极值理论在高频数据中的VaR和CVaR风险价值研究

高频数据具有与低频数据明显不同的特征。本文引入广义帕雷托分布代替传统的正态分布等,精确描述金融高频数据收益的厚尾特征;并且计算高频数据下的VaR和CVaR,然后利用深成A指数据进行返回检验。两种返回检验方法的结果表明,极值理论方法可以比较精确地度量VaR和CVaR。     

基于GAS模型的动态VaR预测效果分析

GAS模型是一种基于观测的动态模型,理论简单且应用灵活,可以直接估计VaR.将GAS模型和GARCH类模型应用于不同条件下生成的模拟数据和三个时间段的沪深300指数的日对数收益率数据,并比较模型关于VaR的预测效果。结果表明:在对称的条件分布下,GAS模型容易高估风险且不稳健,其表现不如GARCH类模型;但在条件分布为有偏的时,GAS模型与GARCH类模型的表现相当,部分情况下会优于GARCH类模型,尤其在实证分析中关于序列2和序列3的VaR的估计,GAS模型的预测效果较好。因此,实际应用中,对于具有较明显偏态分布或尖峰分布的数据可以考虑使用GAS模型预测动态VaR.     

基于广义双曲线分布的我国股票市场VaR风险度量研究

为更好刻画金融资产收益率偏态厚尾特性,提高VaR风险度量精度。本文首先提出利用广义双曲线(GH)分布对收益率数据进行建模型,从分布尾部特性角度对GH分布和其他常用分布进行了比较研究;其次利用EM算法来解决含有Bessel函数的GH分布的参数估计难问题,并运用随机模拟方法计算VaR值;最后讨论GH分布在我国股票市场VaR风险度量中的应用。     

基于周期GARCH过程VaR的分位回归估计

近几年来,风险价值(VaR)已成为金融市场风险度量及风险管理的标准工具.文章用周期广义自回归条件异方差(GARCH)模型拟合金融市场数据,并应用分位回归方法得到此模型参数及条件VaR的估计,在一定条件下估计具有强相合性及渐近正态性,蒙特卡罗模拟结果表明此方法具有稳健性,且对于条件VaR的预测具有很高的准确性,沪深300指数的实证分析结果表明此方法关于VaR的预测具有非常好的效果.     

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．     

向量GARCH族模型计算中国金融市场投资组合风险价值(VaR)的比较研究与评述

对由上证综合指数、深证成分指数、上证基金指数、上证国债指数计算的日自然对数收益率组成的数据矩阵,分别建立了残差服从正态分布、t分布的向量ARCH、向量GARCH、纯对角GARCH、BEKK、常条件相关GARCH、主成分GARCH和EWMA模型,基于这些模型,计算了风险价值(VaR),进而通过比较计算结果,得出BEKK—t模型测算中国金融市场投资组合的风险价值(VaR)效果最好等的结论.     

基于Copula-GJR-Skewt模型的投资组合风险预测研究

针对多元投资组合的风险预测,采用GJR-Skewt模型刻画单资产的厚尾、有偏特征,以及Copula模型刻画多元投资组合的非线性相关结构,用Monte Carlo方法模拟金融资产的随机分布,并结合滚动时间窗法,对投资组合的未来风险进行样本外动态预测.实证结果表明,Copula-GJR-Skewt模型对资产收益的风险预测能取得满意的效果;在VaR预测性能上,以GJR-Skewt模型作为边缘分布函数时,即使存在系统偏差,也能取得最优预测结果;预设残差服从有偏学生分布时,VaR的预测结果优于正态分布;传统的Garch-Guassian模型预测能力最差.     

期货市场日内VaR测度模型与应用

本文构建了两类日内VaR测度模型,一类是以超高频数据为基础,结合久期模型、波动模型和Monte Carlo模拟方法的综合日内VaR(IVaR)测度模型,另一类是以等时间间隔高频数据为基础并结合传统计量方法(历史模拟法与GARCH法)的日内VaR测度模型。然后运用上海燃料油期货市场数据进行了实证研究,结果表明:相对于传统计量方法,IVaR模型由于包含了更充分的市场信息,因而无论是多头头寸还是空头头寸时都具有更好的预测能力;IVaR方法估计的VaR值最小,说明IVaR模型比较适用于风险承受能力较强的投资者;IVaR模型对于空头头寸的管理更加严格;另外,IVaR模型的预测结果表明市场在日内具有开盘大,随后迅速衰减并趋于稳定的特征。     

基于Skewed-t分布的FIGARCH模型与VaR的度量

金融资产收益率序列的波动具有典型的尖峰厚尾和非对称性特征,描述这种特性需以合适的概率分布函数为基础.因此,寻求更好的概率分布函数对风险度量、VaR的计算有着十分重要的意义.有鉴于此引入Skewed-t分布度量VaR,并比较分析了RiskMetrics及FIGARCH类模型度量VaR值的准确程度,本文同时分析了多头头寸和空头头寸情况下的VaR.结果表明,在两种头寸情况下,Skewed-t分布在空头和多头情形对资产厚尾特性以及非对称性的拟合效果均要比正态分布好;在两种头寸中不同的置信水平下,FIAGARCH(CHUNG)模型预测的VaR值改进了使用传统模型的精确性,高估或低估风险的程度较轻.     

