一种基于VaR风险模型的风险管理系统及改进方法与流程

本发明涉及人工智能技术领域，特别涉及一种基于VaR风险模型的风险管理系统及改进方法。

背景技术：

度量和控制风险是所有现代人类活动最为关心的一项主要事情。G30集团在研究衍生品种的基础上，于1993年发表了题为《衍生产品的实践和规则》的报告，提出了度量市场风险的VaR(Value at Risk：风险价值)方法已成为目前金融界测量市场风险的主流方法。后由J.P.Morgan推出的用于计算VaR的Risk Metrics风险控制模型更是被众多金融机构广泛采用。

目前国外一些大型金融机构已将其所持资产的VaR风险值作为其定期公布的会计报表的一项重要内容加以列示。

VaR模型有以下三个优点：测量风险简洁明了，统一了风险计量标准，管理者和投资者较容易理解掌握；可以事前计算,降低市场风险；确定必要资本及提供监管依据。这也是VaR广泛流行的原因。

VaR模型损益分布的分位数是对分布是非常简洁的概括，这种简洁也造成了极大的隐患，因为相同的VaR背后可能会隐藏着非常不同的分布情况。也就是说，超过VaR值风险情况仅仅通过VaR风险模型是无法获知的，这也是传统的VaR模型所存在的问题之一。

现有技术中也存在着一些改进方式，如CVaR模型，不过虽然CVaR模型解决了VaR损失分布不明确的问题，但是CVaR值相比VaR值要小很多，对资金要求更加严苛，与现在大量使用的VaR风险模型也有冲突，而且CVaR模型风险值也不稳定，每次模拟出来的值差异比较大，这也是阻碍类似CVaR模型的模型被推广的因素。

技术实现要素：

本发明的目的是克服上述背景技术中不足，提供一种基于VaR风险模型的风险管理系统，可既保证VaR模型作为主流风险模型的通用性，又不改变风险值，还能解决VaR模型分布不明确的问题，因此不会造成与主流方案冲突，非常利于推广。

为了达到上述的技术效果，本发明采取以下技术方案：

一种基于VaR风险模型的风险管理系统，包含数据存储模块、数据采集模块、数据分析模块、VaR风险模型评估模块、模型结果输出及绘制模块；其中，

所述数据存储模块与数据分析模块相连，数据存储模块用于存储外汇业务历史数据，所述外汇业务历史数据包含多种货币的历史汇率；所述数据采集模块与数据分析模块相连，数据采集模块用于采集用户设定的外汇业务数据，所述外汇业务数据包含资产金额数据、置信水平数据及时间长度数据；所述数据分析模块与VaR风险模型评估模块相连，数据分析模块用于根据外汇业务历史数据对外汇业务数据进行多次头寸价格走势模拟及多次目标时刻头寸价格计算；所述VaR风险模型评估模块与模型结果输出及绘制模块相连，VaR风险模型评估模块用于根据VaR风险模型对数据分析模块得出的数据进行计算，最终输出外汇投资的期望值；所述模型结果输出及绘制模块用于将VaR风险模型评估模块的计算结果以图形可视化方式进行展示。

同时，本发明还公开了一种基于VaR风险模型的改进方法，具体包含以下步骤：

S1.确定需要判定的时间长度；

S2.估计风险因子的分布；

S3.根据所述步骤S2中得出的风险因子的分布生成具有数量n的随机场景；

S4.根据VaR风险模型，计算各个外汇头寸在每个场景下的估值得到在各个场景下的组合损益并输出组合损益样本；

S5.根据步骤S4中输出的组合损益样本，结合风险因子的分布，获取对应的分位点，该点即为模型的VaR值。

进一步地，还包含步骤S6：根据组合损益样本，生成损益密度分布图，并计算损益密度分布的期望值。

进一步地，所述步骤S3中的随机场景的数量n不小于500。

本发明与现有技术相比，具有以下的有益效果：

本发明的基于VaR风险模型的风险管理系统及改进方法，通过生成损益密度分布图，解决了现有VaR风险模型分布不明确的问题，而且超过损失部分也能通过分布图信息看出，避免了VaR风险模型在某些条件下产生未预料的结果而没法获知的问题。同时本发明的基于VaR风险模型的风险管理系统及改进方法中增加了期望值信息，通过对比期望值和VaR值，除了能更好的展示外汇头寸整体情况，将其相减之后也能得到另一种形式的风险信息，同时，本发明的基于VaR风险模型的风险管理系统及改进方法的图形化展示的方式也使VaR风险模型指标更容易理解。

