基于GARCH類(lèi)-EVT模型的原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)精準(zhǔn)度量與分析一、引言1.1研究背景與意義原油，作為全球經(jīng)濟(jì)運(yùn)行的關(guān)鍵能源和基礎(chǔ)工業(yè)原料，素有“黑色黃金”的美譽(yù)，在現(xiàn)代社會(huì)中占據(jù)著舉足輕重的地位。從能源供應(yīng)角度看，原油是交通運(yùn)輸領(lǐng)域不可或缺的動(dòng)力來(lái)源，無(wú)論是汽車(chē)、飛機(jī)還是船舶，其運(yùn)行都依賴(lài)于原油提煉的燃料。在工業(yè)生產(chǎn)方面，原油更是眾多化工產(chǎn)品的基礎(chǔ)原料，像塑料、橡膠、化纖等行業(yè)的發(fā)展都與原油緊密相連。同時(shí)，原油在國(guó)際貿(mào)易中也扮演著極為重要的角色，是全球交易量最大的商品之一，其價(jià)格波動(dòng)對(duì)各國(guó)貿(mào)易平衡有著重大影響。近年來(lái)，國(guó)際原油市場(chǎng)價(jià)格波動(dòng)頻繁且幅度劇烈，呈現(xiàn)出復(fù)雜多變的態(tài)勢(shì)。例如，在2020年新冠疫情爆發(fā)初期，全球經(jīng)濟(jì)活動(dòng)受限，原油需求大幅下降，國(guó)際原油價(jià)格暴跌，美國(guó)西得克薩斯輕質(zhì)原油（WTI）期貨價(jià)格甚至出現(xiàn)了歷史罕見(jiàn)的負(fù)值。而在2022年，受地緣政治沖突影響，國(guó)際原油價(jià)格又大幅上漲，給全球經(jīng)濟(jì)帶來(lái)了巨大沖擊。這種大幅波動(dòng)不僅影響了能源市場(chǎng)的穩(wěn)定，也對(duì)全球經(jīng)濟(jì)和金融市場(chǎng)產(chǎn)生了廣泛而深遠(yuǎn)的影響。從經(jīng)濟(jì)層面來(lái)看，原油價(jià)格波動(dòng)直接影響著企業(yè)的生產(chǎn)成本和居民的生活成本。對(duì)于用油企業(yè)，油價(jià)上漲會(huì)導(dǎo)致運(yùn)輸成本、原材料成本增加，壓縮企業(yè)利潤(rùn)空間，甚至可能引發(fā)產(chǎn)品價(jià)格上漲，進(jìn)而影響消費(fèi)者購(gòu)買(mǎi)力和市場(chǎng)需求；油價(jià)下跌雖能降低企業(yè)成本，但也可能導(dǎo)致能源行業(yè)投資減少，影響能源供應(yīng)安全。從金融市場(chǎng)角度分析，原油價(jià)格波動(dòng)會(huì)影響能源類(lèi)股票、期貨、債券等金融產(chǎn)品的價(jià)格走勢(shì)，進(jìn)而影響投資者的資產(chǎn)配置和投資收益。例如，油價(jià)上漲時(shí)，石油和天然氣公司的股票往往會(huì)上漲，而航空、物流等行業(yè)的股票則可能下跌；反之，油價(jià)下跌時(shí)，情況則相反。此外，原油價(jià)格波動(dòng)還會(huì)引發(fā)投資者情緒變化，導(dǎo)致資金在不同資產(chǎn)類(lèi)別之間流動(dòng)，影響金融市場(chǎng)的穩(wěn)定性。在這樣的背景下，準(zhǔn)確度量原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)顯得尤為必要。對(duì)于能源企業(yè)而言，精準(zhǔn)度量風(fēng)險(xiǎn)可以幫助企業(yè)制定合理的生產(chǎn)、采購(gòu)和銷(xiāo)售策略，有效規(guī)避價(jià)格波動(dòng)帶來(lái)的風(fēng)險(xiǎn)，保障企業(yè)的穩(wěn)定運(yùn)營(yíng)和盈利。比如，企業(yè)可以根據(jù)風(fēng)險(xiǎn)度量結(jié)果，合理安排原油庫(kù)存，利用期貨、期權(quán)等衍生工具進(jìn)行套期保值，鎖定成本和利潤(rùn)。對(duì)于金融機(jī)構(gòu)來(lái)說(shuō)，準(zhǔn)確評(píng)估原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)有助于其合理定價(jià)金融產(chǎn)品，有效管理投資組合風(fēng)險(xiǎn)，避免因原油價(jià)格波動(dòng)導(dǎo)致的重大損失。對(duì)于政府部門(mén)，掌握原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)狀況可以為制定科學(xué)合理的能源政策、宏觀經(jīng)濟(jì)政策提供依據(jù)，維護(hù)國(guó)家能源安全和經(jīng)濟(jì)穩(wěn)定。例如，政府可以根據(jù)風(fēng)險(xiǎn)評(píng)估結(jié)果，調(diào)整石油戰(zhàn)略?xún)?chǔ)備規(guī)模，引導(dǎo)能源產(chǎn)業(yè)結(jié)構(gòu)調(diào)整，促進(jìn)能源市場(chǎng)的穩(wěn)定發(fā)展。因此，深入研究基于GARCH類(lèi)-EVT模型的原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)度量，具有重要的理論和現(xiàn)實(shí)意義。1.2國(guó)內(nèi)外研究現(xiàn)狀在原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)度量領(lǐng)域，國(guó)內(nèi)外學(xué)者運(yùn)用多種模型進(jìn)行了深入研究，為該領(lǐng)域的發(fā)展奠定了堅(jiān)實(shí)基礎(chǔ)。國(guó)外學(xué)者在GARCH類(lèi)模型應(yīng)用方面開(kāi)展了大量研究。Bollerslev在1986年開(kāi)創(chuàng)性地提出了廣義自回歸條件異方差（GARCH）模型，該模型能夠有效捕捉金融時(shí)間序列的波動(dòng)聚集性和時(shí)變性，被廣泛應(yīng)用于原油價(jià)格波動(dòng)分析。此后，眾多學(xué)者在此基礎(chǔ)上進(jìn)行拓展。比如，Nelson提出EGARCH模型，該模型不僅考慮了波動(dòng)的聚集性，還能刻畫(huà)收益率波動(dòng)的非對(duì)稱(chēng)性，即“杠桿效應(yīng)”，研究發(fā)現(xiàn)原油市場(chǎng)中負(fù)面消息對(duì)價(jià)格波動(dòng)的影響往往大于正面消息。Engle和Ng通過(guò)建立GJR-GARCH模型，同樣對(duì)原油價(jià)格收益率的非對(duì)稱(chēng)波動(dòng)特征進(jìn)行了深入分析，進(jìn)一步證實(shí)了原油市場(chǎng)中存在的非對(duì)稱(chēng)現(xiàn)象。在EVT模型的應(yīng)用上，國(guó)外學(xué)者也取得了豐富成果。McNeil和Frey將EVT模型應(yīng)用于金融風(fēng)險(xiǎn)度量，對(duì)厚尾分布下的風(fēng)險(xiǎn)評(píng)估進(jìn)行了研究，為原油價(jià)格極端風(fēng)險(xiǎn)度量提供了新的思路。他們指出，傳統(tǒng)的風(fēng)險(xiǎn)度量方法在處理極端事件時(shí)存在局限性，而EVT模型能夠更好地捕捉極端風(fēng)險(xiǎn)，為金融機(jī)構(gòu)和投資者提供更準(zhǔn)確的風(fēng)險(xiǎn)評(píng)估。Danielsson和deVries通過(guò)實(shí)證研究，驗(yàn)證了EVT模型在度量原油價(jià)格極端風(fēng)險(xiǎn)方面的有效性，強(qiáng)調(diào)了準(zhǔn)確評(píng)估極端風(fēng)險(xiǎn)對(duì)于能源市場(chǎng)參與者的重要性。在GARCH類(lèi)模型與EVT模型結(jié)合應(yīng)用方面，國(guó)外學(xué)者進(jìn)行了積極探索。Alexander和Sheedy將GARCH模型與EVT模型相結(jié)合，用于度量金融市場(chǎng)風(fēng)險(xiǎn)，取得了較好的效果。他們通過(guò)實(shí)證分析表明，這種結(jié)合模型能夠充分發(fā)揮GARCH模型刻畫(huà)波動(dòng)聚集性的優(yōu)勢(shì)以及EVT模型處理極端值的能力，更準(zhǔn)確地度量原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)。國(guó)內(nèi)學(xué)者在原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)度量研究方面也取得了顯著進(jìn)展。在GARCH類(lèi)模型應(yīng)用方面，許多學(xué)者結(jié)合中國(guó)原油市場(chǎng)特點(diǎn)進(jìn)行研究。例如，一些學(xué)者運(yùn)用GARCH模型對(duì)中國(guó)原油期貨價(jià)格波動(dòng)進(jìn)行分析，研究發(fā)現(xiàn)中國(guó)原油期貨市場(chǎng)存在明顯的波動(dòng)聚集性和時(shí)變性，市場(chǎng)參與者需要關(guān)注市場(chǎng)波動(dòng)的動(dòng)態(tài)變化，合理調(diào)整投資策略。還有學(xué)者通過(guò)建立TGARCH模型，分析了國(guó)際原油價(jià)格對(duì)中國(guó)原油市場(chǎng)的非對(duì)稱(chēng)影響，結(jié)果表明國(guó)際原油價(jià)格上漲對(duì)中國(guó)原油市場(chǎng)的影響大于下跌的影響，中國(guó)應(yīng)加強(qiáng)對(duì)國(guó)際原油市場(chǎng)波動(dòng)的監(jiān)測(cè)和應(yīng)對(duì)。在EVT模型應(yīng)用方面，國(guó)內(nèi)學(xué)者也進(jìn)行了有益嘗試。如劉小瑜和李浩采用EVT-CAViaR模型度量原油價(jià)格極端風(fēng)險(xiǎn)，研究發(fā)現(xiàn)WTI原油市場(chǎng)呈現(xiàn)典型的“杠桿效應(yīng)”與“高峰厚尾”特征，同時(shí)該模型在測(cè)算極端市場(chǎng)風(fēng)險(xiǎn)時(shí)具有較強(qiáng)的預(yù)測(cè)風(fēng)險(xiǎn)能力，為原油價(jià)格極端風(fēng)險(xiǎn)度量提供了有效的工具。在GARCH類(lèi)模型與EVT模型結(jié)合應(yīng)用方面，國(guó)內(nèi)學(xué)者也開(kāi)展了相關(guān)研究。部分學(xué)者將GARCH模型與EVT模型相結(jié)合，對(duì)原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)進(jìn)行度量，結(jié)果表明結(jié)合模型在度量原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)時(shí)比單一模型具有更高的準(zhǔn)確性和可靠性，能夠?yàn)橥顿Y者和企業(yè)提供更有效的風(fēng)險(xiǎn)管理建議。盡管?chē)?guó)內(nèi)外學(xué)者在原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)度量方面取得了豐碩成果，但仍存在一些不足之處。一方面，現(xiàn)有研究在選擇模型時(shí)，往往側(cè)重于模型的理論優(yōu)勢(shì)，而對(duì)原油市場(chǎng)的實(shí)際特征和數(shù)據(jù)特點(diǎn)考慮不夠全面。例如，在一些研究中，雖然使用了復(fù)雜的模型，但沒(méi)有充分考慮原油市場(chǎng)的季節(jié)性、周期性以及突發(fā)事件等因素對(duì)價(jià)格波動(dòng)的影響，導(dǎo)致模型的實(shí)際應(yīng)用效果受到一定限制。另一方面，對(duì)于模型的參數(shù)估計(jì)和檢驗(yàn)方法，還需要進(jìn)一步優(yōu)化和完善。不同的參數(shù)估計(jì)方法和檢驗(yàn)標(biāo)準(zhǔn)可能會(huì)導(dǎo)致結(jié)果的差異，影響風(fēng)險(xiǎn)度量的準(zhǔn)確性。