价值风险的非参数估计方法*

价值风险(VaR)模型是当今最流行的金融资产风险管理和控制的工具之一\bd 本文提出了用局部分位数回归的方法来估计某一投资组合的VaR值\bd 该方法可用于计算投资组合多持续期的VaR, 使得人们可以了解到该投资组合在一定持续期内的动态风险\bd 本文通过模拟和美国三个月到期国债利率数据的分析说明了该方法的具体执行情况, 并与J.P. Morgan的时间开方规则作了比较\bd 结果表明我们的VaR估计有令人满意的效果.     

债券组合的风险价值

风险的价值(VaR)越来越受到人们的关注，VaR的估计主要依赖于参数、数据、假设和方法。本提供了计算债券组合的VaR模型，并介绍了基准利率久期和凸度的概念。     

基于Bayes估计的金融风险值——VaR计算

初步研究了用Bayes估计计算金融风险值VaR,同时阐明了运用极值理论方法在Bayes估计下的金融风险值计算。并且借助统计计算方法——MCMC算法来求解参数的Bayes估计,有效的将Bayes思想融入到了VaR的计算中。用Bayes估计计算金融风险值VsR,可以帮助投资者将观测数据和自己所掌握的经验信息对VaR模型进行调整,使得vsR模型能够更准确地反映出金融市场的风险状况,据此做出更加正确的投资决策。     

混合ARCH模型及其应用

本文利用可以拟合尖峰、厚尾、有偏序列的混合ARCH模型计算VaR,给出了VaR的数值算法,并用上证A指的实际数据对基于混合ARCH模型的VaR做了实证分析,显著提高了VaR度量风险的有效性.     

基于加权支持向量机的VaR计算方法研究

针对统计学框架下传统VaR计算方法的不足，发展了基于加权支持向量机（W—SVM）的VaR计算新方法．为了在VaR模型中计入金融时间序列的记忆效应，采用最优市场因子作为支持向量机的加权模型．对2001—2009年上证综指的实证研究表明，基于W—SVM的VaR模型优于传统的VaR方法，在小样本、厚尾、非线性及有异常波动的市场条件下，各种置信度下的W—SVM方法均能取得较好的性能．     

极值方法在VaR模型中的应用

根据计算VaR的基本原理,本文比较了参数法(资产-正态法)和非参数法(历史模拟法)两种方法的优缺点,并对天相转债指数作了实证分析,发现了收益率的尖峰厚尾的特征.提出用极值的方法来处理厚尾现象.     

波动性变化下的VaR历史模拟法实证研究

VaR(在险价值)方法是当今运用得最为广泛的金融市场风险度量方法。历史模拟法作为计算VaR的主要方法之一,其计算出来的VaR的风险度量效果需要得到现实金融市场数据的检验。本文通过选取上证综指日收益率的历史数据,分别在市场波动性不发生改变、市场波动性变大和市场波动性变小三种情况下对历史模拟法的有效性进行检验,检验结果表明在市场波动性不发生变化的情况下,历史模拟法计算的VaR能够有效地度量市场风险;在市场波动性变大的情况下,该方法会低估市场风险;在市场波动性变小的情况下,该方法会高估市场风险。通过对历史模拟法的计算原理进行分析,历史样本自身的时滞性是导致该方法在市场波动性发生变化时无效的原因。     

不同市态下正态性转换时变VaR

VaR技术作为全球广为流行的金融风险管理技术,其测度的是极端情况下的风险头寸,但在传统假设下可能会极大地低估其值,这就会使得在实践中使用VaR值作为风险管理标准时面临更大的新的风险.考虑我国股市处于不同市场态势下对风险头寸的影响,就牛、熊市中分别估测VaR值.首先利用各种Delta-Gamma-Johnson转换函数对经验数据进行正态性调整.考虑通过转换机制调整后的经验数据仍然存在的异方差性特征,然后运用GARCH模型计算时变VaR值,以此来改善VaR的计算风险,探讨我国股票市场VaR技术的适用性和准确性.     

用矩匹配方法计算非线性风险度

矩匹配方法是用来求解非线性风险度(Value at Risk，简称：VaR)的一种普遍性方法，它是先假定样本经验分布服从已知分布族，然后运用矩匹配估计方法估计相应的参数，得到资产回报样本的密度函数，再计算风险度VaR；本采用的Johnson分布族是矩匹配方法的直接应用，并且计算出来的结果与局部Monte．Carlo结果进行了比较。并通过实证分析认为这种方法是一种良好的计算非线性VaR方法。     

市场风险值VaR的算法与应用

进行金融风险管理时可以将风险划分为四类，即信用风险、经营风险、流动性风险和市场风险。其中市场风险是指金融市场价格（包括股票价格、利率、汇率和大宗可交易商品的价格）波动而引起的未来收益的不确定性。市场风险值VaR(Value at Risk）就是用来评价给定资产所面临的市场风险大小。本文介绍了VaR的定义、相关的计算方法和在证券投资决策中的应用实例。     

Credibilistic value and average value at risk in fuzzy risk analysis

Decision making in real world is usually made in fuzzy environment and subject to fuzzy risks. The value at risk (VaR) is a widely used tool in risk management and the average value at risk (AVaR) is a risk measure which is a superior alternative to VaR. In this paper, we present a methodology for fuzzy risk analysis based on credibility theory. First, we present the new concepts of the credibilistic VaR and credibilistic AVaR. Next, we examine some properties of the proposed credibilistic VaR and credibilistic AVaR. After that, a kind of fuzzy simulation algorithms are given to show how to calculate them. Finally, a numerical example is illustrated. The proposed credibilistic VaR and credibilistic AVaR are suitable for use in many real problems of fuzzy risk analysis.     

