以消除通胀的影响。因为对数化处理可以在不改变变量原有关系的同时使其更加平稳, 并有效减少或消除时间序列中存在的异方差现象, 所以对各指标进行对数化处理, 各变量取对数后, 分别用LNSO2、LNDGDP、LNIM、LNEX来表示。研究时期为1986年-2009年, 数据来源于中国统计年鉴、中国环境统计年鉴。
3 实证检验及结果分析
3.1 各变量平稳性检验
本文采用ADF检验来检验各变量的平稳性。如表所示, 各原始变量都是非平稳的, 但一阶差分后均成为平稳序列, 即所有变量均为I (1) 序列, 可以对各变量间的长期关系进行协整分析。
注:检验类型 (C, T, K) 中, C表示单位根检验时是否带常数项, 若C=1表示带常数项, 若C=0表示不含常数项;T表示是否带趋势项, 若T=1表示带趋势项, T=0表示不含趋势项;K表示自回归的滞后阶数, 根据SCI准则确定;***、**、*分别表示1%、5%、10%的显著水平。
3.2 协整检验与VAR模型建立
为了分析经济规模扩大、进口贸易和出口贸易与环境污染排放之间的关系, 确定如下VAR模型系统:
P= (LNSO2、LNIM、LNEX、LNDGDP)
在AIC、SC和HQ准则的基础上, 考虑样本数据的时间长度, 将VAR模型系统的最佳滞后期确定为3。对VAR系统的稳定性检验显示, 各系统的特征根倒模都小于1, 说明各VAR系统是稳定的, 可以建立VAR模型。鉴于本文是对多变量的协整分析, 采用Johansen协整检验来分析各变量间是否存在协整关系。通过对模型选择的联合检验, 选择原序列有线性确定性趋势, 协整方程中有截距项没有趋势项的模型进行检验。检验结果如表2所示:
注:*表示5%水平下通过检验。
Johansen协整检验结果显示, VAR系统各变量间都存在一个长期协整关系, VAR系统的协整方程如下:
LNSO2= -0.388107LNIM+1.529636LNEX-1.456164LNDGDP
(0.16293) (0.19873) (0.26543)
从协整方程可以看出, 进口贸易和工业生产总值的系数均为负, 即进口贸易和工业生产发展对于国内工业SO2减排是有正向作用的;出口贸易的系数为正, 说明出口贸易会增加国内工业SO2排放。对于工业生产总值的系数为负, 本文认为, 工业生产的发展虽然伴随着经济规模的扩张, 但同时也会带来人们对环境友好生产方式更高的诉求以及更多的污染治理投入, 所以就长期来看工业生产的发展对工业SO2排放产生负向的影响是完全有可能的。
3.3 基于VAR模型的Granger因果关系检验和脉冲响应函数分析
协整检验说明了各变量之间存在长期协整关系和趋势, 接下来利用Granger因果关系检验来分析各变量间的因果关系。检验结果显示, 进口贸易和工业经济增长并不能成为工业SO2排放的Granger原因, 但出口贸易是工业SO2排放的Granger原因, 各影响因素的联合检验显示, 各因素共同构成了工业SO2排放的Granger原因。也就是说工业SO2排放不但受到出口贸易的影响, 更是进出口贸易、工业经济增长等因素共同作用的结果。
为了考察工业SO2排放与各影响因素之间的动态关系, 本文对其进行脉冲响应函数分析。综合考虑所要考察的影响时期及本文样本数据容量, 将冲击响应期设定为20期。
如图1所示, LNSO2对自身新息冲击的脉冲响应先表现为迅速减小, 第3期出现了短暂的增加, 之后便开始逐期减小, 说明工业SO2排放量具有较强的自身带动效应。在受到LNIM的冲击后, LNSO2迅速增加, 第3期以后开始逐期减小, 至第8期又开始有小幅增加, 随后呈现衰减状态, 对冲击的响应为正说明进口贸易对工业SO2减排有负向作用, 本文认为这可能是进口贸易容易使一国失去某一领域的技术优势, 进而影响到该产业的技术创新和进步, 从而不利于工业SO2减排, 而就长期来看, 这种负向作用在不断衰减。LNSO2受到LNEX冲击后迅速增加, 第2期以后减少, 至第4期达到最低负值点, 之后持续增加, 至第6期以后逐期减小, 说明出口贸易的增加在前期会增加工业SO2排放强度, 随后会减小排放强度, 在再次增加排放强度以后基本维持在一个正的稳定状态。LNSO2在受到LNGDP冲击以后减小, 第2期以后开始缓慢增加, 直到第5期达到最高点, 此后缓慢下降, 本文认为我国经济的增长提高了收入水平, 使得人们对工业SO2排放迅速做出反应, 从而有利于工业SO2排放强度的降低, 而随着经济规模的越来越大, 工业SO2排放也逐渐增加, 经济增长其实就是在这两种效应的交互作用中达到基本稳定的。
3.4 基于VEC模型的方差分解分析
VEC模型是对各个变量施加了协整约束条件的向量自回归模型, VAR模型的协整检验验证了协整关系的存在, 因此可以建立VEC模型来考察进出口贸易、工业经济增长等因素对工业SO2排放波动的短期调节作用。为进一步分析各解释变量对被解释变量的贡献度, 本文在VEC模型基础上利用方差分解分析来评价不同内生变量冲击的重要性。
第1期LNSO2只受到自身波动的影响, 第2期小幅下降以后其贡献程度基本保持稳定, LNIM的贡献程度在上升以后出现下降, LNEX的贡献程度呈现逐期增加的趋势, 除LNSO2自身以外, 第7期以前LNIM的贡献程度最大, 其后LNEX占据了较为重要的地位, 可见, 出口贸易对LNSO2在长期具有较进口贸易更为重要的影响。
4 研究结论和建议
本文利用VAR模型分析了对外贸易、经济增长与环境污染之间的长期协整关系、基于VAR模型Granger因果关系及脉冲响应函数分析, 并进一步进行了基于VEC模型的方差分解分析。通过以上分析, 我们可以得出以下结论:
进口贸易和工业经济增长在长期内对污染排放具有减排作用, 进口贸易之所以能够在一定程度上缓解国内环境压力, 最直接的是它替代了国内污染的生产, 而最主要的则是它通过促进国内技术进步减少了污染排放;而出口贸易则会加重国内环境负担。进出口贸易和工业经济增长在短期内与不同污染物之间有着不同的动态关系, 需要特别注意的是, 除污染物自身波动影响以外, 出口贸易在影响污染排放各因素中逐步占有较大的贡献率, 其次是进口贸易。由此, 提醒我国需要更进一步加快贸易结构调整的步伐。
针对我国对外贸易和污染排放现状, 我们首先应加大推动科技创新的力度和加大清洁生产技术的研发投入, 从根本上提升我国对外贸易的竞争力和持续发展能力;其次, 应持续推动产业结构调整和对外贸易结构优化;再次, 还应完善环境政策和加强国际环境合作。总之, 只有从各个角度同时推进, 才能推动环境与对外贸易的协调发展。
摘要：从动态计量分析的角度出发, 利用基于VAR模型的协整分析及基于VEC模型的方差分解分析, 分析了进出口贸易和工业经济增长等因素与工业SO2排放的关系。实证结果显示, 长期来看, 出口贸易是不利于我国工业SO2减排的, 而进口贸易和工业经济增长则是有利于环境保护的;而就工业SO2排放短期波动来看, 出口贸易对工业SO2排放的贡献率是最大的。
关键词：对外贸易,环境污染,脉冲响应函数,方差分解分析
参考文献
[1]张连众, 朱坦, 李慕菡等.贸易自由化对我国环境污染的响分析[J].南开经济研究, 2003, (3) .
