基于VaR 模型中国保险资金投资风险的度量
赵 玮/ 文
摘要 党的十九大召开以来，我国对保险业风险的防控提出了更加严格的要求。 为测度保险资金的四项主要投资类型——银行存款、债券投资、股票投资、基金投资的风险和绩效,本文首先介绍了保险资金投资的研究背景、方法等,然后使用VaR 模型来衡量每项投资类型的风险。最后通过风险调整资本收益率对每种投资类型的绩效进行评估。结果表明，我国保险业仍存在资产负债错配、流动性风险和信用风险增加等问题。此外，还揭示了我国保险基金投资结构存在改善的空间。 这一结果不仅为我国保险业的风险管理提供了相关政策建议，也填补了近年来该领域研究的空白。
关键词： 保险资金投资；VaR 模型；RAROC 模型；实证分析；政策建议
一、引言
随着保险支出在家庭金融资产中扮演着越来越重要的角色，保险资金投资已经成为国民经济中一项重要的业务，其重要性在保险行业引起了广泛关注。
班主任应以专业的态度去践行自己的教育职责，无论我们在工作中遇到怎样的家长，都应该清楚自身的教育责任，这是与家长沟通的基本。
2019 年初，在中共中央政治局完善金融服务、防范金融风险的集体学习中，习总书记对金融供给侧结构性改革、防范化解金融风险、深化金融改革开放等金融领域的风险攻坚战，提出了更高的要求。保险业作为金融体系的重要组成部分，对于其自身的风险防控也将更加严格。
VaR（Value at Risk，在险价值）模型是金融市场中应用最广泛的风险度量模型之一，它衡量的是资产组合在某一置信水平下可能遭受到的最大损失。因此，本文通过建立VaR 模型对我国保险资金投资过程中的风险进行实证分析，并结合当前保险资金运用情况和相关政策提出有效建议。
二、研究方法
VaR（Value at Risk）在险价值，一般指在某一时间段，某项金融资产或某类投资组合在一定置信水平下的最大期望损失。目前，VaR 模型是金融行业衡量市场风险的主流工具。例如，假定在99%的置信水平下，某金融机构的投资组合持有一天的VaR 是100 万元，则可表述为：在正常的市场环境下，该金融机构持有此投资组合一天可能遭受到的最大损失小于等于100万元的概率是99%。但是，仍然会有1%的概率会损失超过100万元，这种情况是无法完全避免的。
2.4 相关性分析 相关性分析结果显示，乳腺癌患者血清IL-6、IL-8、IL-10水平的升高与TNF-α呈正相关关系(r=0.553、0.751、0.662，P<0.05)。
调查显示，对“河长制”的了解程度上，近二分之一公众选择持“一般”的中立态度，其次是“不了解”与“较了解”此类偏向性答案，再次是“很了解”，只有极小部分人表示“完全不了解”。可见，社会公众对“河长制”的了解情况并不乐观。
1.4.9 分类数据集生成 将以上根据MODIS数据提取的分类特征：植被指数、积雪指数、湿度指数、水体指数、纹理特征、昼夜地表温度与SRTM3地形数据提取的地形参数：高程、坡度、表面曲率，对以上分类特征进行配准、叠加、裁切，最后得到多层分类数据集。再对多层分类数据集和整理后的土壤矢量数据进行叠加，为数据分析提供基础。
其中，P 表示概率，ΔL 表示一个特定投资组合货金融资产在持有期内的损失，α 表示显著性水平，c 表示置信度水平，并且1- c=α。
对于VaR 模型计算在险价值，主要有三种代表性的计算方法，分别为参数法、历史模拟法和蒙特卡洛模拟法。在对数据获取难易程度进行综合考量后，本文在实证需要的基础上介绍前两种方法。
而据宫宝田弟子回忆，师父给许世友展示了刀法，水泼不进，而许世友也展示了刀法，快准狠绝，师父给许世友展示了轻功，警卫用枪都打不到他，而许世友则展示了暗器飞蝗石的绝技，用石子儿打中了师父的毡帽。
