基于分位数回归的静态CoVaR 计算操作手册一、项目简介（一）案例简介（二）实验数据① 下载各个银行股票收盘价周数据和总股本到Excel 。
【tips 】本案例使用choice 下载数据，下载choice 金融终端后，excel 里会有choice 的控件，进入excel 后找到choice 的控件，在菜单栏点击历史行情选择所要数据，直接下载导入数据简单方便。
② 处理数据，求出每个银行的收益率数据（v1-v14）1100*ln(/)t t t R P P -=③ 求出银行系统的收益率（s ）：银行体系的收益率由各银行的股本权重加权平均得到的。
SYS tt tE R R E =∑∑ ④ Eviews 读取日期不规则的Excel 数据：点击File ——open ——foreign data as workfile【tips 】注意在最后的basis structure 中是dated-specified by date series ，紧接着显示Link imported series… 选择 no 。
【tips 】在下一次再次打开文件夹显示refresh ，选择no 。
二、数据检验① 以南京银行为例画出分布图，点击v1——View ——Descriptive Statistics & Tests ——Histogram and Stats② 按住Ctrl 点击v1-v14、s 作为group01，点击group01——View ——Descriptive Stats ——Common Sample③ 由上表可以看出，各个银行及金融系统的收益率并不服从正态分布，收益率偏度（Skewness ）呈现左偏或者右偏，峰度值（Kurtosis ）大于3，各家银行收益率的尾部比正态分布的尾部厚，其分布呈现出尖峰厚尾的特征。
J-B 检验也拒绝各收益率正态性的假设。
因此这种数据恰好适用于分位数回归方法。
三、静态CoVaR 模型与操作（一）模型介绍① 在险价值VaR 本身就是指在一定发生的。
比如有N 个银行机构组成的系统system ，要研究两个机构的风险溢出关系，首先建立分析两个机构回报率之间的关系，这里定义两个机构为系统system 和机构i ，在机构损失为iX 的情况下：|i system X i i i qq q XX αβ=+② 其中|isystem X qX则表示一定置信水平中机构i 发生风险事件损失为iX 的条件下系统的q 分位数损失估计值，从而依据VaR 的定义，我们就有：||ii system X system X qqCoVaRX=③ 可知CoVaR 是机构i 的VaR 下的条件VaR ，CoVaR 本质也是VaR ，因此分位数回归得到的系统基于机构i 损失的条件下损失的预测值就是系统在iX 条件下的VaR 值。
其中|isystem X qCoVaR 就是条件分位数，当i X 取iq VaR 时，就可以计算出机构i 的CoVaR 值：|=i iq system X VaR i i i i qqq q q CoVaR VaRVaR αβ==+④ iq VaR 可以由机构i 的收益率序列的q 分位数得到，那么风险溢出值0.5||0.5=()iiq systemVaR systemVaR ii i i qqqq q CoVaR CoVaRCoVaRVaR VaR β∆-=-其中分位数q=0.5是指在正常情况下的机构i 的0.5iVaR ，而分位数q=0.05是指在发生风险事件iX 下的机构i 的0.05iVaR 。
（二）实证测算① 以南京银行NJ 为例，首先估计出下列模型的参数：||0.050.050.050.05SYS SYS NJ SYS NJ NJR R αβε=++② 把①中的估计参数代入下列CoVaR ，南京银行对银行系统的CoVaR 为|||0.050.050.050.05SYS NJ SYS NJ SYS NJ NJ CoVaR VaR αβ=+其中0.05NJVaR 可以直接由南京银行的收益率序列的5%分位数得到。