基于稳定分布的PARCH模型

本文首先介绍了稳定分布和基于正态分布、稳定分布的PARCH模型,并通过股票指数收益率的稳定化PP图和直方图发现其具有高峰厚尾特征.最后,通过上证指数的VaR计算,得到在金融风险度量中基于稳定分布的PARCH模型比基于正态分布的PARCH模型更加有效。     

应用EWMA-GARCH(1,1)-M模型对沪深300股指期货最小VaR套期保值效果研究

VaR是目前国际上应用最广泛的度量金融风险的指标之一,其核心在于波动率,也就是方差的参数估计.采用EWMA模型估计方差,并且结合风险溢价特征的GARCH(1,1)-M模型计算出沪深300股指及其期货的最优衰减因子为0.933 25,摒弃了以往采用0.940 0作为衰减因子的一贯做法,并且运用Cornish-Fisher方程对正态分布的分位数进行了修正,得到修正后的套期保值比率以及资产组合的VaR,与传统的套期保值模型相比,该模型的风险价值VaR降低的程度明显,并且对投资组合未来的VaR具有很好的预测效果,表明EWMA-GARCH(1,1)-M模型对沪深300股指期货的套期保值效果较好.     

基于价格极差的GARCH模型

本文利用资产价格的极差序列,基于常规GARCH模型的框架,构造了一类关于波动率的新模型,即GARCH-R模型以及能够表达波动率变化非对称性特性的AGARCH-R模型。利用上证综合指数日收益率及相应的高频数据,通过比较不同模型对波动率以及VAR的预测效果,揭示了这种包含了极差信息的新的模型比传统的GARCH类模型的预测效果具有显著的优势。     

NGARCH模型在证券投资风险分析中的应用

应用NGARCH模型在三种分布假设下对上证综合指数进行了V aR风险值估计,并且与GARCH模型和APARCH模型估计结果作比较,通过返回检验,发现NGARCH模型应用于V aR估计是统计有效的,且优于GARCH和APARCH模型.     

在险风险值估计方法的比较研究

金融数据呈现的厚尾性已达成共识。本文首先基于指数回归模型提出了一种厚尾分布的极值分位数估计方法,得到了在险风险值的估计公式。然后得到了上海上证指数、国债指数和企业债券指数的在险风险值的估计值,比较了他们的极值风险.     

基于GARCH族模型的沪深300股指VaR度量

本文在修正了沪深300股票指数收益率序列的非平稳性和自身相关性之后,把ARMA模型与GARCH模型、GJR模型、IGARCH模型、FIGARCH模型、FIEGARCH模型、FIAPARCH模型、HYGARCH模型相结合,然后依次假设残差分布服从正态分布、t分布和偏t分布,来描述沪深300股票指数日对数收益率序列的尖峰厚尾性、杠杆效应和长记忆特性,利用上述模型分别计算沪深300股票指数的VaR值.在空头和多头投资者情况下,不同的波动性模型和不同残差分布的VaR预测有效性差距很大.比较得知,在不同的置信水平下,沪深300股票指数收益率序列空头和多头的VaR预测成功概率比较高的模型有HYGARCH和FIEGARCH这两类具有长记忆性的模型.     

一类重尾风险因子的模拟及其投资高风险值和置信区间的估计

由于金融市场中的日周期或短周期对数回报率的样本数据多数呈现胖尾分布，于是现有的正态或对数正态分布模型都在不同程度上失效，为了准确模拟这种胖尾分布和提高投资风险估计及金融管理，本文引进了一种可根据实际金融市场数据作出调正的蒙特卡洛模拟方法．这个方法可以有效地复制金融产品价格的日周期对数回报率数据的胖尾分布．结合非参数估计方法，利用该模拟方法还得到投资高风险值以及高风险置信区间的准确估计。     

基于M-H抽样的贝叶斯非对称厚尾GARCH模型研究

针对非对称厚尾GARCH模型参数的预选分布很难确定的问题。对模型参数空间进行数据扩张,把模型中的厚尾残差分布表示成正态分布和逆伽玛分布的混合分布,然后通过对参数的后验条件分布进行变换获得参数的预选分布,从而利用M-H抽样实现了非对称厚尾GARCH模型的贝叶斯分析。中国原油收益率波动的实证研究发现中国原油收益率的波动具有高峰厚尾性但不存在"杠杆效应",样本内的预测评价发现基于M-H抽样的贝叶斯方法优于极大似然方法,说明了M-H抽样方案设计的有效性。     

Conditional VaR estimation using Pearson’s type IV distribution

This paper presents a new value at risk (VaR) estimation model for equity returns time series and tests it extensively on Stock Indices of 14 countries. Two most important stylized facts of such series are volatility clustering, and non-normality as a result of fat tails of the return distribution. While volatility clustering has been extensively studied using the GARCH model and its various extensions, the phenomenon of non-normality has not been comprehensively explored, at least in the context of VaR estimation. A combination of extreme value theory (EVT) and GARCH has been explored to analyze financial data showing non-normal behavior. This paper proposes a combination of the Pearson’s Type IV distribution and the GARCH (1, 1) approach to furnish a new method with superior predictive abilities. The approach is back tested for the entire sample as well as for a holdout sample using rolling windows.