[2]彭水军, 包群等.中国经济增长与环境污染—基于广义脉冲响应函数法的实证研究[J].中国工业经济, 2006, (5) .
上海市车牌拍卖的VAR模型分析 第4篇
关键词：私车牌照,拍卖,刚性需求,VAR模型,脉冲影响
自1978年改革开放以来, 上海市面对不断增加的道路交通压力, 借鉴了新加坡、香港等成功解决城市交通问题的方式, 于1986年开始实行车牌额度拍卖政策。2000年, 上海市又开始实行无底价的私车拍卖政策, 政策几度变更。2008年, 上海市政府对车牌拍卖方式进行了大的调整, 实行两阶段拍卖政策。但是随着拍卖政策的不断完善, 上海市车牌拍卖的成交价格却在波动中不断上涨。
学者们从理论和实证等多方面对上海市车牌拍卖政策做了研究, 主要分为三类: (1) 从拍卖角度, 界定了上海市车牌拍卖对应的拍卖理论, 即多物品拍卖理论, 同时推理论证这种拍卖的有效性与否; (2) 从政策制定角度, 分析上海市车牌拍卖的实施给居民带来的利与弊的比较, 得出是否应该实行车牌拍卖政策的观点; (3) 从博弈论角度, 将拍卖的过程看成是竞拍者之间、竞拍者与政策制定者之间的博弈, 由此论证新的政策是否是最优的。
上述文献在分析上海市车牌拍卖问题时, 多是做了理论分析, 没有直接点出影响车牌价格偏离内在价值的原因。本文在收集并分析了上海市车牌拍卖近十年的数据的基础上, 做了定量分析, 给出了拉高车牌价格的原因, 重点分析了供求关系与车牌价格之间的相关性, 运用VAR模型, 构建了上海市车牌成交均价、竞标人数、车牌投放数量的动态模型, 探讨了三者之间的传导与作用。
1 推高车牌额度价的主要因素分析
1.1 市场的刚性需求
据悉, 上海现有沪牌私车120万辆, 外省市牌照车50多万辆, 还有大量的公车, 上海的城市交通状况已经处于一种比较严峻的状态, 私车牌照投放不可能无限制“放量”。另一方面, 近年来上海新开楼盘多数集中在外环以外的区域, 上海市民对私车的刚需较为强劲, 每月拍牌者一般在2万人以上。供求关系的紧张显而易见。
1.2 市场投机炒作
由于很多急需车牌的准车主没有在额度拍卖中取得车牌, 于是二手车市场便出现了车牌转卖。“黄牛”们根据当月车牌的中标价再加几千元转手卖出。由于市场需求旺盛, 本应成为市场补充的“场外交易”, 反而成了价格引领者。
1.3 消费者的心理预期
本文对2003年1月至2012年12月份的车牌额度拍卖的最低成交价做了自回归分析, 从回归效果看, 车牌额度拍卖成交价格的回归拟合的很好, 得到本期车牌额度拍卖成交价与上期成交价的线性回归方程:
显而易见, 居民作为理性人, 在参与车牌拍卖之前一定会对车牌拍卖的历史成交价进行调查, 以此为基础, 给出此次竞拍的合理价位。
2 研究方法与变量的选取
2.1 研究方法
VAR模型是一种非结构化的方程模型, 常用于预测相互联系的时间序列系统及分析随机扰动对变量系统的动态冲击, 从而解释各种经济冲击对经济变量形成的影响。
本文主要在VAR模型估计的基础上, 使用格兰杰因果检验、脉冲响应和方差分解来进行实证分析, 在分析中为了消除异方差的影响对变量取对数。
脉冲响应函数描述了来自随机扰动项的一个标准差大小的信息冲击对变量当前和未来取值的影响, 通过脉冲响应函数可以检验车牌成交均价、竞标人数、投放数量的变化对彼此的影响强度和持续时间。方差分解法把系统中的每一个内生变量的波动按其成因分解成各随机扰动项影响的总和, 通过方差贡献大小, 来衡量随机扰动项对变量的相对重要程度。
2.2 模型的选择
为了研究车牌价格、投标人数、车牌投放数量之间存在的长期均衡及短期关系, 建立由这三个内生变量组成的非结构化VAR模型。
2.3 变量选取
基于上文对影响车牌拍卖价格因素的分析, 选取的变量是上海市车牌当月投放数量、当月参与的竞标人数、车牌成交价格的均价, 均为上海车牌网上数据。
3 实证分析
实证分析的基本步骤是:先对选定的变量进行平稳性检验, 进而进行滞后期的确定, 然后对残差进行检验, 以确保估计的结果符合VAR的经典假设, 再对变量序列做单位根检验, 看是否平稳, 若平稳可以进行Granger因果检验, 然后构造VAR模型;在建立的模型基础上, 进行脉冲响应和方差分解分析, 最后做出预测。 (1) 变量平稳性检查。对LJB、LJJ、LTF三个变量平稳性进行检查, 根据它们有漂移项、无漂移项, 有趋势项、无趋势项系数的显著性判断, 这三个变量均含有漂移项和趋势项, 因此对每个变量的漂移项和趋势项进行单位根检验, 结果显示三个变量均是平稳的。 (2) 车牌拍卖VAR模型滞后期的确定。从运行结果可知LR、FPE、AIC、SC和HQ都指向同样的1阶滞后期, 因此应该选择VAR (1) 进行后续分析。
3.1 VAR模型残差检验
