巴塞尔协定下探索台湾外汇市场的风(黄圣志、刘洪钧)

從巴塞爾協定探索臺灣外匯市場之風險值估計劉洪鈞、黃聖志*摘要1975年由十大工業國發起正視其金融機構倒閉問題，進而積極提出「巴塞爾資本協定」(BaselCapitalAccord)。1988年巴塞爾資本協定II(BaselII)允許使用內部模型法去規範一般之市場風險與信用風險。風險管理已成為銀行業重要之議題。本文致力於探索巴塞爾協定下臺灣外匯市場之最適風險值估計方法。本文採取RiskMetrics、GARCH(1,1)與GJR-GARCH三種風險值模型，對美金(USD)、日幣(YEN)、港幣(HKD)及歐元(EUR)之匯率日資料進行實證，探討何種風險值模型具有較佳之風險管理績效。實證結果如下：首先，一般在風險值的績效評估，其準確性與效率性存在抵換關係，因此僅港幣在90%之信心水準下，RiskMetrics模型兼具準確性與效率性。其次，由於RiskMetrics模型所估計之平均風險值較小，因此在大多數的情況下，其效率性相對較佳。再者，在大多數情況下，以GARCH(1,1)模型及GJR-GARCH模型的準確性較佳。最後，以日幣匯率為例，由於GJR-GARCH模型可補捉金融資產報酬率之不對稱效果(leverageeffect)，因此在準確性表現優於其它模型。實證結果建議操作日幣之金融機構或一般投資大眾，較為保守之管理者，應用GJR-GARCH模型；較積極管理者，應用RiskMetrics模型。關鍵詞：風險值、匯率、市場風險、RiskMetrics、GARCH*聯絡作者：黃聖志，淡江大學財務金融研究所博士班，台北縣淡水鎮英專路151號，電話：[phone],傳真：[phone],E-mail：[e-mail].11.前言1988年國際清算銀行(BankforInternationalSettlement,BIS)其所屬的巴塞爾銀行監理委員會(BaselCommitteeonBankingSupervision)公佈巴塞爾資本協定I(TheBaselCapitalAccord,BaselI)1，正式揭開銀行必須提列最低資本適足率2須超過8%以上，以吸收其潛在之風險損失揭開序幕。1992年巴塞爾資本協定I(BaselI)開始實施，自從施行至今，曾歷經多次修正，其中最重要的修定為1996年將銀行所持有之債券、股票、外匯與商品期貨等交易部位從信用風險架構中予以獨立出來，另以「市場風險」規定其所應計提之適足資本。巴塞爾資本協定在1993年建議以風險值(Value-at-Risk,VaR)作為衡量市場風險的標準，再加上J.P.Morgan(1996)對RiskMetrics的大力推動，此後，風險值便成為了市場上普遍認同較佳衡量市場風險的方法。在1997年時，十大工業國(G-10)同意採行兩種衡量資本適足額度的方案，其一為標準(standardized)方案，另一則為國際清算銀行建議的內部模型(internalmodel)方案。所謂內部模型是指鼓勵金融機構在符合主管機關的規定之下，自行發展一套適合其內部風險控管系統的方法，如此所估計的最適資本會較標準法來得更為精確。我們將使用內部模型方案之精神進行外匯風險值之估計。在過去十年當中，市場風險之工具的衡量與管理發展得非常迅速。在眾多風險管理的理論模型中，在給定機率下風險值模型能夠清楚的提供其所可能產生的1「巴塞爾資本協定」(BaselCapitalAccord)其形成之主要原因為1974年前聯邦德國赫爾斯塔銀行（HerstattBank）和美國的佛蘭克林國民銀行（FranklinNationalBank）兩大銀行相繼倒閉，在這兩家國際著名銀行倒閉第二年，也就是1975年9月，由十大工業國發起（美國、加拿大、法國、德國、義大利、日本、英國、瑞典、比利時與荷蘭等10國），正視其金融機構倒閉問題，進而積極提出「巴塞爾資本協定」(BaselCapitalAccord)。