2.4 质物资产相关性程度对组合分散风险能力的影响

上述研究表明，当组合内质物种类既定，降低相关系数可以实现风险的有效分散，通过研究相关系数对质物组合风险的影响，可以实现风险限额管理下质物组合的动态优化调整甚至经济资本的配置。相比股票、期货等金融资产完善的数据库，我国现货质物价格数据库尚不完善，从而导致实证研究中往往面临样本数量或种类不足的“小样本”问题，以上仅分别以铜和螺纹钢（弱相关）以及铜和铝（强相关）这两组真实的质物组合为例进行VaR预测。为进一步验证模型的普适性，提出新的数据生成过程（Data Generating Process）产生新的样本，对模拟生成不同相关性的质物组合收益率进行拓展研究。由于质物收益率间相关结构仅取决于标准残差项的相关性，简化起见，暂不考虑条件均值的影响，对数收益率公式变为：

数据生成过程如下：①根据表2-3，以铜和螺纹钢的条件波动率作为生成元，得到铜和螺纹钢的条件波动率向量 ，如图2-6所示；②借助于Copula函数以及式（2-6）生成不同秩相关系数的随机数矩阵（ u ， v ），并通过逆概率变换生成标准残差项的矩阵 ；③根据式（2-14）得到不同相关性的质物组合收益率（ ）。

篇幅所限，加之业务实践中，物流企业和银行更加关注引起极端损失的下尾部结构变化，因此，以能够刻画收益率下尾部结构的Clayton-Copula函数为例，分别生成 τ =0.2，0.4，0.6，0.8，四组随机数矩阵（见图2-7），最终生成四组收益率序列（见图2-8）。在此基础上，对四组数据建立Copula-GARCH族模型，进而预测风险，与此同时引入历史模拟法和EWMA模型进行比较和回测。篇幅所限，模型估计以及预测的具体过程不再赘述，在此仅列出不同方法下VaR的预测值以及回测检验结果，如图2-9和表2-7所示。

从图2-9和表2-7可以发现，模拟生成的四组数据中，Clayton-Copula函数、历史模拟法以及EWMA几乎均能通过 LR 统计量检验，尽管Clayton-Copula函数在秩相关系数 τ =0.8的质物组合中，对风险存在一定的低估。这进一步说明，Copula GARCH模型总体而言改善了风险预测的效果，尤其在弱相关组合层面。事实上，每种模型均有其自身的适用条件，Copula-GARCH模型具有刻画质物收益率尖峰厚尾等非正态的典型事实特征，同时捕捉质物间非线性、非对称以及尾部相关关系的能力，这对于银行构建最优的质物组合，实现风险的有效分散提供了定量决策参考，这是历史模拟法以及EWMA模型等传统方法难以比拟的。

如上述分析，Clayton-Copula，Hs以及EWMA三种模型能够估计 τ =0.2， τ =0.4， τ =0.6三组质物组合的风险，而不会造成低估。进一步，立足供应链金融实践，通过长期风险预测视角下的动态质押率模型分析上述三组模型融资效率损失（即分散风险的能力）。质押期限以及风险窗口的设定同小节2.3.5，在此不再赘述。根据式（2-12）、式（2-13），进行长期风险的测度，进而测算出三组不同秩相关系数组合的质押率，结果如图2-10所示。

通过图2-10可以发现，随着质物组合资产间秩相关性的增强，组合分散风险的能力越来越弱，这进一步证实并拓展了Markowitz组合内资产间的相关性（不仅局限于线性相关而是扩展至包括线性、非线性以及尾部等资产全面相关结构）与组合风险分散能力的呈负向相关关系的结论。而且与无风险分散下计算得到的质押率相比，三组质物组合内，Clayton-Copula模型融资效率损失最低，即分散风险能力最强（以12个月风险窗口为例，最大融资效率损失，可以分别改善31%，29%，20%），其次是EWMA模型，而历史模拟法估计风险较为保守，会降低组合分散风险的初衷。这再次证明了基于Copula-GARCH族模型的质物组合风险预测模型在预测风险的同时能够切实发挥质物组合分散风险的作用，从而提高融资效率。 feLb0s7FEsDR21fesXrD9CghkEcmct6jt9yUqAJkFo4iNeJWxzPIfPV/3Nny/KBH