参数法，是通过利用资产组合内部要素之间的关系，计算出各项投资的方差和整个组合的协方差，从而形成资产组合的方差- 协方差矩阵，利用矩阵对资产的报酬和协方差进行估计，在此基础上求出一定置信水平下的临界值，并推导出VaR值。该方法需要确定的是资产组合的方差和协方差等参数。此方法有一个前提假设是要求资产组合的收益率服从正态分布。
理论上，正态分布的偏度是0，峰度是3.因此，为了判断数据序列是否服从正态分布，本文使用Eviews8 对数据进行描述性统计。结果如表1 所示。
其中，Zα 是在标准正态分布下，相对应显著性水平（α）的分位点的数值，σ 是投资组合的标准差，t 是资产组合的持有时间，X 是投资组合中多种投资方式所占的比重，C 投资组合中多种投资方式相对应的方差- 协方差矩阵，XT 是投资比例矩阵X的转置矩阵。同时，还可以计算每种投资方式的成分VaR（CVaR），从而可以更加准确地衡量风险。CVaR 的公式可以表示为：
相对于参数法，历史模拟法较为简单。原理在于通过分析历史数据，对未来的结果分布进行预测，根据相关理论，当样本数量足够大时，样本的分位点也无限接近真实的VaR，即对VaR 进行无偏估计。步骤为，首先收集历史样本，如价格指数的数据，并计算其收益率序列。然后根据收益率序列进行排序。最后找到一定置信水平下对应的分位点上的收益率，并计算VaR。
三、我国保险资金投资风险计量的实证分析
1．样本选择和处理
根据《2018 年中国保险年鉴》，截至2017 年末，我国保险业总资产达到16.75 万亿元，保险资金投资余额14.92 万亿元，与年初相比增长11.4%。从其投资比例看，债券投资占比34.59%，银行存款12.92%，股票投资7.26%，基金投资5.04%，总体占比为59.81%。从大类资金配置方面看，这四种投资类型的分析，基本上可以反映所有保险资金的风险和经营状况。
免疫克隆选择的参数设置为：初始种群规模设定为3*类别数，克隆规模取初始种群规模的2倍，变异概率P1=0.6，交叉概率P2=0.9，其余参数根据交叉验证取值。正确率阈值α=0.45,β=0.80.令亲合度连续5次迭代没有提升为算法终止条件，估计分类错误率时采用交叉验证法和t检验法[13].
数据来源为RESSET 金融数据库。为了保证各指标的一致性，在参考相关文献的基础上，剔除部分交易日数据，共获得488 个交易时日的数据。为了消除数据本身的异方差性，使数据更加稳定，本文对其进行了对数差分处理。公式为：
如果单纯考虑投资方式的收益率，一些投资方式可能在拥有高收益的同时，VaR 也很大，那么计算出的RAROC 将不会像收益率那么高。因此，有必要在绩效考察中引入RAROC 的概念。为了简化计算，这里忽略预期损失，净收益使用日平均收益率代替。所以RAROC 可以重写为下列公式：
使用参数法测量风险时，单位资产的VaR 方程可以表示为：
显然，四种投资方式的收益率序列均存在不同程度的超峰值现象，并且出现左偏，据此可以判断四种投资类型的收益率序列不服从正态分布，参数法对数据有正态性的要求，如果只选用参数法将会出现结果偏差。因此本文将采取参数法与历史模拟法相结合的方式，对风险进行衡量，提高测量结果的准确性。
表1 描述性统计分析
2． 参数法的实证分析
根据方程（2）（3）可以得出，为了计算一定置信水平下的VaR 和CVaR，需要先设置相应的置信水平，本文将分别计算95%和99%置信水平下的VaR。
结合已有文献，本文样本时期选为2016 年9 月1 日至2018 年8 月31 日（共488 个交易日），并采用SHIBOR（1 年期上海银行同业拆息）、CBII（中国债券保险机构投资指数）、SSECI（上海证券交易所综合指数）和SSEFI（上海证券交易所基金指数）四个指标来分别反映银行存款、债券投资、股票投资和基金投资情况。