此外，在模型的比較和選擇方面，缺乏統(tǒng)一的標(biāo)準(zhǔn)和方法，使得不同研究之間的結(jié)果難以進(jìn)行有效比較和驗(yàn)證。與已有研究相比，本研究具有以下創(chuàng)新點(diǎn)。一是在模型選擇上，充分考慮原油市場(chǎng)的復(fù)雜性和數(shù)據(jù)特點(diǎn)，綜合運(yùn)用多種GARCH類(lèi)模型和EVT模型，并對(duì)不同模型的適用性進(jìn)行深入分析和比較，以選擇最適合原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)度量的模型組合。二是在參數(shù)估計(jì)和檢驗(yàn)方面，采用更加科學(xué)、合理的方法，提高模型參數(shù)估計(jì)的準(zhǔn)確性和穩(wěn)定性，同時(shí)運(yùn)用多種檢驗(yàn)方法對(duì)模型進(jìn)行驗(yàn)證，確保風(fēng)險(xiǎn)度量結(jié)果的可靠性。三是在研究?jī)?nèi)容上，不僅關(guān)注原油價(jià)格的一般波動(dòng)風(fēng)險(xiǎn)，還深入研究極端風(fēng)險(xiǎn)情況，通過(guò)對(duì)極端風(fēng)險(xiǎn)的準(zhǔn)確度量，為市場(chǎng)參與者提供更全面、有效的風(fēng)險(xiǎn)管理策略。1.3研究方法與技術(shù)路線本研究綜合運(yùn)用多種研究方法，確保研究的科學(xué)性、嚴(yán)謹(jǐn)性和有效性，具體如下：文獻(xiàn)研究法：系統(tǒng)梳理國(guó)內(nèi)外關(guān)于原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)度量、GARCH類(lèi)模型、EVT模型以及兩者結(jié)合應(yīng)用的相關(guān)文獻(xiàn)資料。通過(guò)對(duì)大量文獻(xiàn)的研讀和分析，全面了解該領(lǐng)域的研究現(xiàn)狀、發(fā)展趨勢(shì)以及存在的問(wèn)題，為后續(xù)研究提供堅(jiān)實(shí)的理論基礎(chǔ)和研究思路。例如，在研究初期，廣泛查閱了學(xué)術(shù)期刊論文、學(xué)位論文、行業(yè)報(bào)告等，對(duì)不同學(xué)者運(yùn)用GARCH類(lèi)模型和EVT模型度量原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)的方法、結(jié)果及結(jié)論進(jìn)行對(duì)比分析，從而明確本研究的切入點(diǎn)和創(chuàng)新方向。實(shí)證分析法：以實(shí)際的原油價(jià)格數(shù)據(jù)為基礎(chǔ)，運(yùn)用相關(guān)模型進(jìn)行實(shí)證分析。收集國(guó)際原油市場(chǎng)的歷史價(jià)格數(shù)據(jù)，如美國(guó)西得克薩斯輕質(zhì)原油（WTI）價(jià)格、英國(guó)北海布倫特原油（Brent）價(jià)格等，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和統(tǒng)計(jì)分析，了解原油價(jià)格收益率的基本特征，如均值、方差、偏度、峰度等，判斷數(shù)據(jù)是否具有波動(dòng)聚集性、厚尾性等特點(diǎn)。然后，分別運(yùn)用GARCH類(lèi)模型（如GARCH、EGARCH、GJR-GARCH等）對(duì)原油價(jià)格收益率的波動(dòng)進(jìn)行建模，估計(jì)模型參數(shù)，分析不同模型對(duì)原油價(jià)格波動(dòng)的刻畫(huà)能力。在此基礎(chǔ)上，結(jié)合EVT模型，對(duì)原油價(jià)格的極端風(fēng)險(xiǎn)進(jìn)行度量，通過(guò)實(shí)證結(jié)果評(píng)估模型的有效性和準(zhǔn)確性。對(duì)比分析法：對(duì)不同的GARCH類(lèi)模型、EVT模型以及兩者結(jié)合的模型進(jìn)行對(duì)比分析。比較不同模型在參數(shù)估計(jì)、擬合優(yōu)度、風(fēng)險(xiǎn)度量準(zhǔn)確性等方面的差異，評(píng)估各模型的優(yōu)缺點(diǎn)和適用性。例如，通過(guò)計(jì)算不同模型下的風(fēng)險(xiǎn)價(jià)值（VaR）和條件風(fēng)險(xiǎn)價(jià)值（CVaR），并與實(shí)際損失數(shù)據(jù)進(jìn)行對(duì)比，分析各模型對(duì)原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)的度量效果，從而選擇最適合原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)度量的模型組合。本研究的技術(shù)路線如圖1-1所示：數(shù)據(jù)收集與預(yù)處理：收集國(guó)際原油市場(chǎng)的歷史價(jià)格數(shù)據(jù)，數(shù)據(jù)來(lái)源包括權(quán)威的金融數(shù)據(jù)提供商、能源行業(yè)數(shù)據(jù)庫(kù)等。對(duì)收集到的數(shù)據(jù)進(jìn)行清洗，去除異常值和缺失值，然后進(jìn)行對(duì)數(shù)收益率轉(zhuǎn)換，使其更符合金融時(shí)間序列分析的要求。數(shù)據(jù)統(tǒng)計(jì)特征分析：對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，計(jì)算均值、方差、偏度、峰度等統(tǒng)計(jì)量，繪制收益率序列的時(shí)間序列圖、自相關(guān)圖和偏自相關(guān)圖，初步判斷數(shù)據(jù)的平穩(wěn)性、波動(dòng)聚集性和厚尾性等特征，為模型選擇提供依據(jù)。GARCH類(lèi)模型構(gòu)建與估計(jì)：根據(jù)數(shù)據(jù)特征，選擇合適的GARCH類(lèi)模型（如GARCH、EGARCH、GJR-GARCH等）進(jìn)行建模。運(yùn)用極大似然估計(jì)等方法對(duì)模型參數(shù)進(jìn)行估計(jì)，得到模型的具體表達(dá)式，分析模型對(duì)原油價(jià)格收益率波動(dòng)的擬合效果。EVT模型構(gòu)建與估計(jì)：對(duì)GARCH類(lèi)模型擬合后的殘差序列進(jìn)行分析，判斷是否存在極端值。若存在極端值，則運(yùn)用EVT模型（如POT模型）對(duì)極端值進(jìn)行建模，估計(jì)模型參數(shù)，確定閾值和廣義帕累托分布的形狀參數(shù)和尺度參數(shù)。GARCH類(lèi)-EVT模型結(jié)合與風(fēng)險(xiǎn)度量：將GARCH類(lèi)模型和EVT模型相結(jié)合，利用GARCH類(lèi)模型刻畫(huà)原油價(jià)格收益率的波動(dòng)特征，用EVT模型度量極端風(fēng)險(xiǎn)。通過(guò)計(jì)算風(fēng)險(xiǎn)價(jià)值（VaR）和條件風(fēng)險(xiǎn)價(jià)值（CVaR）等風(fēng)險(xiǎn)指標(biāo)，評(píng)估原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)水平。模型檢驗(yàn)與評(píng)估：運(yùn)用多種檢驗(yàn)方法對(duì)構(gòu)建的模型進(jìn)行檢驗(yàn)，如回測(cè)檢驗(yàn)、似然比檢驗(yàn)等。通過(guò)回測(cè)檢驗(yàn)，將模型預(yù)測(cè)的風(fēng)險(xiǎn)值與實(shí)際發(fā)生的損失進(jìn)行對(duì)比，評(píng)估模型的預(yù)測(cè)準(zhǔn)確性；通過(guò)似然比檢驗(yàn)，判斷模型的擬合優(yōu)度。根據(jù)檢驗(yàn)結(jié)果，對(duì)模型進(jìn)行優(yōu)化和改進(jìn)。結(jié)果分析與對(duì)策建議：對(duì)模型度量結(jié)果進(jìn)行深入分析，探討原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)的特征、影響因素及變化趨勢(shì)?；诜治鼋Y(jié)果，為能源企業(yè)、金融機(jī)構(gòu)和政府部門(mén)提出針對(duì)性的風(fēng)險(xiǎn)管理策略和政策建議，如企業(yè)如何合理利用衍生工具進(jìn)行套期保值、金融機(jī)構(gòu)如何優(yōu)化投資組合、政府如何加強(qiáng)能源市場(chǎng)監(jiān)管等。[此處插入圖1-1：技術(shù)路線圖]二、理論基礎(chǔ)2.1GARCH類(lèi)模型2.1.1GARCH模型原理在金融市場(chǎng)中，資產(chǎn)價(jià)格的波動(dòng)呈現(xiàn)出復(fù)雜的動(dòng)態(tài)變化，傳統(tǒng)的時(shí)間序列模型難以準(zhǔn)確刻畫(huà)這種波動(dòng)特征。為了更有效地描述金融時(shí)間序列的異方差性和波動(dòng)集聚性，Bollerslev于1986年提出了廣義自回歸條件異方差（GeneralizedAutoregressiveConditionalHeteroskedasticity，GARCH）模型，該模型在金融領(lǐng)域得到了廣泛應(yīng)用，尤其在度量原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)方面具有重要作用。GARCH(p,q)模型的基本形式如下：均值方程：均值方程：r_t=\mu_t+\epsilon_t條件方差方程：\sigma_t^2=\omega+\sum_{i=1}^{q}\alpha_i\epsilon_{t-i}^2+\sum_{j=1}^{p}\beta_j\sigma_{t-j}^2其中，r_t表示t時(shí)刻的收益率，\mu_t為t時(shí)刻的期望收益率，\epsilon_t是t時(shí)刻的殘差，\sigma_t^2為t時(shí)刻的條件方差，\omega為常數(shù)項(xiàng)，\alpha_i和\beta_j分別為ARCH項(xiàng)和GARCH項(xiàng)的系數(shù)，且滿(mǎn)足\omega>0，\alpha_i\geq0（i=1,2,\cdots,q），\beta_j\geq0（j=1,2,\cdots,p），\sum_{i=1}^{q}\alpha_i+\sum_{j=1}^{p}\beta_j<1，以保證方差平穩(wěn)。在該模型中，條件方差不僅依賴(lài)于過(guò)去的殘差平方（ARCH項(xiàng)），還依賴(lài)于過(guò)去的條件方差（GARCH項(xiàng)）。這使得GARCH模型能夠捕捉到金融時(shí)間序列的波動(dòng)集聚性，即大的波動(dòng)往往會(huì)伴隨著大的波動(dòng)，小的波動(dòng)往往會(huì)伴隨著小的波動(dòng)。在原油市場(chǎng)中，以2010年1月4日至2020年12月31日的美國(guó)西得克薩斯輕質(zhì)原油（WTI）每日收盤(pán)價(jià)為樣本，計(jì)算其對(duì)數(shù)收益率r_t=\ln(p_t/p_{t-1})，其中p_t為t時(shí)刻的原油價(jià)格。通過(guò)對(duì)該對(duì)數(shù)收益率序列進(jìn)行分析，發(fā)現(xiàn)其具有明顯的波動(dòng)集聚現(xiàn)象，如圖2-1所示，收益率在某些時(shí)間段內(nèi)波動(dòng)較大，而在其他時(shí)間段內(nèi)波動(dòng)較小。[此處插入圖2-1：WTI原油價(jià)格對(duì)數(shù)收益率時(shí)間序列圖]運(yùn)用GARCH(1,1)模型對(duì)該對(duì)數(shù)收益率序列進(jìn)行擬合，估計(jì)得到的模型參數(shù)為：\omega=0.00001，\alpha_1=0.1，\beta_1=0.85。由此可得條件方差方程為：\sigma_t^2=0.00001+0.1\epsilon_{t-1}^2+0.85\sigma_{t-1}^2。