2資本適足率=自有合格資本/風險資產=自有合格資本/信用風險資產；至於，我國證券商、票券業、保險業及金控公司其資本適足率普遍要求超過8%以上。金融機構之資本適足率若低於主管機關規定者，監理機關可能促使其改善經營品質及績效，其精神主要已經符合巴塞爾資本協定I(BaselI)，進而向巴塞爾資本協定II(BaselII)邁進。2損失程度，由於它的觀念十分簡單，且能夠將市場風險具體地數量化，因此風險值已成為許多金融機構、風險管理者、甚至於一般投資大眾用來作為規避市場風險的第一道防線。風險值的概念，即是在給定信心水準為c%及某一特定持有期間下，投資組合在未來最大可能的損失金額。換句話說，只有(1-c)%的機率，投資組合在未來的損失會超過此一金額。在給定顯著水準(1-c)%下，風險值計算方式為VaRc=Zctσ，其中Zc表示給定報酬率分配下，左尾機率為(1-c)%的百分位數(quantile)。表示由參數化模型所估計出來之波動性預測值。tσ許多實證研究大多專注於股票市場或債券市場之風險值研究(Alexander,2005;ChenandTang,2005;GiotandLaurent,2003,2004;HuangandLin,2004;Chiuetal.,2005;BrooksandPersand,2002)，而在外匯市場特別探討我國常見外幣現鈔方面(美金、日幣、港幣及歐元)之風險值較少，希望藉由此研究檢視外匯市場之風險程度，進一步提升我國各大銀行對於外匯風險管理之績效，向新巴塞爾資本協定(BaselII)邁進。本文採用我國中央銀行外匯統計資料包括美金(USD)、日幣(YEN)、港幣(HKD)及歐元3(EUR)之匯率資料為對象進行實證分析，資料型態採取日資料；四種匯率之資料期間為1999年1月5日至2006年12月29日，皆為2001筆。時間起始點選取之原因為，1999年1月5日為歐元正式掛排上市日。由於我國一般外匯指定銀行以此四種外幣現金交易最為普遍，亦即持有較多之部位，因此本文將著重於探討此四種外匯匯率在多頭部位(longposition)之風險值績效表現。實證結果如下：(1)一般在風險值的績效評估，其準確性(accuracy)與效率性(efficiency)存在一個抵換關係(tradeoff)。故僅港幣在90%之信心水準下，RiskMetrics模型兼具準確性與效率性。(2)由於RiskMetrics模型所估計之平均3我國中央銀行外匯統計資料包括美金(USD)、日幣(YEN)、港幣(HKD)及歐元(EUR)之匯率資料是以美元為報價幣為基礎。3風險值較小，因此在大多數的情況下，其效率性相對較佳。(3)在準確性估計方面，以GARCH(1,1)模型及GJR-GARCH模型表現較RiskMetrics模型效果為佳。(4)以日幣匯率為例，由於GJR-GARCH模型可補捉金融資產報酬率之不對稱效果(leverageeffect)，因此在準確性表現優於其它模型；效率性方面，則以RiskMetrics模型表現最佳。實證結果建議操作日幣之金融機構或一般投資大眾，較為保守之管理者，應用GJR-GARCH模型；較積極管理者，應用RiskMetrics模型。本文的研究架構如下：第二節為文獻回顧；第三節為不同誤差項分配GARCH模型之風險值估計方法；第四節為風險值績效評估準則；第五節為實證資料來源、實證結果分析與探討；最後則是結論。2.文獻回顧一般金融市場經常探討的風險諸如信用風險(creditrisk)、流動性風險(liquidityrisk)與市場風險(marketrisk)。而風險值則主要探討市場風險的量化程度。當持有多頭部位的銀行，其風險來自於現貨價格的下跌，此時投資者關心的是報酬率的左尾分佈，亦即下方風險的部分。倘若高估了風險，將使金融機構保留過多的資金而喪失過多的機會成本；反之，將使金融機構面臨資金週轉不靈甚至倒閉的命運。Engle(1982)最早假設報酬率的動態過程服從常態分配。