VaR风险控制体系的建立与应用

目前VaR作为一种新的风险控制工具得到越来越广泛的应用,投资组合理论则一直沿用经典的σ2风险控制体系,虽说有人已经将VaR引入到了投资组合应用中来,但其风险控制尚未脱离对σ2的分解.将在引入股票相对价格的基础上构建了VaR风险控制体系,将投资风险VaRP分解为大盘指数风险VaRI和股票相对价格的风险VaRS之和,并给出了此风险控制体系在投资组合方面的基本应用方法.     

Value at risk and inventory control

The purposes of this paper are two-fold. On the one hand, we shall provide a decision analysis justification for the Value at Risk (VaR) approach based on ex-post, disappointment decision making arguments. We shall show that the VaR approach is justified by a disappointment criterion. In other words, the asymmetric valuation between ex-ante expected returns above an appropriate target return and the expected returns below that same target level, provide an explanation for the VaR criterion when it is used as a tool for VaR efficiency design. Second, this paper provides applications to inventory management based on VaR risk exposure. Although the mathematical problems arising from an application of the VaR approach, tuned to current practice in financial risk management, are difficult to solve analytically, solutions can be found by application of standard computational and simulation techniques. A number of cases are solved and formulated to demonstrate the paper's applicability.     

均值-VaR模型的一种新解法：鞍点近似、遗传算法

以均值度量收益,方差度量风险的均值.方差模型,广泛应用于资产组合优化.随着对金融风险度量方法研究的不断深入,VaR作为一种简便、易于理解的风险度量方法,在金融企业中得到日益广泛的应用.本文用VaR代替均值-方差模型中的方差,构建了均值-VaR模型应用干投资组合优化.均值-VaR模型是非线性规划,仅当VaR满足凸性和可微性的前提下,满足库恩-塔克条件的解才是全局最优解.本文在CreditRisk+框架下,提出一个在不允许卖空条件下,不需对VaR的性质做出前提假定的新解法:将鞍点近似法用于计算VaR,在资产头寸与VaR之间建立起函数关系,采用遗传算法寻找模型的近似最优解.并用一个债券组合说明该方法的有效性。     

基于VaR的科技保险风险补偿问题研究

VaR(Value at Risk)是金融企业进行全面风险管理的有效工具,是保险公司“偿二代(C-ROSS)”量化资本要求采用的方法。本文利用VaR工具,在委托代理框架下,研究了科技保险风险补偿合同问题,阐述了科技保险风险补偿的理论依据。在对称信息与非对称信息情形下,获得了风险补偿合同的闭式解。本文结果显示,合同中固定补偿将起主导作用,最优边际补偿系数可正可负,且随保险公司置信水平增加而递减。     

VaR约束下均值-方差模型在基金资产配置的应用

随着我国开放式基金的迅猛发展以及证券市场的波动，如何识别和控制基金风险这一问题越显重要。VaR模型是一种有效的风险计量和管理工具，本文刻划VaR约束下均值-方差模型及其优化模型，并运用基于VaR约束下的均值——方差模型，定量地分析投资基金的投资组合收益和风险，提出开放式基金最优资产配置，使投资组合收益最大。     

Estimating value at risk with semiparametric support vector quantile regression

Value at Risk (VaR) has been used as an important tool to measure the market risk under normal market. Usually the VaR of log returns is calculated by assuming a normal distribution. However, log returns are frequently found not normally distributed. This paper proposes the estimation approach of VaR using semiparametric support vector quantile regression (SSVQR) models which are functions of the one-step-ahead volatility forecast and the length of the holding period, and can be used regardless of the distribution. We find that the proposed models perform better overall than the variance-covariance and linear quantile regression approaches for return data on S&P 500, NIKEI 225 and KOSPI 200 indices.     

Heston随机波动率市场中带VaR约束的最优投资策略

本文研究了Heston随机波动率市场下, 基于VaR约束下的动态最优投资组合问题。
假设Heston随机波动率市场由一个无风险资产和一个风险资产构成,投资者的目标为最大化其终端的期望效用。与此同时, 投资者将动态地评估其待选的投资组合的VaR风险,并将其控制在一个可接受的范围之内。本文在合理的假设下,使用动态规划的方法,来求解该问题的最优投资策略。在特定的参数范围内,利用数值方法计算出近似的最优投资策略和相应值函数, 并对结果进行了分析。