附图说明

图1是本发明的基于VaR风险模型的风险管理系统的结构示意图。

图2是本发明的基于VaR风险模型的改进方法的流程示意图。

图3为本发明的一个实施例中外汇头寸风险模型效果图。

具体实施方式

下面结合本发明的实施例对本发明作进一步的阐述和说明。

实施例：

VaR风险模型定义即在正常市场条件下和一定的置信水平a上，测算出在给定的时间段内预期发生的最坏情况的损失大小X。在数学上的严格定义如下：设X是描述证券组合损失的随机变量，F(x)是其概率分布函数，置信水平为a，则：VaR(a)＝-inf{x|F(x)≥a}。

根据上述描述可以看出，VaR模型损益分布的分位数，这个数值对分布是非常简洁的概括，超过VaR值风险情况仅仅通过VaR风险模型是无法获知的。针对这种不足，我们使用蒙特卡洛法来模拟分布情况。蒙特卡洛法是以概率和统计理论方法为基础的一种计算方法，是使用随机数(或更常见的伪随机数)来解决很多计算问题的方法。这里结合了历史数据的变化情况，模拟未来市场的波动情况，多次重复进行，能够有效的模拟出真实的市场波动情况。使用蒙特卡洛法，这样既能够计算出VaR值，又能够将损失分布的情况展示出来，且不会跟广泛使用的VaR方法冲突。

实施例1

如图1所示，一种基于VaR风险模型的风险管理系统，包含数据存储模块、数据采集模块、数据分析模块、VaR风险模型评估模块、模型结果输出及绘制模块。

其中，所述数据存储模块与数据分析模块相连，数据存储模块用于存储外汇业务历史数据，所述外汇业务历史数据包含多种货币的历史汇率。

所述数据采集模块与数据分析模块相连，数据采集模块用于采集用户设定的外汇业务数据，所述外汇业务数据包含资产金额数据、置信水平数据及时间长度数据。

所述数据分析模块与VaR风险模型评估模块相连，数据分析模块用于根据外汇业务历史数据对外汇业务数据进行多次头寸价格走势模拟及多次目标时刻头寸价格计算。

所述VaR风险模型评估模块与模型结果输出及绘制模块相连，VaR风险模型评估模块用于根据VaR风险模型对数据分析模块得出的数据进行计算，最终输出外汇投资的期望值。

所述模型结果输出及绘制模块用于将VaR风险模型评估模块的计算结果以图形可视化方式进行展示。

具体的，数据采集模块先对用户的外汇资产数据、用户选择的置信水平a、时间长度b天等数据进行选择，从而在后续完成用户的这笔外汇资产在该时间长度b内可能面临的损失情况，若用户的该外汇资产的币种为美元，则t时刻的美元兑人民币价格的计算公式为(假设风险因子服从正太分布)：

Rt＝Rt-1(St-St-1)/St-1，其中，Rt为t时刻的人民币价格，(St-St-1)/St-1即为汇率的变化率δ。

数据分析模块则再根据数据采集模块采集到的相关数据以及数据库中对应货币对的所有历史数据，计算出每天的汇率的变化率δ。

假设t为当前时刻，t+b即为目标时刻，随机抽取汇率的变化率为δi(i＝1,2,K,n)，数据分析模块即可对时间长度b天内的价格进行模拟。即：

Rt+1＝Rtδ1

Rt+2＝Rt+1δ2

……

Rt+b＝Rt+b-1δb

通过上述计算方式，数据分析模块即可模拟出来头寸价格未来走势R及目标时刻的头寸价格Rt+b。

同时，数据分析模块将重复上述模拟步骤m次(m>＝500)，并输出每次模拟后的头寸价格至VaR风险模型评估模块。

VaR风险模型评估模块将得到的一系列的t+b时刻价格按升序排列，在给定的置信水平a下，找到对应的分位数，即可得到对应的VaR值，然后VaR风险模型评估模块再根据这m个t+b时刻的头寸价格绘制其概率密度函数，并由模型结果输出及绘制模块绘制对应的概率密度图，最后VaR风险模型评估模块再计算这m个值的均值，得到其期望值，并由VaR风险模型评估模块绘制对应的曲线图。