因此，首先计算四种投资方式收益率序列的方差- 协方差矩阵。依据统计知识，在95%和99%的置信水平下，分位数的值分别为1.645 和2.327，将已有数据和矩阵代入方程（2），可计算出对应的VaR，可知保险资金持有一天的VaR 分别为260.46亿元和368.45 亿元。接下来利用方程（3）可以计算出四项投资方式的成分VaR（CVaR），结果为，在95%置信水平下，银行存款，债券，股票，基金的CVaR 分别为50.92、65.00、107.17、37.38，合计260.46。在99%置信水平下分别为72.03、91.95、151.59、52.87，合计368.45。
上林路站是16号线和1号线二期车站的换乘站，位于世纪大道与沣泾大道交汇处。1号线二期上林路站为地下二层、宽11 m的岛式站台标准站，沿世纪大道东西向敷设。该站在设计时，未考虑与其它线换乘，未预留换乘节点，因此需后期接入改造。目前,该站的围护桩、冠梁、挡墙已施工完成,一、二段底板已浇筑。世纪大道与沣泾大道的十字路口四个象限均有在建楼盘，十字路口北侧约300 m处有上林大桥。
3. 历史模拟法的实证分析
由于已知四种投资方式的收益率序列和在总体中所占的权重，根据投资组合相关理论，可以使用公式（5）计算投资组合的收益率。其中，rp表示投资组合的收益率序列，ri表示每种投资方式的收益率，wi表示每种投资方式所占的权重。
投资组合的收益率序列计算完成之后，将其降序排列，已知收益率序列的样本总量为487，所以在95%和99%的置信水平下，分位点分别为的收益率序列的第24 位（487×5%24）和第4 位（487×1%5），单位投资组合资产的VaR 值分别为0.00179和0.00397。将其与2017 年的保险资金投资总额余额（14.92 万亿）相乘，次日保险资金投资VaR 值在95%的置信水平下为266.407 亿元，在99%的置信水平下，保险资金投资余额的VaR值为591.35 亿元。
4. 实证结论
通过比较三参数和历史仿真方法的实证结果，可以发现置信水平为95%时，两种方法的VaRs 接近，约为260 亿元。当置信度为99%时，两种方法的VaRs 相差较远，存在约200 亿元的风险缺口。结合这两种方法，我们可以发现在95%置信水平下风险度量的结果比较接近真实值。因此，在95%置信水平下，可以将中国保险资金投资的VaR 锁定在400 亿元左右。
从上述结果中，我们可以看出，在95%和99%的置信水平下，股票投资的风险是最大的，接近基金投资风险的三倍，这与我国股市行情持续低迷有关。此外，银行存款和基金投资的风险低于股票投资和债券投资的风险，这与样本期内，我国债券市场受到宏观经济表现和货币政策影响疲软有关。
5. 实证拓展
资产风险的大小只是保险资金投资绩效评价的一个方面，为了使投资绩效考核结果更加客观准确，本文进一步引入了RAROC 的概念。RAROC 指风险调制资本收益，它是一种综合指标，同时考虑了资产的收益和风险。
VaR 模型的数学公式可表示为：
3.传统的电力系统处理技术，具有准确率不高，设备的工作效率相对较低，数据库无法实现设备的自动监控等很多不足，电力自动化系统在电力工程中的应用，使得传统设备运行下的很多电力系统问题都得以解决。并在软件的开发与封装方面也具有深远影响。对软件工程带来了巨大的变革。该技术在对象技术和主动功能的支持方面占据着绝对的优势。主动对象数据库技术被广泛应用干电力系统的自动化监控方面。有望实现电力系统自动监视与控制的更加复杂的功能以及对监控系统中触发子和对象的函数功能的进一步研究。
在95%的置信水平下，RAROC 的计算结果如表2 所示。
表2 每种投资方式的RAROC