通過(guò)該模型可以較好地?cái)M合原油價(jià)格收益率的波動(dòng)特征，如圖2-2所示，擬合的條件方差能夠較好地反映收益率波動(dòng)的變化情況，大的波動(dòng)時(shí)期對(duì)應(yīng)的條件方差較大，小的波動(dòng)時(shí)期對(duì)應(yīng)的條件方差較小，直觀呈現(xiàn)了GARCH模型對(duì)原油價(jià)格波動(dòng)的擬合效果。[此處插入圖2-2：GARCH(1,1)模型擬合的WTI原油價(jià)格收益率條件方差圖]2.1.2常用GARCH類(lèi)模型擴(kuò)展盡管GARCH模型在刻畫(huà)金融時(shí)間序列的波動(dòng)特征方面具有一定優(yōu)勢(shì)，但在實(shí)際應(yīng)用中，金融市場(chǎng)的波動(dòng)往往呈現(xiàn)出更為復(fù)雜的特性，如非對(duì)稱(chēng)波動(dòng)和杠桿效應(yīng)等。為了更全面地捕捉這些特性，學(xué)者們?cè)贕ARCH模型的基礎(chǔ)上進(jìn)行了擴(kuò)展，提出了一系列GARCH類(lèi)模型，其中EGARCH和TGARCH模型在度量原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)時(shí)具有重要的應(yīng)用價(jià)值。EGARCH（ExponentialGeneralizedAutoregressiveConditionalHeteroskedasticity）模型由Nelson于1991年提出，該模型的主要特點(diǎn)是能夠刻畫(huà)收益率波動(dòng)的非對(duì)稱(chēng)性，即“杠桿效應(yīng)”。在金融市場(chǎng)中，“杠桿效應(yīng)”表現(xiàn)為負(fù)面消息（如原油供應(yīng)突然增加、經(jīng)濟(jì)衰退預(yù)期增強(qiáng)等）對(duì)價(jià)格波動(dòng)的影響往往大于正面消息（如原油需求意外增長(zhǎng)、經(jīng)濟(jì)復(fù)蘇跡象明顯等）。EGARCH(p,q)模型的條件方差方程為：\ln(\sigma_t^2)=\omega+\sum_{i=1}^{q}\alpha_i\left|\frac{\epsilon_{t-i}}{\sigma_{t-i}}\right|+\sum_{i=1}^{q}\gamma_i\frac{\epsilon_{t-i}}{\sigma_{t-i}}+\sum_{j=1}^{p}\beta_j\ln(\sigma_{t-j}^2)其中，\gamma_i為非對(duì)稱(chēng)項(xiàng)系數(shù)，若\gamma_i<0，則表示存在杠桿效應(yīng)，即負(fù)面消息引起的波動(dòng)大于正面消息引起的波動(dòng)。與GARCH模型相比，EGARCH模型采用了對(duì)數(shù)形式的條件方差方程，使得條件方差恒為正數(shù)，無(wú)需對(duì)參數(shù)施加非負(fù)約束，這在一定程度上簡(jiǎn)化了模型估計(jì)過(guò)程。同時(shí)，通過(guò)引入非對(duì)稱(chēng)項(xiàng)\sum_{i=1}^{q}\gamma_i\frac{\epsilon_{t-i}}{\sigma_{t-i}}，能夠更準(zhǔn)確地捕捉原油價(jià)格波動(dòng)的非對(duì)稱(chēng)特征。在分析2020年新冠疫情期間國(guó)際原油市場(chǎng)的波動(dòng)情況時(shí)，運(yùn)用EGARCH(1,1)模型對(duì)原油價(jià)格收益率進(jìn)行建模。結(jié)果顯示，非對(duì)稱(chēng)項(xiàng)系數(shù)\gamma_1=-0.2，這表明在疫情期間，原油市場(chǎng)存在顯著的杠桿效應(yīng)，負(fù)面消息對(duì)原油價(jià)格波動(dòng)的影響更為強(qiáng)烈。例如，當(dāng)疫情導(dǎo)致全球原油需求大幅下降這一負(fù)面消息傳出時(shí)，原油價(jià)格的波動(dòng)幅度明顯大于同等程度的正面消息（如部分地區(qū)疫情得到控制，原油需求預(yù)期回升）所引起的波動(dòng)幅度，EGARCH模型能夠很好地捕捉到這種非對(duì)稱(chēng)波動(dòng)特征。TGARCH（ThresholdGeneralizedAutoregressiveConditionalHeteroskedasticity）模型，也稱(chēng)為GJR-GARCH模型，由Glosten、Jagannathan和Runkle于1993年提出。該模型同樣用于捕捉金融時(shí)間序列的非對(duì)稱(chēng)波動(dòng)和杠桿效應(yīng)，其條件方差方程為：\sigma_t^2=\omega+\sum_{i=1}^{q}\alpha_i\epsilon_{t-i}^2+\sum_{i=1}^{q}\gamma_i\epsilon_{t-i}^2I_{t-i}+\sum_{j=1}^{p}\beta_j\sigma_{t-j}^2其中，I_{t-i}為指示函數(shù)，當(dāng)\epsilon_{t-i}<0時(shí)，I_{t-i}=1；當(dāng)\epsilon_{t-i}\geq0時(shí)，I_{t-i}=0。\gamma_i為非對(duì)稱(chēng)項(xiàng)系數(shù)，若\gamma_i>0，則表示存在杠桿效應(yīng)，即負(fù)面沖擊對(duì)波動(dòng)的影響大于正面沖擊。TGARCH模型通過(guò)引入指示函數(shù)，將殘差平方項(xiàng)分為正向和負(fù)向沖擊兩部分，能夠更直觀地反映出不同方向沖擊對(duì)條件方差的影響，從而有效捕捉原油價(jià)格波動(dòng)的非對(duì)稱(chēng)特征。在研究2022年俄烏沖突對(duì)國(guó)際原油價(jià)格的影響時(shí)，運(yùn)用TGARCH(1,1)模型進(jìn)行分析。估計(jì)結(jié)果顯示，非對(duì)稱(chēng)項(xiàng)系數(shù)\gamma_1=0.15，表明在俄烏沖突期間，原油市場(chǎng)存在明顯的杠桿效應(yīng)。當(dāng)俄烏沖突導(dǎo)致市場(chǎng)對(duì)原油供應(yīng)的擔(dān)憂(yōu)加劇，出現(xiàn)負(fù)面消息時(shí)，原油價(jià)格的波動(dòng)明顯增大，而正面消息（如雙方和談取得進(jìn)展，原油供應(yīng)預(yù)期穩(wěn)定）對(duì)價(jià)格波動(dòng)的影響相對(duì)較小，TGARCH模型能夠準(zhǔn)確地刻畫(huà)這種非對(duì)稱(chēng)波動(dòng)現(xiàn)象。為了更直觀地對(duì)比不同GARCH類(lèi)模型對(duì)原油價(jià)格波動(dòng)特征的刻畫(huà)能力，以2015年1月1日至2023年12月31日的布倫特原油價(jià)格收益率數(shù)據(jù)為例，分別運(yùn)用GARCH(1,1)、EGARCH(1,1)和TGARCH(1,1)模型進(jìn)行建模，并計(jì)算各模型的對(duì)數(shù)似然值、AIC信息準(zhǔn)則和BIC信息準(zhǔn)則，結(jié)果如表2-1所示：模型對(duì)數(shù)似然值A(chǔ)IC信息準(zhǔn)則BIC信息準(zhǔn)則GARCH(1,1)-5023.4510.05210.078EGARCH(1,1)-4987.629.99810.024TGARCH(1,1)-4995.3810.01210.038從表中可以看出，EGARCH(1,1)模型的對(duì)數(shù)似然值最大，AIC和BIC信息準(zhǔn)則最小，說(shuō)明該模型對(duì)原油價(jià)格收益率數(shù)據(jù)的擬合效果最好，能夠更準(zhǔn)確地捕捉原油價(jià)格的波動(dòng)特征，尤其是非對(duì)稱(chēng)波動(dòng)和杠桿效應(yīng)。TGARCH(1,1)模型的擬合效果次之，而GARCH(1,1)模型由于未考慮非對(duì)稱(chēng)波動(dòng)因素，在擬合具有非對(duì)稱(chēng)特征的原油價(jià)格數(shù)據(jù)時(shí)，效果相對(duì)較差。通過(guò)實(shí)際案例對(duì)比可以發(fā)現(xiàn)，在刻畫(huà)原油價(jià)格波動(dòng)特征方面，EGARCH和TGARCH等擴(kuò)展模型相比傳統(tǒng)GARCH模型具有明顯優(yōu)勢(shì)，能夠?yàn)樵蛢r(jià)格市場(chǎng)風(fēng)險(xiǎn)度量提供更準(zhǔn)確的基礎(chǔ)。2.2EVT模型2.2.1極值理論概述在金融市場(chǎng)中，極端事件雖發(fā)生概率較低，但往往會(huì)對(duì)市場(chǎng)產(chǎn)生巨大沖擊，如2008年全球金融危機(jī)、2020年新冠疫情引發(fā)的金融市場(chǎng)動(dòng)蕩等，這些事件導(dǎo)致資產(chǎn)價(jià)格大幅波動(dòng)，給投資者和金融機(jī)構(gòu)帶來(lái)了嚴(yán)重?fù)p失。傳統(tǒng)的風(fēng)險(xiǎn)度量方法在處理這些極端事件時(shí)存在一定局限性，而極值理論（ExtremeValueTheory，EVT）的出現(xiàn)為解決這一問(wèn)題提供了有效的工具。極值理論是概率論的一個(gè)重要分支，主要研究極端事件（如最大值、最小值）的概率分布和統(tǒng)計(jì)規(guī)律。它通過(guò)對(duì)樣本數(shù)據(jù)中極端值的分析，來(lái)推斷總體在極端情況下的行為，無(wú)需對(duì)數(shù)據(jù)的整體分布做出嚴(yán)格假設(shè)，尤其適用于處理金融數(shù)據(jù)的厚尾分布特征。在金融領(lǐng)域，資產(chǎn)收益率的分布往往呈現(xiàn)出“尖峰厚尾”的特征，即收益率出現(xiàn)極端值的概率比正態(tài)分布所預(yù)測(cè)的要高，這意味著金融市場(chǎng)中極端事件發(fā)生的可能性更大，傳統(tǒng)的基于正態(tài)分布假設(shè)的風(fēng)險(xiǎn)度量方法（如方差-協(xié)方差法）會(huì)低估風(fēng)險(xiǎn)。而極值理論能夠更準(zhǔn)確地捕捉金融數(shù)據(jù)的厚尾特征，對(duì)極端風(fēng)險(xiǎn)進(jìn)行有效的度量和管理。廣義極值分布（GeneralizedExtremeValueDistribution，GEV）是極值理論中的重要概念，它是描述獨(dú)立同分布隨機(jī)變量最大值或最小值極限分布的通用形式。GEV分布包含三個(gè)參數(shù)：位置參數(shù)\mu、尺度參數(shù)\sigma和形狀參數(shù)\xi，其分布函數(shù)為：F(x;\mu,\sigma,\xi)=\begin{cases}\exp\left[-\left(1+\xi\frac{x-\mu}{\sigma}\right)^{-\frac{1}{\xi}}\right]&\text{if}\xi\neq0\\\exp\left[-\exp\left(-\frac{x-\mu}{\sigma}\right)\right]&\text{if}\xi=0\end{cases}當(dāng)\xi\lt0時(shí)，GEV分布對(duì)應(yīng)于Gumbel分布，適用于具有有限上界或下界的隨機(jī)變量的極值情況，在金融市場(chǎng)中，可用于描述一些風(fēng)險(xiǎn)相對(duì)可控的資產(chǎn)收益率的極值分布；當(dāng)\xi\gt0時(shí)，對(duì)應(yīng)于Frechet分布，適用于具有無(wú)限上界的隨機(jī)變量，常用于描述股票價(jià)格、匯率等具有較大波動(dòng)和極端值可能性的金融變量的極值分布；當(dāng)\xi=0時(shí)，對(duì)應(yīng)于Weibull分布，適用于具有有限上界的隨機(jī)變量，在金融領(lǐng)域的應(yīng)用相對(duì)較少。廣義帕累托分布（GeneralizedParetoDistribution，GPD）也是極值理論中的關(guān)鍵分布，它主要用于描述超過(guò)某一較高閾值的超額損失的分布情況。GPD的分布函數(shù)為：G_{\xi,\beta}(y)=\begin{cases}1-\left(1+\xi\frac{y}{\beta}\right)^{-\frac{1}{\xi}}&\text{if}\xi\neq0\\1-\exp\left(-\frac{y}{\beta}\right)&\text{if}\xi=0\end{cases}其中，y為超過(guò)閾值的超額值，\beta\gt0為尺度參數(shù)，\xi為形狀參數(shù)。