VAR模型估计出来以后, 还必须对其残差进行检验, 以确保估计的结果符合VAR的经典假设。选择好滞后阶数以后 (这里选择滞后阶数为1期) , 从残差交叉相关情况的结果来看, 各变量之间残差不存在交叉相关的情况。如果存在就必须重新修正设定的模型。
3.2 检验模型的稳定性
通过单位根模型检验, 6个根的模的倒数都落在单位圆内, 所以平稳性条件得到满足。
3.3 格兰杰非因果性检验
为确定变量之间的相互关系, 在建立VAR模型之前, 对VAR模型中的变量进行Granger因果关系检验。第一, 在5%的显著性水平下, 竞标人数是车牌成交均价的Granger原因, 也就说明竞标人数的波动将会引起车牌成交均价的变动;第二, 车牌投放量与竞标人数互为Granger原因, 即车牌投放量的变化影响车牌成交的均价, 同时受到车牌成交均价的影响;第三车牌成交均价是车牌投放数量的Granger原因, 即车牌成交均价的波动将会引导政府投放车牌数量。
3.4 VAR模型的脉冲响应函数和方差分解
由于VAR模型参数的OLS估计量只具有一致性, 单个参数估计量的经济解释是比较困难的。想要对一个VAR模型做分析, 要观察系统的脉冲响应函数和方差分解。
3.4.1 脉冲响应函数
脉冲响应函数是描述一个内生变量对误差冲击的反应。以上海市车牌拍卖的竞标人数、成交均价、车牌投放数量的对数为内生变量的脉冲响应, 如图1。横轴表示滞后阶数, 纵轴表示内生变量对冲击的响应程度。
图1考虑到VAR模型中变量次序的不同, 分析的结果也有很大程度上的不同, 所以进行广义脉冲响应分析。
由第一张图, 可以看出, LJB对其自身的一个标准差扰动具有明显的正效应, 也就是说竞标价格短期自相关。给LTF一个扰动, LJB有正的响应, 并逐渐趋于平稳。给LJJ一个扰动, LJB在滞后第一起有正的响应, 整体影响不明显。其经济意义为:短期内, 竞标人数的增加意味着新车需上牌的车主增加, 但是当期车牌投放量有限, 没有拍到车牌的车主作为竞标人累计到接下来的竞标周期里, 所以竞标人数有短期内有自相关性。当政府增加车牌投放量, 竞标者会觉得竞拍成功的几率大, 所参加竞拍的人也同样增加。
第二张图中, LJJ对其自身的一个标准差扰动也具有明显的正效应, 但是随后效应迅速降低。给LJB一个冲击, LJJ总体呈现正效应, 在第二期达到峰值。给LTF一个冲击, LJJ对冲击的反应开始呈现负效应, 之后呈现微弱的正效应。其经济意义为:短期内, 中标价格的上涨会冲击竞标者的心里预期, 累计的需求者急于得到车牌, 并且担心车牌价格继续上涨, 所以提高竞拍的出价。竞标人数的增加就是需求的增加, 在车牌供给几乎不变的情况下, 竞标者只能出高价才能拍到车牌。
第三张图中, LTF也对其自身的一个标准差具有明显的正效应。给LJB一个冲击, LTF呈现正效应。给LJJ一个冲击, LTF总体呈现正效应。其经济意义为:竞标人数的增加使政府投放车牌数量增加。而价格的增加, 促使政府对拍卖进行调控, 而车牌投放量正是政府可调控的要素。
3.4.2 方差分解
为进一步分析每一个结构冲击对内生变量变化的贡献程度, 本文对VAR (1) 进行了方差分解, 以下为价格的方差分解, 如表表1所示:
由表1可知, 车牌拍卖价格开始主要受到自身波动的影响, 随时间的推移受到竞标人数的影响越来越大, 投放量对其从始至终几乎没什么影响, 最高为0.403%。其经济意义为:政府实行车牌拍卖的初衷是限制车牌量, 所以在车牌投放量上很难有大的变动, 所以车牌供给曲线是一条缓慢上涨的曲线, 而需求曲线则是弹性较小的曲线, 所有车牌拍卖价格的变动除了受预期的影响外, 较大程度上取决于竞标数量。
4 结语
本文运用VAR模型, 构建了上海市车牌拍卖的成交均价、车牌投放量、竞标人数之间的动态关系系统, 根据2003年1月份至2014年3月份的月度数据进行了实证分析。在实证分析中, Granger因果关系分析表明, 竞标人数的变化是车牌成交均价的Granger原因, 而竞标人数与投放数量互为Granger原因, 成交均价又是投放数量的Granger原因。为了分析三者之间的动态关系, 建立了VAR (1) 模型。通过VAR (1) 模型及脉冲响应分析表明, 车牌成交均价除受到竞标人数的影响外, 大部分是受到自身预期的影响, 而且三者相互间影响也是短期的。
参考文献
[1]王平平, 孙绍荣.车辆牌照拍卖模型[J].运筹与管理, 2005, 2 (14) .
[2]王金桃, 罗维.汽车牌照额度拍卖规则调整的理论分析与实证研究[J].系统管理学报, 2010, 19 (6) .
[3]刘德吉.上海车牌拍卖的政策效应分析——基于公共政策视角[J].产业与科技论坛, 2008 (7) .
[4]冯苏苇.私车牌照拍卖与拥挤收费的政策联动效果研究[J].交通运输系统工程与信息, 2012, 12 (3) .
