摘 要 本文在VaR和ES一阶期望风险测度基础上，发展了ES(n)高阶期望风险测度。该方法的最大优越性在于其在高阶广义随机占优情况下依然能保持精准，克服了低阶期望风险测度在高阶广义随机占优情况下可能出现的风险测度错误。
关键词 流动性风险测度 ES(n)风险测度 广义随机占优
中图分类号：F830.99 文献标识码：A
一、引言
银行流动性风险是指银行无法提供足额资金来应付资金需求增加或履行到期债务的风险。金融危机后，流动性风险成为巴塞尔委员会又一关注焦点。而结束入世过渡后，我国银行业面临着来自外资银行的巨大挑战。但目前我国银行普遍存差大，呈现“流动性过剩”现象；同时国有银行受国家信誉影响，流动性控制缺乏激励机制。
关于流动性风险的研究由来已久。Robert I.Komar(1971)将流动性管理所涉及的变量分为资金来源与资金运用。Diamond和Dybvig(1983)对银行挤兑进行研究，提出DD模型。之后，Diamond(1997)、Franck和Krausz(2004)等在此模型基础上衍生出了许多复杂模型。目前，VaR作为衡量风险的传统标志得到广泛应用。Hisata和Yamai (2000)提出L-VaR模型计算风险调整后的VAR，模型进一步深化。
我国银行业受体制性信贷膨胀及信贷资产质量影响，一直存在流动性风险。唐爱国(2002)提出了群体决策理论，以广义随机占优理论为基础提出了广义随机占优单调一致风险测度概念和ES高阶期望损失风险测度。季?民(2006)在只考虑流动性短缺情况下，采用QAR分位数自回归法对流动性风险的动态衡量进行了实证分析。
目前国内流动性风险研究仍有不足，表现为对各影响因素间的共同作用研究较少；其影响程度缺乏定量分析。对商业银行如何在宏观环境变化中适应变化，并随之做出改变的研究还需进一步深入。
二、 ES(n)测度模型为基础的流动性风险度量探究
1、模型假设
对商业银行来说，资产流动性管理的关键在于流动性资金供给与需求，因而将影响银行流动性资产供给与需求的因素分类如表1。
表1 商业银行流动性资金需求和供给来源
流动性缺口Y = 流动性供给－流动性需求 = X1－X2。
2、 模型建立
假设E(n)( ,X)为风险变量X的n阶条件期望，则高阶期望损失风险测度ES(n)为：ES(n)( ,X)=－E(n)( ,X) (1)
其中 E(n)( ,X)=n! -nQI(n)( ,X) (2)
其中，QI(n)( ,X)为n阶上分位数积分。
则，QI(n)( ,X)=q( ,X)，q( ,X)是X的任意分位数函数。(3)
(4)
为保证数据平稳，在运算前对原始数据采用经典分解模型进行去季节性和趋势性操作。
Xt=mt+st+Yt，t=1,…,n(5)
其中，EYt=0，st+d=st，。Xt为原始流动性供给和需求的时间序列，mt为确实性因子，st为季节性因子，d为季节性因子周期，取为12。Yt为去趋势性和季节性影响的时间序列，即模型中的流动性供给和需求。而在原始数据处理中采用Copula函数法找出最符合X的多元分布函数。最终，通过比较ES(n)在银行的表现判断其流动性风险。
3、实证分析
采用某省工行、农行、中行、建行、光大、招商、浦发等银行数据实现该模型，对各银行流动性短缺和流动性过剩风险分别计算排序。
在流动性短缺风险计算中，ES二阶、三阶计算结果现实光大银行流动性短缺最为明显，而ES低阶计算结果现实为招商银行。而在流动性过剩风险计算中，ES二阶、三阶排序结果和ES低阶排序结果相同，但在具体数值计算中依然存在不同程度差距。（具体计算结果与图表分析略）
经上述处理和分析后发现：
（1）相比较于低阶期望损失风险测度，ES高阶期望损失风险测度测试结果和排序都有一定区别，说明ES低阶期望损失风险测度在排序上可能错误，也说明ES高阶期望损失风险测度的优越性。
（2）相对于流动性短缺，该省银行流动性过剩问题更严重。银行需在资金运用上采取更积极的态度。而在流动性过剩测度中，ES高阶期望损失测度方法的优越性依然存在，有效避免了低阶期望损失测度模型的错误。
三、总结
高阶ES测度是对ES低阶期望损失的高阶推广，意味着它拥有一阶ES测度的优良性质，而且是0~（n+1）阶广义随机占优单调一致的风险测度，保证在高阶广义随机占优情况下不发生风险判断错误。
当然，在目前的研究情况下，该方法依然存在问题，主要是在风险变量非正态时，ES高阶测度计算量巨大。同时，它依然是一种单纯反映静态流动性风险的测度。若能够结合一定方法反映实时风险，将给商业银行的流动性风险管理提供很好的数据基础。
本文系浙江省大学生科研创新团队资助项目（项目编号：2011R408034）
(作者单位：浙江工商大学章乃器学院)
参考文献：
[1]季敦民、金百锁、缪柏其.ES自回归方法在商业银行流动性风险衡量中的应用，中国科学技术大学学报，2009
[2]董爱阳.基于BP神经网络的商业银行流动性风险预警，黑龙江对外经贸，2010
[3]完世伟.基于网络层次分析法（ANP）的商业银行风险评价研究，金融观察，2009
[4]Peter Neu,Liquidity risk measurement and management,中国金融出版社，2010