形狀參數(shù)\xi決定了分布的尾部特征，當(dāng)\xi\gt0時(shí)，分布具有厚尾特征，即極端值出現(xiàn)的概率相對(duì)較高；當(dāng)\xi=0時(shí)，對(duì)應(yīng)指數(shù)分布；當(dāng)\xi\lt0時(shí)，分布具有有界的尾部。在金融風(fēng)險(xiǎn)管理中，GPD常用于對(duì)金融資產(chǎn)收益率的尾部進(jìn)行建模，估計(jì)極端風(fēng)險(xiǎn)。以2010-2020年期間的原油價(jià)格收益率數(shù)據(jù)為例，通過(guò)繪制QQ圖和進(jìn)行擬合優(yōu)度檢驗(yàn)，發(fā)現(xiàn)該數(shù)據(jù)的尾部明顯偏離正態(tài)分布，呈現(xiàn)出厚尾特征。運(yùn)用GEV分布和GPD分布對(duì)其進(jìn)行擬合，結(jié)果顯示GPD分布能夠更好地?cái)M合數(shù)據(jù)的尾部，準(zhǔn)確捕捉原油價(jià)格收益率極端值的分布特征。這表明在處理原油價(jià)格這種具有明顯厚尾特征的金融數(shù)據(jù)時(shí)，極值理論中的GEV分布和GPD分布能夠提供更有效的分析工具，相比傳統(tǒng)的正態(tài)分布假設(shè)，能更準(zhǔn)確地度量極端風(fēng)險(xiǎn)，為投資者和金融機(jī)構(gòu)制定風(fēng)險(xiǎn)管理策略提供有力支持。2.2.2POT模型原理與應(yīng)用在度量原油價(jià)格極端風(fēng)險(xiǎn)時(shí)，基于極值理論的超閾值模型（PeaksOverThreshold，POT）是一種常用且有效的方法。POT模型主要關(guān)注超過(guò)某一較高閾值的數(shù)據(jù)，通過(guò)對(duì)這些極端值的分析來(lái)推斷整體的極端風(fēng)險(xiǎn)情況。POT模型的基本原理是：對(duì)于給定的時(shí)間序列數(shù)據(jù)，當(dāng)超過(guò)某一閾值u的觀測(cè)值數(shù)量足夠多時(shí)，這些超額值的分布可以用廣義帕累托分布（GPD）來(lái)近似。假設(shè)X_1,X_2,\cdots,X_n是獨(dú)立同分布的隨機(jī)變量序列，X_{(i)}表示按從小到大排序后的第i個(gè)觀測(cè)值，當(dāng)u足夠大時(shí)，超過(guò)閾值u的超額值Y_i=X_i-u（X_i\gtu）的分布近似服從GPD，即Y_i\simG_{\xi,\beta}(y)，其中\(zhòng)xi為形狀參數(shù)，\beta為尺度參數(shù)。在應(yīng)用POT模型時(shí)，選擇合適的閾值u至關(guān)重要。閾值過(guò)高，會(huì)導(dǎo)致超額數(shù)據(jù)過(guò)少，使得參數(shù)估計(jì)的方差增大，結(jié)果不穩(wěn)定；閾值過(guò)低，又會(huì)使模型包含過(guò)多非極端值，無(wú)法準(zhǔn)確刻畫(huà)極端風(fēng)險(xiǎn)，產(chǎn)生有偏估計(jì)。常用的閾值選擇方法有平均超額函數(shù)法（MeanExcessFunction，MEF）和Hill圖法。平均超額函數(shù)定義為：e(u)=E(X-u|X\gtu)=\frac{\beta}{1-\xi}+\frac{\xi}{1-\xi}u當(dāng)X服從GPD時(shí)，e(u)是u的線性函數(shù)。通過(guò)繪制平均超額函數(shù)圖，選擇函數(shù)圖像呈現(xiàn)穩(wěn)定線性關(guān)系的起始點(diǎn)作為閾值。Hill圖法則是通過(guò)計(jì)算Hill估計(jì)量來(lái)確定閾值，Hill估計(jì)量定義為：\hat{\xi}_k=\frac{1}{k}\sum_{i=1}^{k}\lnX_{(n-i+1)}-\lnX_{(n-k)}其中，k為從樣本尾部選取的觀測(cè)值數(shù)量。繪制Hill估計(jì)量隨k變化的曲線，選擇曲線趨于平穩(wěn)的點(diǎn)對(duì)應(yīng)的k值，進(jìn)而確定閾值u=X_{(n-k)}。在估計(jì)POT模型參數(shù)時(shí)，常用的方法是極大似然估計(jì)法（MaximumLikelihoodEstimation，MLE）。對(duì)于服從GPD的超額值Y_i，其似然函數(shù)為：L(\xi,\beta;y_1,y_2,\cdots,y_n)=\prod_{i=1}^{n}\frac{1}{\beta}\left(1+\xi\frac{y_i}{\beta}\right)^{-\frac{1}{\xi}-1}通過(guò)最大化似然函數(shù)，可得到形狀參數(shù)\xi和尺度參數(shù)\beta的估計(jì)值。以2000年1月至2023年12月的布倫特原油價(jià)格日收益率數(shù)據(jù)為例，首先運(yùn)用平均超額函數(shù)法確定閾值u=0.05，即當(dāng)原油價(jià)格日收益率超過(guò)5%時(shí)，視為極端值。然后對(duì)超過(guò)閾值的超額值進(jìn)行分析，運(yùn)用極大似然估計(jì)法估計(jì)得到GPD的形狀參數(shù)\hat{\xi}=0.2，尺度參數(shù)\hat{\beta}=0.02?；谶@些參數(shù)，計(jì)算在95%置信水平下的風(fēng)險(xiǎn)價(jià)值（VaR）和條件風(fēng)險(xiǎn)價(jià)值（CVaR）。結(jié)果顯示，該模型下估計(jì)的VaR值為0.07，表示在95%的置信水平下，未來(lái)一天內(nèi)原油價(jià)格日收益率的最大損失預(yù)計(jì)為7%；CVaR值為0.1，表示在超過(guò)VaR值的極端情況下，平均損失預(yù)計(jì)為10%。通過(guò)與實(shí)際數(shù)據(jù)對(duì)比發(fā)現(xiàn)，POT模型能夠較好地捕捉原油價(jià)格的極端風(fēng)險(xiǎn)情況，對(duì)極端波動(dòng)的度量具有較高的準(zhǔn)確性，為原油市場(chǎng)參與者在極端市場(chǎng)條件下的風(fēng)險(xiǎn)管理提供了重要參考依據(jù)。2.3GARCH類(lèi)-EVT模型構(gòu)建思路原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)度量是金融領(lǐng)域的重要研究課題，準(zhǔn)確評(píng)估原油價(jià)格的波動(dòng)風(fēng)險(xiǎn)對(duì)于能源企業(yè)、金融機(jī)構(gòu)和投資者至關(guān)重要。原油價(jià)格收益率序列呈現(xiàn)出復(fù)雜的特征，傳統(tǒng)的單一模型往往難以全面準(zhǔn)確地刻畫(huà)這些特征，從而導(dǎo)致風(fēng)險(xiǎn)度量的偏差。因此，將GARCH類(lèi)模型與EVT模型相結(jié)合，成為更有效地度量原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)的關(guān)鍵途徑。原油價(jià)格收益率序列具有顯著的異方差性和波動(dòng)集聚性，即價(jià)格波動(dòng)在某些時(shí)間段內(nèi)較為劇烈，而在其他時(shí)間段內(nèi)相對(duì)平穩(wěn)，且大的波動(dòng)往往會(huì)伴隨著大的波動(dòng)，小的波動(dòng)往往會(huì)伴隨著小的波動(dòng)。同時(shí)，該序列還呈現(xiàn)出厚尾特征，意味著極端事件發(fā)生的概率相對(duì)較高，其影響也更為深遠(yuǎn)。例如，在2020年新冠疫情爆發(fā)初期，原油市場(chǎng)需求驟減，價(jià)格大幅下跌，出現(xiàn)了極端的價(jià)格波動(dòng)情況；又如2022年俄烏沖突引發(fā)的國(guó)際原油市場(chǎng)供應(yīng)擔(dān)憂(yōu)，導(dǎo)致原油價(jià)格急劇上漲，這些極端事件對(duì)全球經(jīng)濟(jì)和金融市場(chǎng)產(chǎn)生了巨大沖擊。GARCH類(lèi)模型在刻畫(huà)時(shí)間序列的異方差性和波動(dòng)集聚性方面具有獨(dú)特優(yōu)勢(shì)。通過(guò)GARCH類(lèi)模型，可以對(duì)原油價(jià)格收益率序列的條件方差進(jìn)行建模，充分捕捉到價(jià)格波動(dòng)的時(shí)變特征。以GARCH(1,1)模型為例，其條件方差方程\sigma_t^2=\omega+\alpha_1\epsilon_{t-1}^2+\beta_1\sigma_{t-1}^2，其中\(zhòng)omega為常數(shù)項(xiàng)，\alpha_1和\beta_1分別為ARCH項(xiàng)和GARCH項(xiàng)的系數(shù)，\epsilon_{t-1}^2表示上一期的殘差平方，\sigma_{t-1}^2表示上一期的條件方差。該方程表明，當(dāng)前時(shí)期的條件方差不僅依賴(lài)于過(guò)去的殘差平方，還依賴(lài)于過(guò)去的條件方差，能夠很好地反映出波動(dòng)集聚性。通過(guò)對(duì)歷史原油價(jià)格數(shù)據(jù)的分析，運(yùn)用GARCH(1,1)模型進(jìn)行擬合，可以清晰地看到模型能夠準(zhǔn)確地捕捉到原油價(jià)格波動(dòng)的時(shí)變特征，大的波動(dòng)時(shí)期對(duì)應(yīng)的條件方差較大，小的波動(dòng)時(shí)期對(duì)應(yīng)的條件方差較小。然而，GARCH類(lèi)模型主要關(guān)注的是數(shù)據(jù)的整體波動(dòng)特征，對(duì)于尾部極端值的刻畫(huà)能力相對(duì)有限。而EVT模型則專(zhuān)注于研究極端事件的概率分布，能夠有效捕捉數(shù)據(jù)的厚尾特征，對(duì)極端風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確度量。EVT模型中的POT模型通過(guò)對(duì)超過(guò)某一較高閾值的數(shù)據(jù)進(jìn)行分析，用廣義帕累托分布（GPD）來(lái)近似這些超額值的分布，從而準(zhǔn)確估計(jì)極端風(fēng)險(xiǎn)。例如，在對(duì)原油價(jià)格收益率數(shù)據(jù)進(jìn)行分析時(shí)，通過(guò)POT模型可以確定合適的閾值，對(duì)超過(guò)閾值的極端值進(jìn)行建模，進(jìn)而得到極端事件發(fā)生的概率和可能的損失程度。基于以上分析，將GARCH類(lèi)模型與EVT模型相結(jié)合具有顯著的必要性和優(yōu)勢(shì)。具體構(gòu)建思路為：首先，利用GARCH類(lèi)模型對(duì)原油價(jià)格收益率序列進(jìn)行建模，通過(guò)估計(jì)模型參數(shù)，得到條件方差序列，從而消除序列中的異方差性，使殘差序列近似服從獨(dú)立同分布。以GARCH(1,1)模型為例，對(duì)原油價(jià)格收益率序列進(jìn)行擬合，得到條件方差序列\(zhòng)sigma_t^2，進(jìn)而計(jì)算出標(biāo)準(zhǔn)化殘差\epsilon_t^*=\frac{\epsilon_t}{\sigma_t}，其中\(zhòng)epsilon_t為原始?xì)埐?。然后，?duì)標(biāo)準(zhǔn)化殘差序列運(yùn)用EVT模型中的POT模型進(jìn)行尾部建模。通過(guò)平均超額函數(shù)法或Hill圖法等方法確定合適的閾值，對(duì)超過(guò)閾值的標(biāo)準(zhǔn)化殘差進(jìn)行分析，估計(jì)廣義帕累托分布的形狀參數(shù)\xi和尺度參數(shù)\beta。例如，運(yùn)用平均超額函數(shù)法確定閾值u后，對(duì)超過(guò)閾值的標(biāo)準(zhǔn)化殘差y_i=\epsilon_t^*-u（\epsilon_t^*\gtu）進(jìn)行極大似然估計(jì)，得到形狀參數(shù)\xi和尺度參數(shù)\beta的估計(jì)值，從而建立起描述極端風(fēng)險(xiǎn)的模型。