VAR模型环境污染 第5篇
关键词：风险价值VaR,广义自回归条件异方差GARCH,尾条件期望CVaR
0 引言
众所周知,经典的Markowitz模型是:
xi叟0,i=1,2,…,n
其中,δp2是投资组合回报率的方差,δp称为回报率的标准差,表示投资组合的回报率rp偏离组合的期望回报率E(rp)的幅度,被Markowitz用于度量投资组合的风险。
而当把投资组合的风险用超过某一指定概率的最低回报率来度量时,就称该方法为VaR(value-at-risk)风险度量法,该最低回报率称为投资组合的VaR,用数学式子表示就是:
其中α是给定的概率。如果资产组合损益的分布函数为F(·),则:VaR=F-1(1-α)
假设投资组合的分布是正态分布,则可得:
VaR=-[E(rp)-准-1(α)*δp]
其中准(·)是标准正态分布函数,用上式替换Markowitz模型中的风险函数,得到最优均值——VAR模型:
由以上分析可看出,用VaR度量风险必须知道组合收益率的分布函数F(·),这在实际中操作起来比较困难,而如果按组合收益率服从正态分布处理,VaR的计算问题似乎变得比较容易解决。
但是大量研究文献已经表明:组合收益率具有尖峰厚尾的特征,如用正态分布势必会导致风险的低估。为了描述和预测上述这类现象,1982年恩格尔提出了著名的自回归条件异方差(ARCH)模型,波勒斯列夫于1986年再将其一般化成广义自回归条件异方差(GARCH)模型。为此下面讨论基于CARCH的组合证券改进模型。
1 基于VaR—GARCH投资组合改进模型
1.1 GARCH的基本理论
设组合收益率:rpt=μ+εt
则称随机过程εt服从GARCH(p,q)。
1.2 最大风险损失的VaR—GARCH结构
综合上述风险价值VaR的计算分析和GARCH的基本理论,可得到投资组合在某一给定置信度α下的最大风险损失表达为:
1.3 基于VAR-GARCH风险测度指标的投资组合优化模型为:
2 基于CVAaR风险测度的投资组合改进模型
另一方面,由于VaR也只是某一置信度α下的最大可能损失(可能风险),此外还有(1-α)这么大的可能,风险损失是超过VaR的,而且这类极端事件造成的损失极其巨大,出于这样的考虑,以下采用NeNeill于1999年提出的尾部条件期望CVaR作为风险测度方法,来改进投资组合优化模型。
2.1 尾条件期望的精确定义及其计算定义:大于风险价值VaR的那部分损失的数学期望,叫做投资组合的尾条件期望。即:
其中,E[X-VaR│X>VaR]表示损失大于阈值VaR的超额损失的期望值的大小。再由Pickands,alkema和Haan的定理知,对于充分大的阈值VaR,超额损失分布函数Fvar(y)(其中y=X-VaR)收敛于如下一广义帕累托Pareto分布:
而满足上述分布的超额均值函数的定义为:
于是可得超额损失的期望:
2.2 基于CVaR的组合投资优化模型:
3 结论
基于CVaR的风险测度的组合投资模型,虽然克服了低估风险的缺陷,但它是在某一假设条件下的最大风险损失的估计,它有一定的适用范围,通常是在置信水平大于或等于0.99时的尾部估计,另外该方法需要选取阈值,而到目前为止,还没有一种方法能准确地给出在一定精度下的阈值解析式。
参考文献
[1]刘志新.投资组合最大损失最小化模型研究[J].系统工程理论与实践,2000,(12).
[2]张喜彬.有关风险测度及组合证券投资模型研究[J].系统工程理论与实践,2000,(9).
[3]屠新曙,王春峰.最佳均值——VAR投资组合问题的研究[J].湘潭大学自然科学学报,2002,(6).
[4]李朋根,肖春来.基于条件风险价值的投资组合优化模型[J].北方工业大学学报,2007,(1).
VAR模型环境污染 第6篇
自20世纪70年代初布雷顿森林体系崩溃以来, 浮动汇率制下汇率、利率等金融产品价格的变动日益趋向频繁和无序。由于分散金融风险的需要, 金融衍生工具应运而生并得到极大的发展。在各种因素影响下, 当衍生工具越来越多地被用于投机而非保值的目的时, 市场风险就成为金融风险的最主要形式。
于是, 如何有效地测定的控制这些市场风险便成为金融证券机构、投资者和有关监管层所面临的亟待解决的问题。VaR作为一个概念, 最先起源于20世纪80年代末交易商对金融资产风险测量的需要, 作为一种市场风险测定和管理的新工具, 则是由J.P.摩根最先提出的。30人集团 (Group of Thirty) 在1993年发表的《衍生产品;惯例与原则》 (Derivatives practices and principles) 风险报告推荐各国银行使用VaR分析方法。随后, 这一建议被银行业广泛接受, 并已成为该行业风险管理的标准。
2 VaR的基本原理及其计算方法
2.1 VaR的概念
所谓VaR (Value at Risk) , 按字面意思解释就是“按风险估价”, 其实质是指在一定的置信度内, 由于市场波动而导致整个资产组合在未来某个时期内可能出现的最大价值损失的一种统计测度。在数学上, 它表示为投资工具或组合的损益分布 (P&L distribution) 的α分位数 (α-quartile) 表达式为:P{△p△t-VaR}=α, 其中△p△t表示组合p在△t持有期内、在置信度 (Ⅰ-α) 下的市场价值变化。等式说明了损失值等于或大于VaR的概率为α, 或者说, 在概率α下, 损失值才大于VaR。
2.2 VaR的计算方法
目前, VaR的计算方法大多都围绕着对投资组合损益分布特征的确定而展开。基本思想是利用投资组合价值的历史波动信息来推测未来情形, 只不过对未来价值波动的推断给出的不是一个确定的值, 而是一个概率分布。在本文VaR的计算中, 将每个证券映射为一系列“市场因子”组合。市场因子是指影响投资组合价值变化的利率、汇率、股指及商品价格等基础因素。按推测市场因子未来变化的方法不同, 当前VaR的计算方法大致可分如下几种方法:
历史模拟法是一种简单的基于经验的方法, 它不需要对市场因子的统计分布做出假设, 而是直接根据VaR的定义进行计算, 即根据收集到的市场因子的历史数据对证券组合的未来收益进行模拟, 在给定置信度下计算潜在损失。
应力测试法是一个与历史模拟完全相反的方法, 也称为情景分析, 它考虑的是当金融变量发生大的变化时对投资组合价值的影响, 它主观地假设一些情景, 如:收益率在一个月内移动±100个基本点, 或货币突然贬值30%, 设为情景S, 然后在这种情景S下对投资组合中的资产重新定价:undefined, 其中Ri, t是每种资产所占的权重, 可得出情景S理投资组合的收益率, 然后对每种情景S分配一个概率Ps, 重复上述过程, 这样就可得到投资组合收益率的概率分布, 据此计算VAR。
参数法大致可以分为方差协方差法 (Variance-Covariance) 、蒙特卡洛模拟法 (Monte Carlosimulation) 、GARCH方法 (GARCH family models) 。
方差协方差法的核心是基于对资产报酬的方差-协方差矩阵进行估计, 其中最有代表性的就是J.P morgan's Risk Metrics方法。当资产组合包含两种以上的资产时, 假定组合有n种资产, 每种资产的收益率为Ri (t) , 其中i=1, 2, , n, VaRi=-ασi, tWi。