实施例2

根据VaR风险模型的定义，我们提供了一种基于VaR风险模型的改进方法来确定对应的一个损失分布情况，如图2所示，具体包含以下步骤：

1)选择时间长度，即需要判定未来的一个特定时间；

2)估计风险因子的分布；

3)根据分布生成随机场景(通常500个以上的场景)，即根据历史的波动情况，随机模拟在这段时间内汇率的市场变化情况，多次重复进行；

4)根据相应金融产品的估值方法，计算组合中各个外汇头寸在每个场景下的估值，得到在各个场景下的组合损益，得到组合损益样本；

5)根据上一步得到的组合损益样本，结合风险因子的分布，获取对应的分位点，该点即为模型的VaR值。

同时，在基于VaR风险模型生成步骤的基础上，我们还需要在结合第三步的结果，用得到的组合损益样本，生成损益密度分布图，并计算该分布的期望值，从而弥补VaR风险模型分布不明确的问题，还能获得额外的期望值信息。

因此，通过本发明的方法不仅能提供外汇头寸的VaR值，还能增加外汇头寸未来价值的期望值和分布情况，增强客户对该外汇头寸风险的信息的全面性。

具体的，本实施例中选取10000美元资产为例，用该模型方法来评判这笔美元资产的风险，本实施例中选择置信水平为95％，设定时间长度为30天，即评估这笔美元资产在30天内可能面临的损失情况。假设风险因子服从正太分布。每天美元兑人民币价格可以表示为：

Rt＝Rt-1(St-St-1)/St-1

其中Rt为t时刻的人民币价格，(St-St-1)/St-1即为汇率的变化率δ。

取出数据存储模块中对应货币汇率的所有历史数据，计算每天的汇率的变化率δ。假设t为当前时刻，t+30即为目标时刻，随机抽取汇率的变化率为δi(i＝1,2,K,n)，对该外汇资产30天的价格进行模拟，即：

Rt+1＝Rtδ1

Rt+2＝Rt+1δ2

……

Rt+30＝Rt+29δ30

这样就模拟出来头寸价格未来走势R及目标时刻的头寸价格Rt+30。

多次重复上面步骤，我们选取1000次，然后将一系列的t+30时刻价格按升序排列，在给定的置信水平95％下，找到对应的分位数，即可得到对应的VaR值。然后再根据这1000个t+30时刻的头寸价格绘制其概率密度函数，得到对应的概率密度图。最后再计算这1000个值的均值，得到其期望值，并绘制在图中，如图3所示，其中，图3中纵坐标表示概率的密度，横坐标为资产的随机变量的取值范围、单位为元，且图3中粗实线为概率密度分布图；细实线在该为置信水平下，外汇头寸在未来特定时期内的最大可能损失值；虚线为该分布的期望值。

以当前例子为例，具体为取出数据库中对应货币对的所有历史数据，计算每天的汇率的变化率。从当前时间开始，随机抽取汇率的变化率30次，对30天的价格进行模拟。这样就模拟出来头寸价格未来走势及目标时刻的头寸价格。

重复1000次这样的步骤，最终可以看到，该分布满足正太分布。然后将一系列的价格按升序排列，在给定的置信水平95％下，找到对应的分位数，即可得到对应的VaR值为6.57万元，即未来30天时间内的人民币价值可能变为6.57万元。当前美元兑人民币汇率查询得到为6.62，即这笔美元资产的人民币价值是6.62万元，面临的损失为512.82元

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。