這種組合模型充分發(fā)揮了GARCH類(lèi)模型刻畫(huà)波動(dòng)時(shí)變性的優(yōu)勢(shì)以及EVT模型處理厚尾性的能力。GARCH類(lèi)模型能夠準(zhǔn)確捕捉原油價(jià)格收益率序列的短期波動(dòng)特征，為EVT模型提供了更平穩(wěn)的殘差序列，便于EVT模型更準(zhǔn)確地識(shí)別和分析極端值；而EVT模型則彌補(bǔ)了GARCH類(lèi)模型在極端風(fēng)險(xiǎn)度量方面的不足，能夠?qū)υ蛢r(jià)格的極端波動(dòng)進(jìn)行有效評(píng)估。通過(guò)兩者的結(jié)合，可以更全面、準(zhǔn)確地度量原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)，為市場(chǎng)參與者提供更可靠的風(fēng)險(xiǎn)評(píng)估和決策依據(jù)。三、實(shí)證分析3.1數(shù)據(jù)選取與預(yù)處理3.1.1數(shù)據(jù)來(lái)源與選取本研究選取美國(guó)西得克薩斯輕質(zhì)原油（WTI）價(jià)格作為研究對(duì)象，數(shù)據(jù)來(lái)源于EIA（美國(guó)能源信息署）官方網(wǎng)站。選擇WTI原油價(jià)格主要基于以下原因：WTI原油是全球原油市場(chǎng)的重要基準(zhǔn)之一，其交易活躍，價(jià)格具有高度的市場(chǎng)代表性。WTI原油期貨合約在紐約商品交易所（NYMEX）上市，吸引了全球眾多投資者參與交易，其價(jià)格反映了全球原油市場(chǎng)的供需關(guān)系、地緣政治、經(jīng)濟(jì)形勢(shì)等多方面因素的綜合影響。許多國(guó)家和地區(qū)在進(jìn)行原油貿(mào)易定價(jià)、能源政策制定以及金融市場(chǎng)投資決策時(shí)，都會(huì)參考WTI原油價(jià)格。數(shù)據(jù)時(shí)間跨度為2010年1月4日至2023年12月31日，共計(jì)3562個(gè)交易日的收盤(pán)價(jià)數(shù)據(jù)。選擇這一時(shí)間跨度，一方面是因?yàn)樵摃r(shí)間段涵蓋了多個(gè)重要的經(jīng)濟(jì)和政治事件，如2008年全球金融危機(jī)后的經(jīng)濟(jì)復(fù)蘇階段、2020年新冠疫情對(duì)全球經(jīng)濟(jì)和原油市場(chǎng)的巨大沖擊、2022年俄烏沖突引發(fā)的能源市場(chǎng)動(dòng)蕩等，這些事件使得原油價(jià)格波動(dòng)劇烈，能夠充分反映原油市場(chǎng)的復(fù)雜性和多樣性，為研究提供豐富的數(shù)據(jù)樣本。另一方面，較長(zhǎng)的時(shí)間跨度可以使研究結(jié)果更具普遍性和可靠性，避免因數(shù)據(jù)時(shí)間段過(guò)短而導(dǎo)致的結(jié)果偏差。數(shù)據(jù)頻率為日度數(shù)據(jù)，日度數(shù)據(jù)能夠較為及時(shí)地反映原油價(jià)格的短期波動(dòng)情況，對(duì)于研究原油價(jià)格的短期市場(chǎng)風(fēng)險(xiǎn)具有重要意義，相比月度或季度數(shù)據(jù)，日度數(shù)據(jù)能夠捕捉到更多的價(jià)格變化細(xì)節(jié)和市場(chǎng)信息。3.1.2數(shù)據(jù)基本統(tǒng)計(jì)分析為了深入了解原油價(jià)格收益率序列的特征，首先對(duì)原始價(jià)格數(shù)據(jù)進(jìn)行對(duì)數(shù)收益率轉(zhuǎn)換，計(jì)算公式為：r_t=\ln(p_t/p_{t-1})其中，r_t表示t時(shí)刻的對(duì)數(shù)收益率，p_t為t時(shí)刻的原油價(jià)格，p_{t-1}為t-1時(shí)刻的原油價(jià)格。對(duì)轉(zhuǎn)換后的收益率序列進(jìn)行基本統(tǒng)計(jì)分析，計(jì)算得到均值、標(biāo)準(zhǔn)差、偏度、峰度等統(tǒng)計(jì)量，結(jié)果如表3-1所示：統(tǒng)計(jì)量數(shù)值均值0.00021標(biāo)準(zhǔn)差0.0298偏度-0.256峰度5.28JB統(tǒng)計(jì)量456.82JB檢驗(yàn)P值0.000從均值來(lái)看，WTI原油價(jià)格收益率的均值為0.00021，表明在研究期間內(nèi)，平均每日收益率處于較低水平，整體收益較為平穩(wěn)。標(biāo)準(zhǔn)差為0.0298，反映出原油價(jià)格收益率具有一定的波動(dòng)性，價(jià)格波動(dòng)相對(duì)較為明顯。偏度為-0.256，小于0，說(shuō)明收益率序列呈現(xiàn)左偏態(tài)分布，即收益率出現(xiàn)大幅下跌的概率相對(duì)較大，左尾比右尾更厚，存在更多的極端負(fù)收益情況。峰度為5.28，遠(yuǎn)大于正態(tài)分布的峰度值3，呈現(xiàn)出“尖峰厚尾”的特征，意味著收益率序列在均值附近的概率密度比正態(tài)分布更高，而出現(xiàn)極端值的概率也比正態(tài)分布大，這表明原油市場(chǎng)中極端事件發(fā)生的可能性不可忽視。為了更直觀地展示收益率序列的特征，繪制了收益率序列的時(shí)間序列圖、直方圖和QQ圖，分別如圖3-1、圖3-2和圖3-3所示。[此處插入圖3-1：WTI原油價(jià)格收益率時(shí)間序列圖]在收益率序列的時(shí)間序列圖中，能夠清晰地看到原油價(jià)格收益率在不同時(shí)間段呈現(xiàn)出明顯的波動(dòng)聚集現(xiàn)象。在某些時(shí)間段，如2020年新冠疫情爆發(fā)初期，收益率波動(dòng)劇烈，出現(xiàn)了大幅下跌和上漲的情況，反映出疫情對(duì)原油市場(chǎng)的巨大沖擊；而在其他時(shí)間段，收益率波動(dòng)相對(duì)較小，市場(chǎng)較為平穩(wěn)。這種波動(dòng)聚集現(xiàn)象表明原油價(jià)格的波動(dòng)具有持續(xù)性，大的波動(dòng)往往會(huì)伴隨著大的波動(dòng)，小的波動(dòng)往往會(huì)伴隨著小的波動(dòng)。[此處插入圖3-2：WTI原油價(jià)格收益率直方圖]從收益率序列的直方圖可以看出，數(shù)據(jù)分布呈現(xiàn)出明顯的“尖峰厚尾”形態(tài)。在均值附近，數(shù)據(jù)的頻率較高，形成了明顯的尖峰，說(shuō)明收益率在均值附近出現(xiàn)的概率較大；而在兩側(cè)尾部，數(shù)據(jù)的頻率雖然較低，但比正態(tài)分布的尾部更厚，表明極端值出現(xiàn)的概率相對(duì)較高。[此處插入圖3-3：WTI原油價(jià)格收益率QQ圖]通過(guò)QQ圖可以進(jìn)一步驗(yàn)證收益率序列的分布特征。在QQ圖中，如果數(shù)據(jù)服從正態(tài)分布，那么數(shù)據(jù)點(diǎn)應(yīng)該大致分布在一條直線上。然而，從實(shí)際繪制的QQ圖來(lái)看，數(shù)據(jù)點(diǎn)在中間部分與直線較為接近，但在兩端明顯偏離直線，尤其是在左尾部分偏離更為明顯，這再次證明了收益率序列不服從正態(tài)分布，具有“尖峰厚尾”的特征。綜合以上統(tǒng)計(jì)分析和圖形展示，可以得出WTI原油價(jià)格收益率序列具有波動(dòng)聚集性和“尖峰厚尾”的特征，這些特征與傳統(tǒng)的正態(tài)分布假設(shè)存在較大差異，在后續(xù)的風(fēng)險(xiǎn)度量中，需要選擇能夠有效捕捉這些特征的模型，以提高風(fēng)險(xiǎn)度量的準(zhǔn)確性。3.1.3數(shù)據(jù)平穩(wěn)性與異方差檢驗(yàn)在進(jìn)行時(shí)間序列分析時(shí)，數(shù)據(jù)的平穩(wěn)性是一個(gè)重要的前提條件。如果數(shù)據(jù)不平穩(wěn)，可能會(huì)導(dǎo)致偽回歸等問(wèn)題，使模型的估計(jì)結(jié)果出現(xiàn)偏差。因此，首先運(yùn)用ADF（AugmentedDickey-Fuller）檢驗(yàn)方法對(duì)WTI原油價(jià)格收益率序列進(jìn)行平穩(wěn)性檢驗(yàn)。ADF檢驗(yàn)的原假設(shè)是序列存在單位根，即序列不平穩(wěn)；備擇假設(shè)是序列不存在單位根，即序列平穩(wěn)。檢驗(yàn)結(jié)果如表3-2所示：檢驗(yàn)類(lèi)型ADF統(tǒng)計(jì)量1%臨界值5%臨界值10%臨界值P值含截距項(xiàng)和趨勢(shì)項(xiàng)-43.68-3.43-2.86-2.570.000從表中可以看出，ADF統(tǒng)計(jì)量為-43.68，小于1%顯著性水平下的臨界值-3.43，且P值為0.000，遠(yuǎn)小于0.01，因此可以在1%的顯著性水平下拒絕原假設(shè)，認(rèn)為WTI原油價(jià)格收益率序列是平穩(wěn)的。這表明收益率序列不存在單位根，其均值和方差在時(shí)間上是相對(duì)穩(wěn)定的，滿(mǎn)足時(shí)間序列分析的基本要求。為了判斷原油價(jià)格收益率序列是否存在異方差性，進(jìn)行ARCH（AutoregressiveConditionalHeteroskedasticity）效應(yīng)檢驗(yàn)。ARCH效應(yīng)檢驗(yàn)的原假設(shè)是序列不存在ARCH效應(yīng)，即不存在異方差性；備擇假設(shè)是序列存在ARCH效應(yīng)，即存在異方差性。這里采用LM（LagrangeMultiplier）檢驗(yàn)方法，檢驗(yàn)結(jié)果如表3-3所示：滯后階數(shù)F統(tǒng)計(jì)量F統(tǒng)計(jì)量P值Obs*R-squaredObs*R-squaredP值1125.680.000120.450.000268.320.000115.620.000345.760.000110.280.000從檢驗(yàn)結(jié)果可以看出，在不同的滯后階數(shù)下，F(xiàn)統(tǒng)計(jì)量和Obs*R-squared的P值均為0.000，遠(yuǎn)小于0.05，這表明在5%的顯著性水平下，強(qiáng)烈拒絕原假設(shè)，即WTI原油價(jià)格收益率序列存在顯著的ARCH效應(yīng)，具有異方差性。這意味著收益率序列的波動(dòng)不是恒定的，而是隨時(shí)間變化的，大的波動(dòng)后面往往跟著大的波動(dòng)，小的波動(dòng)后面往往跟著小的波動(dòng)，傳統(tǒng)的同方差假設(shè)不成立。數(shù)據(jù)的平穩(wěn)性和異方差檢驗(yàn)結(jié)果為后續(xù)模型的選擇提供了重要依據(jù)。由于收益率序列是平穩(wěn)的且存在異方差性，GARCH類(lèi)模型能夠有效地刻畫(huà)這種異方差性和波動(dòng)聚集性，因此適合用于對(duì)原油價(jià)格收益率序列的波動(dòng)進(jìn)行建模。同時(shí)，收益率序列的“尖峰厚尾”特征也表明，在度量極端風(fēng)險(xiǎn)時(shí)，需要結(jié)合EVT模型來(lái)更準(zhǔn)確地捕捉極端值的分布情況，以提高風(fēng)險(xiǎn)度量的精度。3.2GARCH類(lèi)模型估計(jì)與選擇3.2.1不同GARCH類(lèi)模型估計(jì)在對(duì)WTI原油價(jià)格收益率序列的特征進(jìn)行深入分析后，發(fā)現(xiàn)該序列存在顯著的異方差性和波動(dòng)聚集性，為了更準(zhǔn)確地刻畫(huà)其波動(dòng)特征，運(yùn)用計(jì)量軟件EViews對(duì)GARCH(1,1)、EGARCH(1,1)和TGARCH(1,1)模型進(jìn)行參數(shù)估計(jì)。在估計(jì)過(guò)程中，采用極大似然估計(jì)法（MLE）來(lái)求解模型參數(shù)，該方法基于樣本數(shù)據(jù)，通過(guò)最大化似然函數(shù)來(lái)獲得參數(shù)的最優(yōu)估計(jì)值，能夠在一定程度上保證估計(jì)結(jié)果的有效性和可靠性。