令VaR= (VaR1, VaR2, , VaRn) T, F= (Рi, j) n*n, 为N种资产的相关系数矩阵。则有:undefined。
蒙特卡罗模拟法与历史模拟法十分类似, 它们的区别在于前者利用统计方法估计历史上市场因子运动的参数然后模拟市场因子未业的变化情景, 而后者则直接根据历史数据来模拟市场因子的未来变化情景。
GARCH方法使用GARCH模型来描述市场因子。GARCH模型是由Engle首先提出的。它和方差协方差法的区别在于Σ的计算。GARCH方法是根据多元GARCH模型, 利用极大似然准则估计t时刻市场因子的协方差矩阵Σt。
2.3 计算方法的评价
历史模拟法:其优点是不需要正态分布等假设, 简洁、直观、易于操作。但它是以使用者获取或保存了大量的实际数据为前提的。它的缺点是缺乏活性。历史模拟法假定了收益分布在整个样本时限内是固定不变的。同时它不能提供比样本点中最大损失还要坏的预期损失。使用者所选取的样本大小对预测结果会造成很大的影响。此外, 运用HS无法作特殊情况下的敏感性测试。
方差协方差法:计算简便, 只需要估计每种资产的标准差和它们之间的相关系数就可以得出任意组合的VaR值。然而这种方法基于两个基本的假定:即线性假定和正态分布假定。实际应用时还要有零均值的假定。有研究结果表明: (1) 实际的收益率数据分布并不关于零点对称; (2) 实际的收益率数据分布尾部概率分布概率要比正态分布大, 即厚尾现象。所以使用这种方法会低估风险。
GARCH方法:对财务变量回报的分布GARCH模型具有良好的特性, 即持续的方差和处理厚尾的能力。但GARCH方法还是用到了零均值的正态分布假定, 而且在证券组合的价值函数中用到了一阶近似, 从而带来不可避免的偏差。
蒙特卡罗模拟法:由于该方法能较好地处理非线性问题, 且估算精度好, 特别是随着计算机软硬件技术的飞速发展, 该方法已逐渐成为计算VaR值的主流方法。但蒙特卡罗模拟法存在两个缺点:其一是计算量太大, 一般来说, 复杂证券组合往往不同币种的各种债券、股票, 远期和期权等多种证券, 期基础市场因子包括多种比重不同, 其线不同的利率、汇率、股指等, 构成一个庞大的因子集合。其二是Monte Carlo模拟的维数高。静态性的缺陷, 传统的蒙特卡罗模拟法由于采用抽样方法产生随机序列, 均值和协方差矩阵不变, 而经济问题中的变量都具有时变性, 用静态的方法处理时变变量时必然会产生一定的偏差。而且传统的蒙特卡罗方法难于从高维的概率分布函数种抽样。
3 VaR的作用、应用及其局限性
3.1 VaR的作用与应用
VaR方法最大的好处在于利用一个结构性的方法论及一个单一的指标来更精确地衡量一个组合的风险, 并将其用货币单位表示, 具有风险度量的直观性和一致性, 能对各种不同类型的资产给出统一的风险度量。VaR主要有以下作用: (1) 信息报告的工具。VaR的披露能够用于在较高层次上的评估交易及投资过程中的风险管理状况, 同时以较通俗的形式将公司的金融风险披露给股东。 (2) 资源配置的工具。交易者可根据披露的VaR对自己的资产头寸进行调整, 在有限的资本资源内调整各种资产组合以降低风险。 (3) 绩效评价工具。VaR使得管理层根据交易员面临的不同风险而调整其赢利。VaR模型具有事前风险防范的作用。VaR简洁的含义和直观的价值判断方式, 使得资产组合的风险, 能够具体化为一个可以与收益相配比的数字, 从而有利于经营管理目标的实现。
VaR模型可以简单明了地表示市场风险的大小, 即使没有任何专业背景的投资者和管理者都可以通过VaR值对金融风险进行评判。VaR模型对银行风险的质量和管理是一个有效的工具。它对正常市场条件下重要交易的短期风险的衡量尤为有用。具体来说VaR模型在以几个方面有着广泛的应用: (1) VaR模型可用于风险控制。1993年7月“三十人集团”在其发表的研究报告《衍生产品惯例与原则》中, 建议以VaR模型进行风险控制, 可以使每个交易员或交易单位能确切知道他们在进行有多大风险的金融交易, 并可以为每个交易员和交易单位设置VaR限额, 以防止过度投机行为的出现。 (2) VaR模型可用于业绩评估。 (3) VaR模型可用于金融监管。在这方面最典型的例子当数国际清算银行巴塞尔委员会关于资本充足率的规定。 (3) VaR模型可以用于计算保证金。芝加哥商品交易所开发的保证金计算系统SPAN其基本原理就是VaR。
3.2 VaR的局限性
首先, VaR对未来损失的估计基于历史数据, 是建立在“历史可以在未来复制其自身”之上的, 但实际情况往往却并非如此。样本数据本身可能并没有包含足够的历史信息。
其次, 它的管理对象相对较窄, 着重衡量正常情况下的市场风险, 对于市场上的突发性风险、信用风险、操作风险、法律风险及战略风险等难以进行量化。
第三, 模型风险的存在。即由于同样的VaR模型可以使用方差一协方差法、历史模拟法和随机模拟法 (蒙特卡罗法) 等不同的方法得到资产收益的不同概率分布, 计算出不同的VaR值。因此实践中一般都要求使用返回检验来检验VaR模型的有效性。
第四, 在VaR管理体系中, 受到重视的只是概率因素。完整的金融风险管理包括风险的识别、测定和控制三个过程, 单纯依据风险可能造成损失的客观概率, 只关注风险的统计特征, 并不是系统风险管理的全部。
4 我国应用VaR模型的制约因素
我国市场经济和金融体系的发展还处于初级阶段, VaR技术在我国金融机构风险管理中的应用环境还不是很成熟: (1) 我国金融市场起步较晚, 使用VaR模型中所需的样本数据有限, 而且我国数据的采集和分析的基础工作十分薄弱, 给VaR模型的建立及其有效性的检验造成了相当的困难。 (2) 我国金融市场发展尚处于初级阶段, 还很不规范, 市场环境、交易规则的剧烈变化以及过度投机、市场操纵等人为因素的存在, 使得资产收益关联度和系数都不稳定, 历史数据与未来状况的可比性不强。 (3) 我国金融市场受政策性及其它人为因素的影响很大, VaR通常代表可能很有规律地发生的潜在损失, 却不能帮助金融机构规避无法承受的损失。
5 结语
目前我国正于经济转轨时期, 市场风险日益突显, 特别是在国际金融一体化以及金融创新工具日新月异的今天, 开放金融服务业也是大势所趋。因此, 我们必须加强金融研究风险管理, 构建金融研究风险防范体系, 因而国内、国际的金融市场风险的重要性也日益突出。所以, 有必要将VaR模型引入中国使其为金融机构和投资者提供一种行之有效的市场风险管理工具, 同进也为证监会等金融监管部门提供一个风险管理的标准。
摘要：详细介绍目前测量市场风险的主流模型-VaR, 包括VaR产生的背景、VaR的概念;概述VaR的各种计算方法, 比较计算方法的优缺点;最后就VaR的作用, 应用及其局限性进行讨论。
关键词：VaR,历史模拟法,应力测试法,蒙特卡洛法,GARCH方法
参考文献
[1]刘春峰, 万海晖, 张维.金融市场风险测量模型-VaR[J].系统工程学报, 2000, 15 (1) :67-75.
