2764 系统工程理论与实践 第33卷 模型的超越率接近VaR的伴随概率，且样本内超越率比样本外超越率更接近伴随概率.DQ检验显示，AS模 型的DQ检验不能拒绝原假设，而SAV模型、MP模型的DQ检验大部分情况下不能拒绝原假设，仅在样 本外5%水平下拒绝原假设.这表明，AS模型的VaR预测绩效较好，SAV模型、IMP模型在大部分情况下 VaR预测绩效较好.成本指标显示，在1%水平下SAV模型的VaR预测成本较低，在5%水平下AS模型的 VaR预测成本较低.由于成本指标仅是DQ检验的辅助，综合而言，贝叶斯CAViaR模型中AS模型的VaR 预测绩效较好 此外，本文以AS模型为例，比较了贝叶斯CAViaR模型与传统CAViaR模型的VaR预测绩效.检验结 果如表7显示，贝叶斯CAViaR模型与传统CAViaR模型均具有较好的预测绩效，而贝叶斯CAViaR模型 的VaR预测成本更小.因此，贝叶斯CAViaR模型的预测绩效优于传统CAViaR模型， 综上，本文研究表明，贝叶斯CAViaR模型可有效控制估计风险和模型风险并具有良好的VaR预测绩 效，优于传统CAViaR模型.此外，油价VaR具有动态变化模式，当期VaR受前期VaR的影响，并根据市场 冲击调整.油价变化会增大风险，且油价下跌影响更大， 表7贝叶斯CAViaR模型与传统CAViaR模型的检验结果 AS 伴随， 估计 超越数超越率 DQ-H P值 DQ-VaR P值 MRB MRC 模型 概率 方法 LAD 9 0.86% 0.3114 0.8558 1.2255 0.7469 0.0008 15.1660 1% MCMC 11 1.05% 3.0827 0.2141 3.1117 0.3747 -0.0008 15.1250 样本内 LAD 51 4.89%0.9608 0.6185 1.4018 0.7051 0.0028 10.2520 5% MCMC 53 5.08%0.65340.7213 1.3276 0.72260.0028 10.2170 1% LAD 17 1.63% 1.13050.5682 1.2468 0.7418 0.0009 16.0560 MCMC 17 1.63% 1.13050.5682 1.3227 0.7238 0.0009 16.0060 样本外 LAD 59 5.65%2.5128 0.2847 3.4307 0.32990.0015 10.8330 5% MCMC 60 5.75%2.72320.2563 5.0103 0.17100.0015 10.8270 注：表中LAD表示传统CAViaR棋型；MCMC表示贝叶斯CAViaR模型；超越数为实际损失超过VaR预测 值的次数；超越率为超越数占样本的比例；MRB为平均相对偏差；MRC为市场风险资本要求.P值为DQ统计 量拒绝原假设犯错误的概率；若P值小于10%，则VaR预测绩效较差，反之VaR预测绩效较好. 5研究结论 本文发展了贝叶斯CAViaR模型并用于估计油价VaR,通过比较贝叶斯CAViaR模型与传统CAViaR 模型的结果来考察贝叶斯CAViaR模型在参数估计、模型选择、VaR预测等方面的优势.采用布伦特原油 价格日数据的研究表明，油价VaR存在自回归特征，并受油价涨跌的不对称影响；贝叶斯CAViaR模型的 VaR预测绩效优于传统CAViaR模型；贝叶斯CAViaR模型的参数估计精度高，统计推断更准确；不对称斜 率CAViaR模型具有最优的模型形式.本研究不仅提出了新的模型框架，而且揭示了油价风险特征，具有重 要的理论意义并可为石油市场风险管理实践提供支持 参考文献 [1]Engle R F,Mangaelli S.CAViaR:Conditional autoregressive value at risk by regression quantiles[J.Journal of Business and Economic Statistics,2004,22(4):367-381. [2]Manganelli S,Engle R F.A comparison of value-at-risk models in financeM]//Szego G.Risk Measures for the 21st Century,Wiley,Chichester UK,2004:123-144 [3]Bao Y,Lee T,Saltoglu B.Evaluating the predictive performance of value-at-risk models in emerging markets: A reality checkJ].Journal of Forecasting,2006,25:101-128. [4]Fuss R,Adams Z,Kaiser D G.The predictive power of value-at-risk models in commodity futures markets[J]. Journal of Asset Management,2010,11(4):261-285. 