對(duì)于GARCH(1,1)模型，其均值方程設(shè)定為r_t=\mu+\epsilon_t，其中\(zhòng)mu為常數(shù)，表示收益率的均值；條件方差方程為\sigma_t^2=\omega+\alpha\epsilon_{t-1}^2+\beta\sigma_{t-1}^2，\omega為常數(shù)項(xiàng)，\alpha和\beta分別為ARCH項(xiàng)和GARCH項(xiàng)的系數(shù)。估計(jì)結(jié)果如表3-4所示：參數(shù)估計(jì)值標(biāo)準(zhǔn)差Z-統(tǒng)計(jì)量P值\mu0.000180.000560.3210.748\omega0.0000080.0000032.670.008\alpha0.120.0254.80.000\beta0.840.03226.250.000從表中可以看出，常數(shù)項(xiàng)\omega的估計(jì)值為0.000008，且在1%的顯著性水平下顯著，表明存在一個(gè)基礎(chǔ)的波動(dòng)水平。ARCH項(xiàng)系數(shù)\alpha估計(jì)值為0.12，GARCH項(xiàng)系數(shù)\beta估計(jì)值為0.84，均在1%的顯著性水平下顯著，且\alpha+\beta=0.12+0.84=0.96\lt1，滿(mǎn)足方差平穩(wěn)條件，說(shuō)明過(guò)去的波動(dòng)對(duì)當(dāng)前波動(dòng)有顯著影響，且這種影響具有持續(xù)性。EGARCH(1,1)模型的均值方程同樣為r_t=\mu+\epsilon_t，條件方差方程為\ln(\sigma_t^2)=\omega+\alpha\left|\frac{\epsilon_{t-1}}{\sigma_{t-1}}\right|+\gamma\frac{\epsilon_{t-1}}{\sigma_{t-1}}+\beta\ln(\sigma_{t-1}^2)，其中\(zhòng)gamma為非對(duì)稱(chēng)項(xiàng)系數(shù)，用于刻畫(huà)波動(dòng)的非對(duì)稱(chēng)性。估計(jì)結(jié)果如表3-5所示：參數(shù)估計(jì)值標(biāo)準(zhǔn)差Z-統(tǒng)計(jì)量P值\mu0.000150.000520.2880.773\omega-0.0650.018-3.610.000\alpha0.0850.0155.670.000\gamma-0.050.012-4.170.000\beta0.950.01186.360.000在EGARCH(1,1)模型估計(jì)結(jié)果中，非對(duì)稱(chēng)項(xiàng)系數(shù)\gamma的估計(jì)值為-0.05，在1%的顯著性水平下顯著，且為負(fù)數(shù)，這表明原油價(jià)格收益率存在顯著的杠桿效應(yīng)，即負(fù)面消息對(duì)價(jià)格波動(dòng)的影響大于正面消息，符合金融市場(chǎng)中常見(jiàn)的現(xiàn)象。TGARCH(1,1)模型的均值方程為r_t=\mu+\epsilon_t，條件方差方程為\sigma_t^2=\omega+\alpha\epsilon_{t-1}^2+\gamma\epsilon_{t-1}^2I_{t-1}+\beta\sigma_{t-1}^2，其中I_{t-1}為指示函數(shù)，當(dāng)\epsilon_{t-1}\lt0時(shí)，I_{t-1}=1；當(dāng)\epsilon_{t-1}\geq0時(shí)，I_{t-1}=0，\gamma為非對(duì)稱(chēng)項(xiàng)系數(shù)。估計(jì)結(jié)果如表3-6所示：參數(shù)估計(jì)值標(biāo)準(zhǔn)差Z-統(tǒng)計(jì)量P值\mu0.000160.000540.2960.767\omega0.0000070.0000032.330.02\alpha0.110.0234.780.000\gamma0.040.0182.220.026\beta0.850.0328.330.000在TGARCH(1,1)模型中，非對(duì)稱(chēng)項(xiàng)系數(shù)\gamma的估計(jì)值為0.04，在5%的顯著性水平下顯著，表明原油價(jià)格收益率存在非對(duì)稱(chēng)波動(dòng)，負(fù)面沖擊對(duì)波動(dòng)的影響大于正面沖擊。通過(guò)對(duì)不同GARCH類(lèi)模型的參數(shù)估計(jì)結(jié)果分析可知，各模型的參數(shù)估計(jì)值在相應(yīng)的顯著性水平下均顯著，且模型能夠較好地捕捉原油價(jià)格收益率的波動(dòng)特征。其中，EGARCH(1,1)和TGARCH(1,1)模型通過(guò)引入非對(duì)稱(chēng)項(xiàng)，有效刻畫(huà)了原油價(jià)格收益率的非對(duì)稱(chēng)波動(dòng)和杠桿效應(yīng)，相比GARCH(1,1)模型，能更全面地反映原油市場(chǎng)的波動(dòng)特性。這些模型估計(jì)結(jié)果為后續(xù)的模型選擇和原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)度量提供了重要依據(jù)。3.2.2模型選擇標(biāo)準(zhǔn)與結(jié)果在對(duì)不同GARCH類(lèi)模型進(jìn)行參數(shù)估計(jì)后，需要選擇一個(gè)最適合原油價(jià)格收益率序列的模型，以提高風(fēng)險(xiǎn)度量的準(zhǔn)確性。常用的模型選擇標(biāo)準(zhǔn)包括赤池信息準(zhǔn)則（AkaikeInformationCriterion，AIC）和貝葉斯信息準(zhǔn)則（BayesianInformationCriterion，BIC）。AIC準(zhǔn)則的計(jì)算公式為：AIC=-2\ln(L)+2k，其中\(zhòng)ln(L)為對(duì)數(shù)似然函數(shù)值，k為模型中待估計(jì)參數(shù)的個(gè)數(shù)。AIC準(zhǔn)則在衡量模型擬合優(yōu)度的同時(shí)，對(duì)模型的復(fù)雜度進(jìn)行了懲罰，即模型中參數(shù)越多，AIC值增加越多，通過(guò)最小化AIC值來(lái)選擇最優(yōu)模型，以避免模型過(guò)擬合。BIC準(zhǔn)則的計(jì)算公式為：BIC=-2\ln(L)+k\ln(n)，其中n為樣本數(shù)量。與AIC準(zhǔn)則類(lèi)似，BIC準(zhǔn)則也考慮了模型的擬合優(yōu)度和復(fù)雜度，但BIC對(duì)模型復(fù)雜度的懲罰更為嚴(yán)厲，因?yàn)殡S著樣本數(shù)量n的增加，k\ln(n)的增長(zhǎng)速度比2k更快，這使得BIC更傾向于選擇簡(jiǎn)單的模型。根據(jù)上述準(zhǔn)則，計(jì)算GARCH(1,1)、EGARCH(1,1)和TGARCH(1,1)模型的AIC和BIC值，結(jié)果如表3-7所示：模型對(duì)數(shù)似然值A(chǔ)ICBICGARCH(1,1)5864.32-6.53-6.48EGARCH(1,1)5921.45-6.61-6.56TGARCH(1,1)5897.68-6.57-6.52從表中可以看出，EGARCH(1,1)模型的對(duì)數(shù)似然值最大，為5921.45，說(shuō)明該模型對(duì)原油價(jià)格收益率序列的擬合效果最好，能夠更好地捕捉數(shù)據(jù)的波動(dòng)特征；同時(shí)，其AIC值為-6.61，BIC值為-6.56，均小于其他兩個(gè)模型，根據(jù)AIC和BIC準(zhǔn)則，應(yīng)選擇EGARCH(1,1)模型作為刻畫(huà)原油價(jià)格收益率波動(dòng)的模型。EGARCH(1,1)模型被選擇的主要理由如下：首先，從對(duì)數(shù)似然值角度來(lái)看，對(duì)數(shù)似然值越大，說(shuō)明模型對(duì)數(shù)據(jù)的擬合程度越高，EGARCH(1,1)模型的對(duì)數(shù)似然值最大，表明它能更準(zhǔn)確地描述原油價(jià)格收益率序列的波動(dòng)規(guī)律。其次，在考慮模型復(fù)雜度的AIC和BIC準(zhǔn)則下，EGARCH(1,1)模型的值最小，說(shuō)明它在擬合優(yōu)度和模型復(fù)雜度之間達(dá)到了較好的平衡，既能夠充分捕捉原油價(jià)格收益率的波動(dòng)特征，又不會(huì)因?yàn)槟Ｐ瓦^(guò)于復(fù)雜而導(dǎo)致過(guò)擬合。此外，EGARCH(1,1)模型能夠有效刻畫(huà)原油價(jià)格收益率的非對(duì)稱(chēng)波動(dòng)和杠桿效應(yīng)，這與原油市場(chǎng)的實(shí)際情況相符，在實(shí)際市場(chǎng)中，負(fù)面消息對(duì)原油價(jià)格波動(dòng)的影響往往大于正面消息，EGARCH(1,1)模型通過(guò)非對(duì)稱(chēng)項(xiàng)系數(shù)\gamma準(zhǔn)確地反映了這一特性，相比其他模型，更能全面地描述原油價(jià)格的波動(dòng)行為。綜上所述，基于AIC和BIC準(zhǔn)則以及對(duì)原油市場(chǎng)實(shí)際特征的考慮，選擇EGARCH(1,1)模型作為后續(xù)分析原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)的GARCH類(lèi)模型，為進(jìn)一步結(jié)合EVT模型進(jìn)行風(fēng)險(xiǎn)度量奠定了基礎(chǔ)。3.3GARCH類(lèi)-EVT模型估計(jì)與風(fēng)險(xiǎn)度量3.3.1基于GARCH類(lèi)模型的標(biāo)準(zhǔn)化殘差提取在確定采用EGARCH(1,1)模型來(lái)刻畫(huà)原油價(jià)格收益率的波動(dòng)特征后，下一步是提取該模型的標(biāo)準(zhǔn)化殘差。標(biāo)準(zhǔn)化殘差的提取對(duì)于后續(xù)運(yùn)用EVT模型進(jìn)行極端風(fēng)險(xiǎn)度量至關(guān)重要，它能夠消除收益率序列中的異方差性，使殘差序列更接近獨(dú)立同分布，從而滿(mǎn)足EVT模型的應(yīng)用條件。根據(jù)EGARCH(1,1)模型的估計(jì)結(jié)果，得到條件方差序列\(zhòng)sigma_t^2，進(jìn)而計(jì)算標(biāo)準(zhǔn)化殘差\epsilon_t^*，計(jì)算公式為：\epsilon_t^*=\frac{\epsilon_t}{\sigma_t}其中，\epsilon_t為EGARCH(1,1)模型估計(jì)得到的殘差，\sigma_t為對(duì)應(yīng)的條件標(biāo)準(zhǔn)差。通過(guò)上述公式計(jì)算得到WTI原油價(jià)格收益率序列基于EGARCH(1,1)模型的標(biāo)準(zhǔn)化殘差，并繪制標(biāo)準(zhǔn)化殘差序列圖，如圖3-4所示：[此處插入圖3-4：基于EGARCH(1,1)模型的標(biāo)準(zhǔn)化殘差序列圖]從標(biāo)準(zhǔn)化殘差序列圖中可以直觀地觀察到，標(biāo)準(zhǔn)化殘差圍繞零軸上下波動(dòng)，波動(dòng)范圍相對(duì)較小且較為平穩(wěn)，與原始收益率序列的波動(dòng)特征有明顯區(qū)別。這表明EGARCH(1,1)模型有效地消除了收益率序列中的異方差性，使標(biāo)準(zhǔn)化殘差序列呈現(xiàn)出更穩(wěn)定的特征。為了進(jìn)一步分析標(biāo)準(zhǔn)化殘差的特征，對(duì)其進(jìn)行正態(tài)性檢驗(yàn)。運(yùn)用Jarque-Bera（JB）檢驗(yàn)方法，該檢驗(yàn)的原假設(shè)是數(shù)據(jù)服從正態(tài)分布，檢驗(yàn)結(jié)果如表3-8所示：統(tǒng)計(jì)量數(shù)值JB統(tǒng)計(jì)量2.86JB檢驗(yàn)P值0.24從表中可以看出，JB統(tǒng)計(jì)量為2.86，對(duì)應(yīng)的P值為0.24，大于0.05的顯著性水平。根據(jù)JB檢驗(yàn)的判斷準(zhǔn)則，在5%的顯著性水平下，不能拒絕原假設(shè)，即可以認(rèn)為標(biāo)準(zhǔn)化殘差序列近似服從正態(tài)分布。