[2]詹原瑞.市场风险的度量;VaR的计算与应用[J].系统工程理论与实践, 1999, (12) 1-7.
VAR模型环境污染 第7篇
山东省作为中国东部沿海经济发达省份, 由于长期沿袭高投入、高消耗、高速度、低效益、低环境投入的粗放型经济增长方式, 造成能源短缺、环境恶化, 最终导致能源与经济、能源与环境之间的失调状态, 制约着山东省经济与社会的可持续发展[1]。因此, 研究山东省能源与经济及环境的协调发展状态具有一定的实际意义。
1 单位根检验
基于SCI准则, 在1%的显著性水平下, ln GDP、lnenergy、lngas、lnwaste、lnwater均为二阶单整序列, 检验结果表明能源消费与经济发展和环境污染之间存在相关性, 可以进行协整检验[2]和因果关系检验。
2 基于JJ的协整检验
山东省1990年至2009年的GDP、能源消费和环境污染指标的时间序列数据都是2阶单整序列, 因此ln GDP、lnenergy、lngas、lnwaste、lnwater5个变量之间可能存在协整关系, 我们采用Johansen协整检验法[3]对5个变量进行协整检验, 检验结果表明能源与经济增长、环境污染 (包括工业废气、废水、固体废弃物) 之间存在长期稳定的协整关系。
3 脉冲响应动态关系分析
根据山东省各时间序列的数据建立VAR (2) 模型, 并通过AR根稳定性检验, 即所有单位根均落于单位圆内。
通过Eviews6.0得出的VAR (2) 模型可以由以下方程表示, y1、y2、y3、y4、y5分别表示lnenergy、langas、ln GDP、lnwaste、lnwater。在已建立的VAR模型基础上, 分别给能源消费、GDP和环境污染1个正单位大小的冲击, 得到脉冲响应的VAR模型。
4 能源和经济的脉冲响应关系分析
GDP对1个正单位能源消费的冲击反映在整个滞后期间内均为正, 从第1期开始呈现出不断增长趋势, 第7期达到最大值, 之后GDP进入平稳增长阶段, 累积冲击响应值为2.321 9。能源消费对一个单位GDP冲击的反映值在整个滞后期间内均为负, 且副反应趋势不断增大, 累积冲击响应值为-0.919。结果表明, 山东省能源消费量的不断增加会促进山东省经济的发展, 经济持续发展又会降低能源消费量。随着经济不断发展, 山东省不断加大对能源科技和先进设备的投入, 能源利用率有所提高, 从而有助于降低能源消费量。
5 能源和环境的脉冲响应关系分析
a) 能源消费与工业废气排放量。对于1个单位能源消费的冲击, 工业废气所做出的响应值在整个滞后期间内均为正值, 表明能源消费对工业废气产生正向作用, 第4期后这种作用趋向稳定, 累积冲击响应值为1.511 3;能源消费对工业废气的响应值为正值, 累积冲击响应值为3.617。结果表明, 山东省能源消费快速增加将导致工业废气排放量持续上升, 但是工业废气排放量增加并没有延缓山东省能源消费不断增长的态势。出现这种现象一方面是因为山东省经济的快速发展对能源需求量大, 但同时能源利用效率增长缓慢;另一方面在于山东省能源消费结构长期没有得到改善;
b) 能源消费与工业废水排放量。对于1个单位能源消费的冲击, 工业废水反映值在整个滞后期间内均为正, 前3期增长幅度较小, 第4期后增长较快, 第6期以后实现稳定增长, 累积冲击响应值为1.166 7。对于1个单位工业废水的冲击, 能源消费的反映值在整个滞后期间内负值, 累积冲击响应值为-1.182。结果表明山东省能源消费快速增加将会引起工业废水排放量的持续提升, 同时工业废水排放的持续增加将会延缓能源消费的增长。出现这种现象主要是因为政府加大了对环境的监管力度, 对产业结构进行了调整;
c) 能源消费与工业固体废弃物排放量。对于1个单位能源消费的冲击, 工业固体废弃物的响应值在整个滞后期间内均为负。对于1个单位工业固体废弃物的冲击, 能源消费的响应值为负值, 在整个滞后区间的累积冲击响应值为-0.982。结果表明, 山东省能源消费增加并不必然导致工业固体废弃物的持续增加, 但工业固体废弃物的持续增加在一定程度上对能源消费产生影响。山东省目前工业固体废弃物的利用率达到95%以上, 为了继续提高利用率, 在一定程度上会限制能源消费的增长。
6 经济和环境的脉冲响应关系分析
a) 工业废气排放量与经济增长。工业废气对于1个单位GDP冲击的响应值在滞后区间内为正, 比较平稳, 累积冲击响应值为0.475 5;GDP对于1个单位的工业废气在整个滞后期均为负, 其累积冲击响应值为-0.304。这表明, 随着山东省经济的不断发展, 工业废气排放量将持续上升, 同时工业废气排放量的持续上升将对经济产生负面影响。随着生活水平的提高, 人们对环境质量要求不断提高, 必然要求政府加大对大气污染的治理, 进行产业结构调整, 对经济增长方式转变产生一定的外在压力;
b) 工业废水排放量与经济增长。工业废水对1个单位GDP冲击的响应值在前3期为负值, 之后均为正值, 累积冲击响应值为0.741;GDP对于1个单位的工业废水冲击响应值, 其累积响冲击应值为工业废气-0.304。结果表明, 山东省经济的持续增长将会导致工业废水排放量不断上升, 工业废水排放量不断增加对经济发展产生一定的负面影响;
c) 工业固体废弃物排放量与经济增长。工业固体废物的反映值在前5期为负值, 之后不断增加, 但趋势不大, 累积响应值为0.012 2。GDP对于1个单位的工业固体废物的响应值均为负值, 其累积冲击响应值为-0.503 5。结果表明, 山东省经济的不断发展对工业固体废弃物排放量的影响在不同时期表现不一样, 但整体来说会导致排放量上升, 工业固体废弃物排放量的不断增加将会延缓经济发展。
7 结语
首先利用单位检验法对VAR模型中单个变量的相关性进行显著性检验, 检验结果表明能源消费与经济发展和环境污染之间存在相关性。再利用协整模型对VAR模型的整体相关性进行显著性检验, 检验结果表明能源消费与经济发展、环境污染整体存在长期均衡关系, 最后运用脉冲响应函数来刻画当它们其中的1个因素发生变化之后对另外2个因素的影响。
摘要：主要利用山东省1990年至2009年20 a的能源、经济及环境统计数据, 运用VAR模型对山东省3E (能源、经济和环境) 之间的关系进行计量分析。结果表明山东省能源消费和经济增长是相互促进的关系, 能源消费和经济增长对环境造成了污染, 而环境污染反过来制约山东省能源和经济的发展。
关键词：VAR模型,3E,山东省,关系研究
参考文献
[1]王敬华, 金玉国.山东省能源现状和能源效率的实证分析及对策研究[J].山东经济, 2011, 166 (5) :157-161.