由表2 可知，四种投资类型的RAROC 排序为：银行存款＞债券投资＞基金投资＞股票投资，只有银行存款和债券投资的RAROC 为正，其余投资方式为负。这意味着在样本期内，银行存款和债券投资的表现优于股票投资和基金投资，这主要与2016 至2018 年中国资本市场疲软和低利率环境有关。
应急保障是有效开展减灾抢险救援的基础支撑。一些城市缺乏对灾时抢险和平时战备的应急保障要求，尤其是一些北方城市，多年未经历过暴雨洪水考验，防灾减灾意识薄弱，应急抢险队伍、防洪抢险设施和物资储备都有待加强。部分城市防洪应急预案中对通信、信息、供电、运输、物资设备、抢险队伍等的保障措施不够明确，抢险人员和队伍缺乏技术培训和应急演练，严重影响在灾害发生后第一时间进行应急处置。
四、研究结论及政策建议
1. 研究结论
（1）通过实证分析，可以发现我国保险基金投资平衡逐步增加，但仍存在资产错配，负债、流动性风险和信用风险增加等问题。因此，政策制定者必须考虑监管与产业之间突出的矛盾，找到最佳的政策解决方案，解决现阶段的主要问题。
（2）我国保险基金投资结构有待完善。参数法和历史模拟方法的实证结果表明，当置信水平为95%时，两个方法的VaR值接近，约为260 亿元。因此，95%置信水平下的风险测度结果更为准确。此外，计算了四种投资方式的RAROC 排名：银行存款＞债券投资＞基金投资＞股票投资，但是在中国保险资金投资的资产比例中，四种投资方式的排名为：债券投资＞银行存款＞股票投资＞基金投资。由此可见，我国保险资金投资结构尚未达到最优状态，仍有进一步优化的空间。
（3）我国保险基金的投资类型已基本达到国际标准，在这种情况下，三种主要的VaR 方法实际上都有一定的局限性。一方面，不能很好地拟合数据的分布，在测量的准确性上值得进一步研究。另一方面，受数据披露和数据获取的影响，可计量资金总量实际约占保险基金投资余额的60%左右，对与剩下的40%的其他投资比例的测算缺乏相应的分析和解释。
2. 政策建议
（1）不断完善保险基金投资结构。保险基金的投资结构面临着资本市场疲软和利率偏低的挑战。在这种情况下，政府要进一步推进市场化改革，稳步拓宽投资渠道，给市场足够的空间和选择，激发市场活力。同时，保险机构应深入研究全球宏观经济形势，提高其面对变化时的动态调整能力。
（2）构建以VaR 模型为核心的投资风险管理体系。虽然VaR 是现代投资理论的主流，但它仍有许多局限性。随着保险投资类型的多样化，风险也越来越多变。因此，只有将VaR 模型与其他风险管控技术相结合，构建以VaR 模型为核心的投资风险管理体系，才能更好地适应保险市场的发展和需求。
（3）进一步完善投资风险管理的内部控制机制。政府首先需要发布相关的内部控制指引，要求保险机构执行这些规定。对于保险机构而言，要在银保监会的指导下提高各类风险的计量精度偿付能力。严格实施资产分类、内审等专项风险管理，确保密切监控投资风险状况，适时采取切实可行的应对措施。
参考文献：
[1]张丽娟.黄金对保险投资风险影响的度量——基于VaR 模型的实证分析[J].金融经济，2018（22）.
[2]李佳，陈冬兰.我国保险股市市场风险度量的比较研究[J].生产力研究，2018（11）.
[3]刘昊.保险公司证券投资组合的VaR 值测算与评估[J].投资理财，2017（22）.
[4]胡留所，王明. VaR 历史模拟法在中国银行外汇风险度量中的应用[J].现代经济信息，2018（09）.
[5]ZiyangYao.The Risk Measurement of China’s Insurance Fund Investment—Based on VaR Model[J]. Journal of Financial Risk Management，2018（07）.
10.13999/j.cnki.scyj.2019.10.012
（作者单位：山西财经大学）