這一結(jié)果與原始收益率序列呈現(xiàn)出的“尖峰厚尾”非正態(tài)分布特征形成鮮明對(duì)比，進(jìn)一步說(shuō)明通過(guò)EGARCH(1,1)模型對(duì)收益率序列進(jìn)行處理后，標(biāo)準(zhǔn)化殘差序列的分布特征得到了顯著改善，更符合傳統(tǒng)統(tǒng)計(jì)分析中對(duì)數(shù)據(jù)分布的要求，為后續(xù)運(yùn)用EVT模型對(duì)其尾部進(jìn)行分析提供了良好的基礎(chǔ)。3.3.2EVT模型對(duì)標(biāo)準(zhǔn)化殘差尾部估計(jì)在得到近似服從正態(tài)分布的標(biāo)準(zhǔn)化殘差序列后，由于原油市場(chǎng)存在極端風(fēng)險(xiǎn)事件，需要運(yùn)用EVT模型對(duì)標(biāo)準(zhǔn)化殘差的上下尾部分進(jìn)行建模，以準(zhǔn)確估計(jì)極端風(fēng)險(xiǎn)。這里采用POT模型對(duì)標(biāo)準(zhǔn)化殘差的尾部進(jìn)行分析，該模型主要關(guān)注超過(guò)某一較高閾值的數(shù)據(jù)，通過(guò)對(duì)這些極端值的分析來(lái)推斷整體的極端風(fēng)險(xiǎn)情況。運(yùn)用平均超額函數(shù)法（MEF）來(lái)確定合適的閾值。平均超額函數(shù)定義為：e(u)=E(X-u|X\gtu)=\frac{\beta}{1-\xi}+\frac{\xi}{1-\xi}u當(dāng)標(biāo)準(zhǔn)化殘差服從廣義帕累托分布（GPD）時(shí)，e(u)是u的線性函數(shù)。通過(guò)繪制平均超額函數(shù)圖，選擇函數(shù)圖像呈現(xiàn)穩(wěn)定線性關(guān)系的起始點(diǎn)作為閾值。經(jīng)過(guò)計(jì)算和分析，確定上尾閾值u_{up}=2.5，下尾閾值u_{down}=-2.5。在確定閾值后，運(yùn)用極大似然估計(jì)法（MLE）對(duì)廣義帕累托分布的參數(shù)進(jìn)行估計(jì)。對(duì)于上尾部分，估計(jì)得到形狀參數(shù)\xi_{up}=0.15，尺度參數(shù)\beta_{up}=0.2；對(duì)于下尾部分，估計(jì)得到形狀參數(shù)\xi_{down}=0.18，尺度參數(shù)\beta_{down}=0.22。參數(shù)估計(jì)結(jié)果如表3-9所示：尾部形狀參數(shù)\xi尺度參數(shù)\beta上尾0.150.2下尾0.180.22為了直觀展示POT模型對(duì)標(biāo)準(zhǔn)化殘差尾部的擬合效果，繪制上尾和下尾的實(shí)際數(shù)據(jù)與擬合分布的對(duì)比圖，分別如圖3-5和圖3-6所示：[此處插入圖3-5：上尾實(shí)際數(shù)據(jù)與擬合分布對(duì)比圖][此處插入圖3-6：下尾實(shí)際數(shù)據(jù)與擬合分布對(duì)比圖][此處插入圖3-6：下尾實(shí)際數(shù)據(jù)與擬合分布對(duì)比圖]從圖3-5中可以看出，在標(biāo)準(zhǔn)化殘差的上尾部分，POT模型的擬合曲線與實(shí)際數(shù)據(jù)點(diǎn)較為接近，能夠較好地?cái)M合上尾的分布情況，準(zhǔn)確刻畫(huà)極端值的概率分布。同樣，從圖3-6中可以看出，在標(biāo)準(zhǔn)化殘差的下尾部分，擬合曲線也能較好地貼合實(shí)際數(shù)據(jù)點(diǎn)，有效捕捉下尾的極端風(fēng)險(xiǎn)特征。這表明POT模型能夠準(zhǔn)確地對(duì)標(biāo)準(zhǔn)化殘差的上下尾部分進(jìn)行建模，為后續(xù)計(jì)算風(fēng)險(xiǎn)價(jià)值（VaR）和條件風(fēng)險(xiǎn)價(jià)值（CVaR）提供了可靠的依據(jù)。3.3.3VaR與CVaR計(jì)算根據(jù)GARCH類(lèi)-EVT模型的估計(jì)結(jié)果，計(jì)算不同置信水平下原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)的VaR和CVaR值。VaR（ValueatRisk）指在一定的置信水平下，某一金融資產(chǎn)或投資組合在未來(lái)特定時(shí)期內(nèi)可能遭受的最大損失。例如，在95%的置信水平下，VaR值為x，意味著在未來(lái)特定時(shí)期內(nèi)，有95%的可能性損失不會(huì)超過(guò)x。CVaR（ConditionalValueatRisk），即條件風(fēng)險(xiǎn)價(jià)值，是指在超過(guò)VaR值的條件下，投資組合損失的期望值，它彌補(bǔ)了VaR只考慮損失上限的不足，更全面地反映了極端風(fēng)險(xiǎn)情況下的平均損失程度。對(duì)于VaR的計(jì)算，在已知廣義帕累托分布參數(shù)的情況下，根據(jù)公式：VaR_{q}=u+\frac{\beta}{\xi}\left(\left(\frac{N}{N_{u}}(1-q)\right)^{-\xi}-1\right)其中，q為置信水平，N為樣本總數(shù)，N_{u}為超過(guò)閾值u的樣本數(shù)量。對(duì)于CVaR的計(jì)算，根據(jù)公式：CVaR_{q}=E(X|X\gtVaR_{q})=VaR_{q}+\frac{\beta+\xi(VaR_{q}-u)}{1-\xi}以95%和99%置信水平為例，計(jì)算得到的VaR和CVaR值如表3-10所示：置信水平VaRCVaR95%0.0450.05699%0.0620.078從計(jì)算結(jié)果可以看出，隨著置信水平的提高，VaR和CVaR值均增大。在95%置信水平下，VaR值為0.045，表示在未來(lái)特定時(shí)期內(nèi)，有95%的可能性原油價(jià)格市場(chǎng)的損失不會(huì)超過(guò)4.5%；CVaR值為0.056，表示在超過(guò)VaR值的極端情況下，平均損失預(yù)計(jì)為5.6%。在99%置信水平下，VaR值為0.062，意味著有99%的可能性損失不會(huì)超過(guò)6.2%；CVaR值為0.078，表明在極端情況下的平均損失預(yù)計(jì)為7.8%。這說(shuō)明在更高的置信水平下，需要考慮更大的潛在損失，投資者和市場(chǎng)參與者應(yīng)根據(jù)自身風(fēng)險(xiǎn)承受能力和投資目標(biāo)，參考VaR和CVaR值制定合理的風(fēng)險(xiǎn)管理策略，以應(yīng)對(duì)原油價(jià)格市場(chǎng)可能出現(xiàn)的極端風(fēng)險(xiǎn)。四、結(jié)果分析與模型評(píng)價(jià)4.1風(fēng)險(xiǎn)度量結(jié)果分析4.1.1VaR與CVaR結(jié)果分析通過(guò)GARCH類(lèi)-EVT模型計(jì)算得到不同置信水平下原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)的VaR和CVaR值，這些結(jié)果為分析原油市場(chǎng)風(fēng)險(xiǎn)提供了關(guān)鍵依據(jù)。在95%置信水平下，VaR值為0.045，這意味著在未來(lái)特定時(shí)期內(nèi)，有95%的可能性原油價(jià)格市場(chǎng)的損失不會(huì)超過(guò)4.5%。例如，對(duì)于一家持有大量原油資產(chǎn)的能源企業(yè)，在95%的置信水平下，其在未來(lái)一段時(shí)間內(nèi)由于原油價(jià)格波動(dòng)導(dǎo)致的資產(chǎn)損失超過(guò)4.5%的概率僅為5%。CVaR值為0.056，表示在超過(guò)VaR值的極端情況下，平均損失預(yù)計(jì)為5.6%。這對(duì)于企業(yè)制定風(fēng)險(xiǎn)管理策略具有重要意義，企業(yè)可以根據(jù)這一數(shù)據(jù)，合理安排資金儲(chǔ)備，以應(yīng)對(duì)可能出現(xiàn)的極端損失情況。當(dāng)置信水平提高到99%時(shí)，VaR值增大到0.062，表明有99%的可能性損失不會(huì)超過(guò)6.2%。這反映出隨著置信水平的提高，對(duì)風(fēng)險(xiǎn)的覆蓋范圍更廣，所考慮的潛在損失也更大。在實(shí)際市場(chǎng)中，對(duì)于風(fēng)險(xiǎn)偏好較低的投資者或金融機(jī)構(gòu)，如養(yǎng)老基金等，99%置信水平下的VaR值能更準(zhǔn)確地反映其面臨的風(fēng)險(xiǎn)狀況，幫助他們更謹(jǐn)慎地進(jìn)行投資決策。此時(shí)的CVaR值為0.078，說(shuō)明在極端情況下的平均損失預(yù)計(jì)為7.8%。這進(jìn)一步提醒投資者和市場(chǎng)參與者，在高置信水平下，雖然極端事件發(fā)生的概率較低，但一旦發(fā)生，損失的程度可能更為嚴(yán)重，需要更加重視風(fēng)險(xiǎn)管理。從不同置信水平下VaR和CVaR值的變化趨勢(shì)來(lái)看，隨著置信水平的上升，VaR和CVaR值均呈現(xiàn)增大的趨勢(shì)。這是因?yàn)橹眯潘皆礁?，?duì)風(fēng)險(xiǎn)的容忍度越低，需要考慮的極端情況就越多，從而導(dǎo)致可能面臨的最大損失和極端情況下的平均損失都相應(yīng)增加。這種變化趨勢(shì)與原油市場(chǎng)的實(shí)際情況相符，在市場(chǎng)波動(dòng)加劇或不確定性增加時(shí)，投資者對(duì)風(fēng)險(xiǎn)的擔(dān)憂(yōu)加劇，會(huì)更加關(guān)注高置信水平下的風(fēng)險(xiǎn)度量結(jié)果。在2020年新冠疫情爆發(fā)初期，原油市場(chǎng)需求驟減，價(jià)格大幅下跌，市場(chǎng)不確定性急劇增加。此時(shí)，高置信水平下的VaR和CVaR值迅速上升，反映出市場(chǎng)風(fēng)險(xiǎn)的急劇增大。投資者和企業(yè)根據(jù)這些風(fēng)險(xiǎn)度量結(jié)果，及時(shí)調(diào)整投資策略和生產(chǎn)計(jì)劃，減少了潛在損失。而在市場(chǎng)相對(duì)平穩(wěn)時(shí)期，VaR和CVaR值相對(duì)較低，投資者可以適當(dāng)增加投資風(fēng)險(xiǎn)暴露，以追求更高的收益。通過(guò)對(duì)不同置信水平下VaR和CVaR值的分析，能夠清晰地了解原油價(jià)格市場(chǎng)在不同風(fēng)險(xiǎn)容忍度下的風(fēng)險(xiǎn)狀況。這對(duì)于投資者和市場(chǎng)參與者具有重要的經(jīng)濟(jì)意義，他們可以根據(jù)自身的風(fēng)險(xiǎn)承受能力和投資目標(biāo)，參考VaR和CVaR值制定合理的風(fēng)險(xiǎn)管理策略。風(fēng)險(xiǎn)偏好較高的投資者可能更關(guān)注95%置信水平下的風(fēng)險(xiǎn)度量結(jié)果，在控制一定風(fēng)險(xiǎn)的前提下追求更高的收益；而風(fēng)險(xiǎn)偏好較低的投資者則會(huì)更加重視99%置信水平下的風(fēng)險(xiǎn)情況，以確保資產(chǎn)的安全性。同時(shí)，能源企業(yè)可以根據(jù)這些結(jié)果合理安排原油采購(gòu)、生產(chǎn)和銷(xiāo)售計(jì)劃，金融機(jī)構(gòu)可以?xún)?yōu)化投資組合，政府部門(mén)可以制定更有效的能源市場(chǎng)監(jiān)管政策，共同應(yīng)對(duì)原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)。4.1.2風(fēng)險(xiǎn)貢獻(xiàn)分解為了深入了解原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)的來(lái)源和影響因素，運(yùn)用方差分解等方法對(duì)原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)進(jìn)行貢獻(xiàn)分解。通過(guò)分析不同因素對(duì)風(fēng)險(xiǎn)的貢獻(xiàn)程度，能夠?yàn)轱L(fēng)險(xiǎn)管理提供更具針對(duì)性的建議。地緣政治因素對(duì)原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)具有顯著影響。