[2]Engle R F, Granger C W J.Co-integration and errorcorrection:representation, estimation, and testing[J].Econometrica, 1987, 55 (2) :251-276.
VAR模型环境污染 第8篇
关键词：沪深300指数,上证国债,VAR模型
一、引言
中国股市经历了2015年上下两个半年的超热行情和暴跌行情, 上证指数从年初的3000点暴涨至6月最高点5178, 中国广大股民在短暂的时间里感受了两种完全不同的行情, 股票市场在2015年进入理性发展阶段。然而, 反观我国固定收益市场, 特别是债券市场, 行情一片大好, 例如上证国债指数, 年初145, 截至11月底收盘指数为153, 价格指数一路上扬, 利率区间已经越来越小。股市的大起大落是否与债券市场的上扬有着直接的反向关系呢?或者其它的响应呢?本文将从股票市场和国债市场出发, 利用VAR模型进行进一步的研究, 以求得到理想的要求。股票市场的价格指数选用沪深300指数, 能够较好的反映股票的一般行情变化, 还选用了沪深300指数的交易量。
二、背景事实
典型事实:股票价格和国债趋势。
股票价格选用沪深300指数, 沪深300指数表示股市的价格, 数据选用时间:2007~2015的月度数据, 2007年是2008年全球金融危机最后的盛宴, 股市指数也在这个时候达到了历史最高点6000点, 在历经了10年的股市发展后还是没有达到这个高度, 股市在跟随2008年的全球金融危机断崖式下跌, 重回2000点之下, 并且在3000点以下爬行, 在2009年之后缓慢恢复, 这个时候的中国股票市场平淡。随着国内经济和金融改革的不断进行, 金融限制条件的不断下降, 从2014年开始, 股票市场又开始了新一轮的“疯牛”行情, 股票指数2300点一路飙升至2015年的5000多点, 一时间资本市场活跃度上升。但是随着这波“疯牛”行情的不断上扬, 我国金融市场的弊端不断的隐现, 以高杠杆抬升的股票市场也曝光在大众的目光之下, 随后国家对股票市场进行清杠杆政策, 股票市场一路下跌, “过山车”式的行情让人看不懂。
然而我国债券市场确实一条非常的平稳上扬态势, 出2007年的111点到2015年10月底的152, 上证国债指数上涨了40%左右, 在上涨的过程中几乎没有大的下降。股票市场的上下巨大的波动与债券市场的一路上扬视乎没有太多的关联性。中国债券市场相对与国外来说还是一个不够成熟的市场, 债券的收益率是很稳定的, 特别是在股票市场行情不好的时候, 偏风险性的资金也会进入债券市场避避风头, 加上2008年金融危机后中国4万亿财政刺激效益结束以后我国房地产市场的长期非增长型形势, 也在客观上为债券市场的流动性增加了很大一部分。寻求固定收益的资金在债券市场里尝到了甜头, 避开了股市和房地产市场的波动和低迷。以2015年为例, 2015年年初的时候, 上证国债指数是146点, 接力国债的持续性上涨, 国债行情属于温和增长的态势, 但是随着6月份股市的重大转变, 各路资金紧急从股市里逃离, 自然而然的流向债市, 助长了下半年债券市场的这波的牛市, 债券利率也是一路收窄, 10年期的国债收益率跌破3%关口。2015年的的股票行情的大变也推动了债券市场的发展, 2015年债券发行量不断增高, 2015年前三季度, 我国债券市场上主要债券品种发行规模合计156940.52亿元, 同比增幅在30%以上。2015年第三季度, 我国债券市场上主要债券品种发行规模合计67369.69亿元, 较上季度增长超15%, 较上年同期增长约100%, 其中, 政府债 (包括国债和地方政府债) 、资产支持证券、公司债和同业存单的发行量环比和同比均有较大幅度增长。截至第三季度末, 主要债券品种存量规模达到63.27万亿元。
三、实证研究结果及分析
(一) 变量与数据
本文在对沪深300指数与上证国债指数的动态相关作用研究中, 内生变量为: (1) 表示股票价格的沪深300的价格指数 (gpspj) ; (2) 表示股票流动性的变量沪深300指数的交易量 (gpcjl) ; (3) 表示债券价格的上证国债价格指数 (gzspj) ; (4) 表示债券流动性的上证国债的交易量 (gzcjl) 。各个样本变俩个的时间跨度为2007.01~2015.10, 数据均来源于“w ind资讯”。
(二) 数据平稳性检验
VAR模型是ijianli在平稳的数据基础之上的, 为了避免时间序列数据所存在的伪回归的现象, 对各个数据取对数。用lngspj、lngpcjl、lngzspj和lngzcjl来表示变换后的变量。采用ADF单位根方法对进行平稳性检验, 结果如图表3。
从图表1中我们可以看出, lngspj、lngpcjl、lngzspj和lngzcjl存在单位根, 是非平稳的, 因为其检验统计量全部大于1%、5%、10%的临界值, 可知不能拒绝原假设。分别将序列lngspj、lngpcjl、lngzspj和lngzcjl进行一阶分差后, 得到序列Dlngpcyl、Dlngpspj、Dlngzcyl和Dlngzspj, 再次对其进行单位根检验。结果显示Dlngpcyl、Dlngpspj、Dlngzcy l和Dlngzspj检验统计量均小于显著性水平1%、5%、10%的临界值, 在1%的显著性可以拒绝原假设, 表明两组序列是平稳的。综上所述, 单位根检验结果表明, 非平稳序列lngspj、lngpcjl、lngzspj和lngzcjl在经过一阶差分后平稳, 所以, lngspj、lngpcjl、lngzspj和lngzcjl均为一阶单整, 即lngspj--I (1) 、lngpcjl—I (1) 、lngzspj—I (1) 和lngzcjl—I (1) 。