Akgiray(1989)，BrooksandPersand(2002),GiotandLaurent(2003,2004)andHuangandLin(2004)均指出金融資產報酬率亦具有自我相關(autocorrelation)以及波動性叢聚(volatilityclustering)等特性，因此在許多風險管理的實證研究均會使用GARCH模型來估計報酬率的波動性。本文其模型將選擇GARCH(1,1)、GJR-GARCH、RiskMetrics模型出發。Hendricks(1996)針對匯率資料採用加權平均移動平均法(equallyweighted4movingaverageapproach,EQMA)、指數加權移動平均法(exponentiallyweightedmovingaverageapproach,EWMA或RiskMetrics)、歷史模擬法，並設定不同的衰退因子(decayfactor)、不同估計期間，進行風險值的估計。實證結果指出市場波動確實存在條件變異且報酬率分配呈現厚尾的型態。因此以指數加權移動平均法(EWMA)的預測結果優於加權平均移動平均法(EQMA)；這是本文使用RiskMetrics模型的原因之一。林允永、邱建良、洪瑞成(2005)以GARJI模型與GARCH模型估計布朗特原油期貨、S&P500股價指數現貨與美國30年期公債期貨之風險值。實證結果發現，兩種模型皆能通過回溯測試，但以GARJI模型在風險管理的績效具有較佳的結果。實務上，用GARJI模型估計不易，本文建議改採GJR-GARCH(Glosten,Jagannathan,andRunkle,1993)模型估計較為簡易，其又可看其不對稱效果，進而見匯率有無槓桿效應(leverageeffect)4。張揖平、洪明欽、陳哲弘(2003)對台灣股價指數現貨與美元兌新台幣匯率之日資料進行實證，然而文中僅以穿透率5作為風險值模型的績效評估準則，亦不夠客觀。本文將補充(1)LR檢定統計量去作回溯測試檢定(2)再用兩種損失函數(多頭部位之二元平均失誤率或簡稱為平均失誤率(averagebinarylossfunction,ABLF)及多頭部位的二次平均失誤率(averagequadraticlossfunction,AQLF)作為模型準確性評估的輔助準則(3)以均方誤差(RootMeanSquareError,RMSE)準則對風險值模型進行資金使用效率的衡量。Christoffersenetal.(2000)研究中指出，波動性模型對於波動性的預測能力，隨著預測期間(forecasthorizon)的增加而呈現快速的遞減。然而，在實務應用層面，一般金融機構或投信，因其投資資產的週轉率相當高(亦即有4Black（1976）和Christie（1982）對此槓桿效應存在的經濟意涵為負面的消息使得企業產生負的超額報酬，企業價值降低，公司之權益資本相對於債務比值下降，槓桿比率提高，持有股票的風險上升，使資產風險及未來股價報酬率波動提高；相反地，正面消息帶來正的超額報酬，企業價值增加，槓桿比率降低，資產風險和股價的波動便隨之減少；我們想運用此一觀念運用於我國之外匯市場。5穿透率係指實際資產報酬率超過預測風險值的比率。5mark-to-market的特性)，通常採取報告每日風險值。因此本文將著重於一天的風險值估計(one-aheadVaRestimation)。至於信心水準的選取，金融機構或投信所選取的信心水準不盡相同，大都介於90%~99%之間。信心水準越低表示VaR值越低；反之，信心水準越高表示VaR值越高。因此本文將分別探討90%、95%、99%、99.5%四種信心水準下，各個風險值模型之每日VaR值的風險管理績效。HansenandLunde(2005)實證結果用外匯資料估計出GARCH(1,1)是較優的估計模型，用外匯資料不易存在槓桿效應（leverageeffect）。本文想要進一步實證是否在不同外匯是否GARCH(1,1)是較優的VaR值風