③ 进一步计算南京银行的风险溢出价值|0.05SYS NJCoVaR ∆，用处于风险状态下（分位数q=0.05）的CoVaR 减去正常状态下（分位数q=0.5）的CoVaR ，如下：|||0.050.050.5|0.050.050.5()SYS NJ SYS NJ SYS NJ SYS NJNJ NJ CoVaR CoVaR CoVaR VaRVaR β∆=-=-④ 此外，由于不同机构的CoVaR 不同，其差异较大，因此|SYS iq CoVaR ∆并不能很好地反映出风险溢出程度，因此对|SYS iq CoVaR ∆进行标准化处理，即：||%(/)*100%SYS i SYS i iq q q CoVaR CoVaR VaR ∆=∆（三）操作实例进行分位数回归，以银行系统和南京银行为例，① 在主菜单点击Quick ——Estimate Equation ——输入s c v1——并且在Method下选择QREG-Quantile Regression——Quantile to 0.05②得出结果：③随后在计算出方程的估计系数后，将其代入公式（二）②中求出CoVaR，然后利用@quantile(v1,0.05)获取v1的0.05分位数（即VaR），代入公式（二）③算出deltaCoVaR，最后再代入公式（二）④求得%deltaCoVaR。
如此重复操作13次可得最终结果。
为了简化流程，并且为了避免重复操作导致的出错，此处在（四）中编写了prg代码文件直接批量回归并计算得出结果，可重复性高。
（四）prg代码文件①运行prg文件：打开Eviews软件后，在步骤‘一、（二）、④’录入了数据后，点击File——Open——Programs…——选择covar.prg打开——点击Run——弹出窗口点击ok——即运行程序出现两张表格【tips】注意Eviews的工作路径要选择prg文件所在文件夹。
【tips】此代码运行环境是Eviews10，若出现版本不同导致的错误，点击菜单help /点击Eviews Help Topics搜寻报错代码在自身版本下的代码形式②相关结果图：③最终相关结果图：【tips】通过将Eviews结果导出至EXCEL后排序得出。
参考文献[1]杨有振,王书华.中国上市商业银行系统性风险溢出效应分析——基于CoVaR 技术的分位数估计[J].山西财经大学学报,2013,35(07):24-33.[2]郭娜,胡佳琪,周扬.我国系统重要性银行的评估与监管——基于CoVaR方法的研究[J].武汉金融,2017(04):34-38+59.[3]邓周贵. 基于静态与动态CoVaR方法银行系统性风险研究[D].南京大学,2017.[4]王周伟,吕思聪,茆训诚.基于风险溢出关联特征的CoVaR计算方法有效性比较及应用[J].经济评论,2014(04):148-160.附录文件covar.prgcovar.prg'CoVaR代码展示'首先对数据进行描述性统计分析group g v1 v2 v3 v4 v5 v6 v7 v8 v9 v10 v11 v12 v13 v14 s'将各收益率序列组合成一个组g.stats '获取各个收益率序列的统计值'利用分位数回归计算covarscalar n=14'定义银行的数量，n可以为全局变量matrix(n,4) vardata'声明一个var相关的数据矩阵'vardata(i,1)为第家银行的VaR值'vardata(i,2)为第i家银行的CoVaR的值'vardata(i,3)为第i家银行的deltaCoVaR的值'vardata(i,4)为第i家银行的%deltaCoVaR的值'通过循环for语句实现计算每家银行的covar相关值for !i=1 to n'利用分位数回归估计得出第i家银行与银行系统的回归方程equation eq{!i}.qreg(quant=0.05) s c v{!i}'对于估计后的方程，根据p值是否显著选择是否要跳出循环（显著性水平取0.01）if eq{!i}.@pvals(1)>0.01 or eq{!i}.@pvals(2)>0.01 thenexitloopendif'获取第i家银行的VaR值（q=0.05，以下皆同）vardata({!i},1)=@quantile(v{!i},0.05)'计算第i家银行的CoVaR的值vardata({!i},2)=eq{!i}.@coefs(1) +eq{!i}.@coefs(2)*vardata({!i},1)'计算第i家银行的deltaCoVaR的值vardata({!i},3)=eq{!i}.@coefs(2)*(vardata({!i},1)-@quantile(v{!i},0.5))'计算第i家银行的%deltaCoVaR的值vardata({!i},4)=(vardata({!i},3)/vardata({!i},1))*100nextvardata.setcollabels var covar deltacovar %deltacovar'设置矩阵列名vardata.setrowlabels v1 v2 v3 v4 v5 v6 v7 v8 v9 v10 v11 v12 v13 v14'设置矩阵行名show vardata。