5)Cabedo J,Moya I.Estimating oil price value at risk using the historical simulation approach[J).Energy Eco- nomic3,2003,25(3):239-253. [6]Sadeghi M,Shavvalpour S.Energy risk management and value at risk modeling[J].Energy Policy,2006,34(18): 3367-3373. [7]Fan Y,Jiao J L.An improved historical simulation approach for estimating 'value at risk'of crude oil priceJ]. International Journal of Global Energy Issues,2006,25(1-2):83-93. 万方数据2764 系统工程理论与实践 第33卷 模型的超越率接近VaR的伴随概率，且样本内超越率比样本外超越率更接近伴随概率．DQ检验显示，AS模 型的DQ检验不能拒绝原假设，而SAV模型、IMP模型的DQ检验大部分情况下不能拒绝原假设，仅在样 本外5％水平下拒绝原假设．这表叽AS模型的VaR预测绩效较好，SAV模型、IMP模型在大部分情况下 VaR预测绩效较好．成本指标显示，在1％水平下SAV模型的VaR预测成本较低，在5％水平下AS模型的 VaR预测成本较低．由于成本指标仅是DQ检验的辅助，综合而言，贝叶斯CAViaR模型中AS模型的VaR 预测绩效较好． 此外，本文以AS模型为例，比较了贝叶斯CAViaR模型与传统CAViaR模型的VaR预测绩效．检验结 果如表7显示，贝叶斯CAViaR模型与传统CAViaR模型均具有较好的预测绩效，而贝叶斯CAViaR模型 的VaR预测成本更小．因此，贝叶斯CAViaR模型的预测绩效优于传统CAViaR模型． 综上，本文研究表明，贝叶斯CAViaR模型可有效控制估计风险和模型风险并具有良好的VaR预测绩 效，优于传统CAViaR模型．此外，油价VaR具有动态变化模式，当期VaR受前期VaR的影响，并根据市场 冲击调整．油价变化会增大风险，且油价下跌影响更大． 表7贝叶斯CAViaR模型与传统CAViaR模型的检验结果 注：表中LAD表示传统CAViaR模型；MCMC表示贝叶斯CAViaR模型；超越数为实际损失超过VaR预测 值的次数；超越率为超越数占样本的比例；MRB为平均相对偏差；MRC为市场风险资本要求．P值为DQ统计 量拒绝原假设犯错误的概率；若P值小于10％，则VaR预测绩效较差，反之VaR预测绩效较好． 5研究结论 本文发展了贝叶斯CAViaR模型并用于估计油价VaR，通过比较贝叶斯CAViaR模型与传统CAViaR 模型的结果来考察贝叶斯CAViaR模型在参数估计、模型选择、VaR预测等方面的优势．采用布伦特原油 价格日数据的研究表明，油价VaR存在自回归特征，并受油价涨跌的不对称影响；贝叶斯CAViaR模型的 VaR预测绩效优于传统CAViaR模型；贝叶斯CAViaR模型的参数估计精度高，统计推断更准确；不对称斜 率CAViaR模型具有最优的模型形式．本研究不仅提出了新的模型框架，而且揭示了油价风险特征，具有重 要的理论意义并可为石油市场风险管理实践提供支持． 参考文献 【1]Engle R F，Mangaelli S．CAViaR：Conditional autoregressive value at risk by regression quantiles[J]．Journal of Business and Economic Statistics，2004，22(4)：367-381． 【2]Manganelli S，Engle R F．A comparison of value—at—risk models in finance[M]／／Sze95 G．Risk Measures for the 21st Century，Wiley，Chichester UK，2004：123—144． [3]Bao Y，Lee T，Salto莒lu B．Evaluating the predictive performance of value-at—risk models in emerging markets： A reality check[J]．Journai of Forecasting，2006，25：101—128． 【4】Fuss R，Adams Z，Kaiser D G．The predictive power of value-at-risk models in commodity futures markets[J]． Journal of Asset Management，2010，ll(4)：261—285． [5】Cabedo J，Moya I．Estimating oil price value at risk using the historical simulation approach[J]．Energy Eco￾nomics，2003，25(3)：239-253． 【6】Sadeghi M，Shawaipour S．Energy risk management and value at risk modeling[J]．Energy Policy,2006，34(18)： 3367-3373． [7]Fan Y，Jiao J L．An improved historical simulation approach for estimating‘value at risk’of crude oil price[J]． International Journal of Globai Energy Issues，2006，25(1—2)：83—93． 万方数据