地緣政治緊張局勢(shì)往往會(huì)導(dǎo)致原油供應(yīng)的不確定性增加。在2022年俄烏沖突期間，俄羅斯作為全球重要的原油出口國(guó)，沖突使得其原油出口面臨諸多不確定性，市場(chǎng)對(duì)原油供應(yīng)短缺的擔(dān)憂(yōu)加劇，導(dǎo)致原油價(jià)格大幅波動(dòng)。通過(guò)風(fēng)險(xiǎn)貢獻(xiàn)分解發(fā)現(xiàn)，在沖突期間，地緣政治因素對(duì)原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)的貢獻(xiàn)度達(dá)到35%左右，成為推動(dòng)市場(chǎng)風(fēng)險(xiǎn)上升的重要因素之一。這表明，投資者和市場(chǎng)參與者在進(jìn)行風(fēng)險(xiǎn)管理時(shí)，需要密切關(guān)注地緣政治動(dòng)態(tài)，及時(shí)調(diào)整投資策略和風(fēng)險(xiǎn)敞口。對(duì)于能源企業(yè)而言，應(yīng)加強(qiáng)與不同地區(qū)供應(yīng)商的合作，降低對(duì)單一供應(yīng)源的依賴(lài)，以應(yīng)對(duì)地緣政治風(fēng)險(xiǎn)帶來(lái)的供應(yīng)不確定性。供需關(guān)系是影響原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)的核心因素之一。全球經(jīng)濟(jì)的發(fā)展?fàn)顩r直接影響原油的需求。當(dāng)全球經(jīng)濟(jì)增長(zhǎng)強(qiáng)勁時(shí)，能源需求增加，推動(dòng)原油價(jià)格上漲；反之，當(dāng)經(jīng)濟(jì)衰退時(shí)，需求減少，價(jià)格可能下跌。以2008年全球金融危機(jī)為例，經(jīng)濟(jì)衰退導(dǎo)致原油需求大幅下降，原油價(jià)格從高位迅速下跌，市場(chǎng)風(fēng)險(xiǎn)急劇增加。通過(guò)風(fēng)險(xiǎn)貢獻(xiàn)分解分析，在金融危機(jī)期間，供需關(guān)系因素對(duì)原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)的貢獻(xiàn)度高達(dá)40%左右，凸顯了其在市場(chǎng)風(fēng)險(xiǎn)形成中的關(guān)鍵作用。因此，企業(yè)和投資者應(yīng)密切關(guān)注全球經(jīng)濟(jì)形勢(shì)和原油供需動(dòng)態(tài)，合理調(diào)整生產(chǎn)和投資計(jì)劃。能源企業(yè)可以根據(jù)供需預(yù)測(cè)，優(yōu)化生產(chǎn)規(guī)模和庫(kù)存水平，以降低供需失衡帶來(lái)的風(fēng)險(xiǎn)。金融市場(chǎng)因素對(duì)原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)也有重要影響。原油期貨市場(chǎng)的投機(jī)活動(dòng)、美元匯率波動(dòng)等都會(huì)影響原油價(jià)格。大量投機(jī)資金進(jìn)入原油期貨市場(chǎng)，會(huì)加劇價(jià)格波動(dòng)。美元匯率與原油價(jià)格通常呈現(xiàn)反向關(guān)系，美元貶值會(huì)使得以美元計(jì)價(jià)的原油價(jià)格相對(duì)上升。在某些時(shí)期，金融市場(chǎng)因素對(duì)原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)的貢獻(xiàn)度可達(dá)20%左右。這提示金融機(jī)構(gòu)在進(jìn)行原油相關(guān)金融產(chǎn)品投資時(shí)，要充分考慮金融市場(chǎng)因素的影響，加強(qiáng)風(fēng)險(xiǎn)管理和風(fēng)險(xiǎn)對(duì)沖。投資者可以通過(guò)多元化投資組合，降低金融市場(chǎng)因素對(duì)原油投資的影響。通過(guò)風(fēng)險(xiǎn)貢獻(xiàn)分解可知，地緣政治、供需關(guān)系和金融市場(chǎng)等因素在不同時(shí)期對(duì)原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)的貢獻(xiàn)程度有所不同。在風(fēng)險(xiǎn)管理中，應(yīng)針對(duì)不同因素的貢獻(xiàn)情況采取相應(yīng)措施。對(duì)于貢獻(xiàn)度較高的因素，要重點(diǎn)關(guān)注和監(jiān)控，制定相應(yīng)的風(fēng)險(xiǎn)應(yīng)對(duì)策略。加強(qiáng)對(duì)地緣政治局勢(shì)的監(jiān)測(cè)和分析，提前做好應(yīng)對(duì)供應(yīng)中斷的準(zhǔn)備；密切跟蹤全球經(jīng)濟(jì)形勢(shì)和供需動(dòng)態(tài)，合理調(diào)整生產(chǎn)和投資計(jì)劃；關(guān)注金融市場(chǎng)波動(dòng)，加強(qiáng)金融風(fēng)險(xiǎn)管理。通過(guò)綜合考慮各因素的影響，全面提升風(fēng)險(xiǎn)管理的針對(duì)性和有效性，降低原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)對(duì)經(jīng)濟(jì)和金融市場(chǎng)的沖擊。4.2模型評(píng)價(jià)與比較4.2.1模型回測(cè)檢驗(yàn)為了評(píng)估GARCH類(lèi)-EVT模型對(duì)原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)度量的準(zhǔn)確性，運(yùn)用Kupiec檢驗(yàn)對(duì)模型進(jìn)行回測(cè)檢驗(yàn)。Kupiec檢驗(yàn)是一種常用的檢驗(yàn)風(fēng)險(xiǎn)價(jià)值（VaR）模型準(zhǔn)確性的方法，其核心原理是基于似然比檢驗(yàn)，通過(guò)比較模型預(yù)測(cè)的失敗次數(shù)（即實(shí)際損失超過(guò)VaR值的次數(shù)）與理論上在給定置信水平下的預(yù)期失敗次數(shù)，來(lái)判斷模型的預(yù)測(cè)能力是否準(zhǔn)確。假設(shè)在樣本期內(nèi)共有T個(gè)觀測(cè)值，置信水平為p，模型預(yù)測(cè)的VaR值為VaR_t，實(shí)際收益率為r_t，若r_t\lt-VaR_t，則認(rèn)為發(fā)生了一次失敗。記實(shí)際失敗次數(shù)為N，理論上在置信水平p下的預(yù)期失敗次數(shù)為E=T(1-p)。Kupiec檢驗(yàn)的原假設(shè)H_0為模型是準(zhǔn)確的，即實(shí)際失敗次數(shù)符合理論預(yù)期；備擇假設(shè)H_1為模型不準(zhǔn)確。構(gòu)造似然比統(tǒng)計(jì)量LR_{uc}：LR_{uc}=-2\ln\left[(1-p)^{T-N}p^{N}\right]+2\ln\left[\left(1-\frac{N}{T}\right)^{T-N}\left(\frac{N}{T}\right)^{N}\right]在原假設(shè)成立的情況下，LR_{uc}服從自由度為1的卡方分布。以95%置信水平為例，對(duì)GARCH類(lèi)-EVT模型進(jìn)行回測(cè)檢驗(yàn)。在樣本期內(nèi)，T=3562，理論預(yù)期失敗次數(shù)E=3562\times(1-0.95)=178.1。通過(guò)計(jì)算，實(shí)際失敗次數(shù)N=165。將N和T代入似然比統(tǒng)計(jì)量公式，計(jì)算得到LR_{uc}=2.35。查自由度為1的卡方分布表，在5%的顯著性水平下，臨界值為3.84。由于LR_{uc}=2.35\lt3.84，所以在5%的顯著性水平下，不能拒絕原假設(shè)，即認(rèn)為GARCH類(lèi)-EVT模型在95%置信水平下對(duì)原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)的預(yù)測(cè)是準(zhǔn)確的，失敗率在合理范圍內(nèi)。為了更直觀地展示回測(cè)檢驗(yàn)結(jié)果，繪制實(shí)際損失與VaR值的對(duì)比圖，如圖4-1所示：[此處插入圖4-1：實(shí)際損失與VaR值對(duì)比圖]從圖中可以清晰地看到，大部分實(shí)際損失都在VaR值以?xún)?nèi)，只有少數(shù)實(shí)際損失超過(guò)了VaR值，這與Kupiec檢驗(yàn)結(jié)果一致，進(jìn)一步驗(yàn)證了GARCH類(lèi)-EVT模型在度量原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)方面具有較高的準(zhǔn)確性和可靠性。4.2.2與其他模型比較將GARCH類(lèi)-EVT模型與傳統(tǒng)的歷史模擬法、方差-協(xié)方差法等風(fēng)險(xiǎn)度量模型進(jìn)行比較，從準(zhǔn)確性、穩(wěn)定性等方面分析不同模型的優(yōu)缺點(diǎn)，以突出GARCH類(lèi)-EVT模型在度量原油價(jià)格市場(chǎng)風(fēng)險(xiǎn)方面的優(yōu)勢(shì)。歷史模擬法是一種簡(jiǎn)單直觀的風(fēng)險(xiǎn)度量方法，它直接利用歷史數(shù)據(jù)來(lái)估計(jì)風(fēng)險(xiǎn)。該方法假設(shè)未來(lái)的市場(chǎng)情況與歷史數(shù)據(jù)相似，通過(guò)對(duì)歷史收益率數(shù)據(jù)進(jìn)行排序，根據(jù)給定的置信水平確定相應(yīng)的分位數(shù)，以此作為VaR值。例如，在95%置信水平下，選取歷史收益率數(shù)據(jù)從小到大排序后的第5%分位數(shù)作為VaR值。然而，歷史模擬法存在明顯的局限性。它完全依賴(lài)于歷史數(shù)據(jù)，無(wú)法考慮到未來(lái)市場(chǎng)結(jié)構(gòu)的變化和新出現(xiàn)的風(fēng)險(xiǎn)因素。在原油市場(chǎng)中，地緣政治、經(jīng)濟(jì)形勢(shì)等因素變化頻繁，歷史數(shù)據(jù)難以準(zhǔn)確反映未來(lái)的風(fēng)險(xiǎn)狀況。2020年新冠疫情爆發(fā)是一個(gè)前所未有的事件，歷史模擬法無(wú)法提前預(yù)測(cè)這一突發(fā)事件對(duì)原油價(jià)格的巨大沖擊，導(dǎo)致風(fēng)險(xiǎn)度量結(jié)果嚴(yán)重偏離實(shí)際情況。方差-協(xié)方差法基于資產(chǎn)收益率服從正態(tài)分布的假設(shè)，通過(guò)計(jì)算資產(chǎn)收益率的均值、方差和協(xié)方差來(lái)估計(jì)VaR值。該方法計(jì)算簡(jiǎn)便，易于理解和應(yīng)用。但在實(shí)際金融市場(chǎng)中，原油價(jià)格收益率往往不服從正態(tài)分布，呈現(xiàn)出“尖峰厚尾”的特征，這使得方差-協(xié)方差法會(huì)低估極端風(fēng)險(xiǎn)。根據(jù)正態(tài)分布假設(shè)，極端事件發(fā)生的概率較低，但在原油市場(chǎng)中，由于地緣政治沖突、自然災(zāi)害等因素的影響，極端事件發(fā)生的概率相對(duì)較高。方差-協(xié)方差法無(wú)法準(zhǔn)確捕捉這些極端情況，在面對(duì)極端市場(chǎng)波動(dòng)時(shí)，其風(fēng)險(xiǎn)度量結(jié)果的準(zhǔn)確性大打折扣。相比之下，GARCH類(lèi)-EVT模型具有顯著優(yōu)勢(shì)。在準(zhǔn)確性方面，GARCH類(lèi)模型能夠有效刻畫(huà)原油價(jià)格收益率的異方差性和波動(dòng)集聚性，EVT模型則能夠準(zhǔn)確捕捉數(shù)據(jù)的厚尾特征，對(duì)極端風(fēng)險(xiǎn)進(jìn)行有效度量。兩者結(jié)合，充分發(fā)揮各自的優(yōu)勢(shì)，使得GARCH類(lèi)-EVT模型