지난 20년간 금융 자산에 대한 위험관리는 중요한 주제로 인식되었으며 많은 위험관리 기법들이 도입되었지만 금융시장에서의 위험을 정확하게 측정하지는 못 하였다. 이는 자산 수익률이 정규분포를 보이지 않고 꼬리가 두텁고 왜도(비대칭성)를 갖는 분포를 보이기 때문이다. 본 연구는 왜도와 두터운 꼬리를 반영한 비대칭 (skewed) Student-t 분포도를 이용하여 중국 주식시장의 Value-at-Risk(VaR)을 측정하였다. 그리고 주식변동성에서 나타나는 변동성 비대칭성과 장기기억현상들을 분석하기 위해서 FIAPARCH 모형을 이용하여 실증 분석 하였다. 이 논문에서는, 가장 빠르게 성장하고 규모가 큰 신흥시장인 중국주식시장에서의 노출위험 측정과 관련하여, 변동성에 내재하는 장기기억과 비대칭성 특성을 측정하는데 왜도 Student-t 분포를 사용하는 것이 적절한지를 연구한다. 그리고 FIAPARCH모형을 이용하되 정규분포, Student-t 분포, 왜도 Student-t 분포 등 세 가지 오차항의 분포를 가정하여 표본내 및 표본외 VaR의 성과도 비교 분석하였다. FIAPARCH 모형 추정결과 중국주식시장 수익률 변동성 시계열에는 장기기억현상과 비대칭성 특성이 있다는 것을 알 수 있었다. 그리고 표본내 및 표본외 VaR 분석결과, 왜도 Student-t 분포 오차항을 가정하는 FIAPARCH VaR 모형이 정규분포와 Student-t 분포 오차항을 가정하는 다른 모형들보다 매수/매도 포지션 모두에서 임계손실을 더 정확하게 예측한다는 것을 발견하였다. 또한 Shortfall 분석에서 Student-t 분포와 skewed Student-t VaR 모형의 발생 손실액이 정규분포 가정의 모형의 손실액이 더 크게 나타나는 것으로 분석되었다. 이는 비정규분포 가정의 VaR 모형에 따른 최소자본보유액이 더 많이 필요함을 의미한다. 따라서 중국주식시장에 투자하는 위험관리자나 포트폴리오 투자자들은 VaR을 정확하게 측정하기 위해 매수/매도 포지션 모두에서 왜도 Student-t 분포 오차항을 가정하는 FIAPARCH VaR 모형을 이용하는 것이 가장 올바른 방법이다.

It is well known that the distributional properties of financial asset returns exhibit fatter-tails and skewer-mean than the assumption of normal distribution. The correct assumption of return distribution might improve the estimated performance of the Value-at-Risk (VaR) models in financial markets. In this paper, we investigate the relevance of the skewed Student`s t distribution innovation in capturing long- memory and asymmetry features in the volatility of three Chinese stock markets including the Hong Kong, Shanghai and Shenzhen stock markets. In this perspective, we also examine the performance of in-sample and out-of-sample value-at-risk (VaR) analyses using the FIAPARCH model with the normal, Student`s t, and skewed Student`s t distribution innovations. The results from the FIAPARCH model estimation suggest that returns of the Chinese stock markets exhibit long-memory and asymmetry features in volatility. In the in-sample and out-of-sample analyses, the FIAPARCH VaR models with the skewed Student`s t innovation predicted critical loss more accurately than did the models with the normal and Student`s t innovations for both long and short positions. In addition, the expected shortfall analysis indicates that the non-normality distribution models fail less than normal distribution models, but when they fail, it happens for large (in absolute) returns: the average of these returns is correspondingly large. Therefore, risk managers and portfolio investors can estimate VaR and optimal margin levels most accurately by using the skewed Student`s t FIAPARCH VaR models of long and short trading positions in the Chinese stock market.