(三) 滞后阶数的选择
VAR模型中确定滞后阶数, 在Dlngzspj和Dlngpcy l、Dlngpspj建立的VAR模型中, 滞后阶数选择结果如表2所示。模型 (即以Dlngzspj和Dlngpcy l、Dlngpspj为变量的VAR的模型) 选择的最优滞后阶数为4, 建立VAR模型。
(四) 格兰杰因果检验
对于模型变量Dlngzspj和Dlngpcyl、Dlngpspj之间是否存在格兰杰因果关系进行检验, 结果如图表3。由图表3的格兰杰检验结果可知, 模型中Dlngzspj能格兰杰引起Dlngpspj, 而Dlngpspj不能格兰杰引起Dlngzspj;Dlngzspj不能格兰杰引起Dlngpcyl, 而Dlngpcy l能格兰杰引起Dlngzspj。
(五) 模型稳定性检验
由图表4可知, 模型的AR根的倒数都是在单位圆之内, 即模型是稳定的, 因此可以对两个模型进行脉冲响应分析和方差分解分析。
(六) 模型估计得结果
对模型建立VAR模型进行估计, 估计结果为:
方程矩阵估计结果当中只有少数系数是不显著的, 大部分在统计上市显著的, 但是整体上看, 以Dlngzspj为自变量的方程从F统计量来看是显著的, 方程的拟合度也比较高。各应变量的方程系数有正有负, 大小不一, Dlngpcjl对自变量Dlngzspj的影响是非常小的, Dlngpspj对Dlngzspj影响系数小, 但是比Dlngpcjl的影响系数要大。对此, 我们还可以进行脉冲响应函数和发差分解对此作出的解释。
(七) 脉冲响应分析
图表6是基于模型的脉冲响应函数的曲线, 横轴是响应函数的追踪期数, 纵轴是因变量的响应程度, 从图中结果可以看出, 可以将响应函数的追踪期数设定为10期。
首先, 我们分析股票价格对于债券价格的响应情况和响应路径。从图3中可以看出, 上证国债价格指数对沪深300价格指数的响应都是在横轴之下, 表现为一种负的响应, 几乎10期都是, 越往后期越稳定, 收敛于0.具体的响应轨迹是:第1期的响应为-0.0009, 第2期的时候上升到-0.0003, 到了第3期的时候又下降到-0.0013, 第4期上升到-0.0001, 股票价格的影响主要是在钱四期, 后面6期就逐渐收敛, 冲击也逐步减弱。
从以上的分析我们可以得到这样的结论:股票价格对在整个考察期间内对债券价格都是负的影响, 时滞偏短, 然后逐渐减弱。影响随着时间的变化, 在前4期有所波动, 反映了资本市场之间比较敏感的影响, 资金的流通比较顺畅, 股票价格的上升会吸收一部分原活动于债券市场的资金, 对债券市场价格形成一个较大的冲击, 当行情稳定或者不好使, 着这个响应有相对的减弱。也是符合市场的现实观察。
其次我们来观察股票流动性对于债券市场的冲击影响, 如图表7。
从图表7中可以看出股票的流动性表示变量交易量对债券市场价格的影响有正有负, 影响较大的是前4期的正冲击, 尽管第1期的冲击数值为负数, 但是近视为0, 到第2期则上升到0.003, 最大的冲击来自于第3期, 数值达到0.005, 第4期的时候又下降到0.003, 后面6期的冲击比较小, 但是大多数为负这里可以很好的解释, 股票的流动性随着时间的变动缓慢对债券市场产生影响, 开始的时候是正的影响, 股票市场的流动性增强, 也是表明整个资本市场资金流动性的增强, 会正面带到那个债券市场的上升, 但是时间久了, 这个响应就会相对减弱, 甚至是为轻微的负冲击, 这个都是市场的正常反应, 时滞效益还是比较明显的。
(八) 方差分解分析
由于方差分解结果在第10期后基本趋于稳定, 所以本文只给出到第10期的方差分解结果。方差分解分析结果见图表8:
结果债券市场价格的变动住哟来自于自身冲击。第1期的时候高达95%, 股票交易量的影响几乎为零, 股票市场价格的影响为5%。进入第2期自身冲击的降为94%, 股票流动性的影响开始出现, 将近1%, 股票市场价格的影响继续上升, 这三者之间的趋势一直持续到底10期。当第10期的时候, 自身冲击的影响以及降到只有78%, 股票流动性的影响为3%, 股票市场价格的影响为19%。这种此消彼长的冲击是符合市场的正常表现的, 短期内的债券市场价格变动主要还是收到自身前后市场需求的影响, 外部因素短期内是很难有非常大的影响, 特别是在固定收益市场, 市场本身就是一个求稳定收益的市场, 风险偏好较强的资金不会再债券市场里寻求增值, 但是随着时间的变化, 股票市场也会上下波动, 这种波动会促使资金往返于两个市场之间, 对债券市场的影响就会逐渐的增强。
四、结论
本文通过建立自向量回归模型, 以我国2007.01~2015.10的样本数据为基础, 利用脉冲响应函数、方差分解分析了我国股票市场价格和流动性对债券市场价格的影响。选取的变量是沪深300指数, 沪深300指数, 上证国债指数。分析了这将近10年内, 股票市场对债券市场的影响。
首先, 股票市场的价格对债券市场的价格是负相关的影响, 但是影响并没有想象中的那么重要, 只是在前4期的时候会有一个比较大的影响。
其次, 股票市场的流动量对债券市场的影响是正相关的, 影响只是短期的。
