基于非参数分布的沪深股市VaR测度

沪深大盘指数的收益率分布函数并不服从通常人们所认为的正态分布.因此,采用一种新的方法—非参数核密度估计,对沪深股指收益率分布进行拟合.该方法不仅很好地刻画了收益率分布的尖峰和肥尾特征,而且由此建立的VaR模型比一般的基于参数分布的VaR模型更能捕捉市场的风险特征,结论也更加准确.     

VaR理论及其应用研究

VaR理论是目前国际上风险评价的主流方法。引入VaR理论研究我国的股票市场 ,可以为投资者控制投资风险提供新的参考指标。本文利用VaR理论对我国深、沪股票市场进行了实证分析研究 ,发现VaR理论在我国股票市场的风险评价中也有很好的适用性     

条件VaR理论的应用与研究

本文是在假定股票的价格和收益率服从二维正态分布的基础上,对条件VaR进行研究.首先,利用条件分布的理论,推倒出在给定一定股票价格时,股票收益率的条件分布;然后,在此基础上,进一步推倒出条件VaR的一般计算公式;最后,根据沪深两市的实际股票数据进行了实证计算.     

时变t-copula蒙特卡罗模拟的亚洲股指组合风险研究

应用时变条件t-copula函数描述沪市与亚洲主要股票市场指数收益序列之间的时变相依结构.时变条件t-copula模型的难点在于如何设定时变相依参数的演化方程,建立了用于描述包含时变自由度在内的所有时变相依模型参数的演化方程.进而采用蒙特卡洛仿真方法计算了各种指数组合的VaR,分析了沪综指与亚洲主要股指组合风险的演化趋势,并对结果进行后验测试,结果表明,时变条件t-copula函数仿真估计VaR可以覆盖最大损失风险.     

沪深股市的相关结构分析与投资组合风险度量——基于ARFIMA-GARCH-Copula模型

金融资产收益率不仅具有尖峰厚尾性、异方差性,还具有长记忆性。基于此,本文建立ARFIMA-GARCH-Copula模型来研究沪深股市的相关结构和等权重投资组合风险值VaR,利用上证指数和深成指数收益率的组合来进行实证研究。首先采用经典R/S分析法检验各个资产收益率的长记忆性,经过分数阶差分后选用GARCH模型建模得到边缘分布。然后选择Copula函数来刻画两资产之间的相关结构,建立联合分布模型。进而采用Monte Carlo方法模拟产生各资产的收益率序列,计算出投资组合的风险值VaR。实证研究表明:沪深股市具有长记忆性,且两者具有对称的尾部相关性;Kupiec检验说明ARFIMA-GARCH-Copula模型较之于GARCH-Copula模型能更准确地度量投资组合风险。     

基于SVt-EVT-Vine Copula的投资组合VaR研究

针对现有风险度量模型不能准确的模拟高维金融资产收益率风险,以上证指数、沪深300指数和股指期货指数为例,首先利用SVt和EVT对各序列的边缘分布进行建模,然后采用Vine Copula方法分析多序列之间的秩相关关系和极大似然值估计法估计参数,得到RVine,CVine和DVine三种不同树结构的分解模型,通过Monte Carlo模拟法计算出在同一边缘分布不同Vine Copula方法下和在不同边缘分布同一Vine Copula方法下单资产和投资组合的金融风险VaR.经实证检验并分析对比,VaR和返回式检验均表明SVt和EVT相结合对边缘分布有较好的拟合效果,再运用RVine描述资产间的相依结构在度量投资组合金融风险方面更准确合理.     

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.     

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.     

基于Clayton Copula-GARCH模型投资组合VaR的度量

运用Copula方法研究了含股指期货的投资组合的风险度量问题.首先采用不同的GARCH模型对单个资产收益率建模,然后选择Clayton Copula函数来描述投资组合各资产之间的相关结构,建立联合分布模型,进而采用Monte Carlo方法模拟产生各资产的收益率序列,计算出投资组合的VaR.Kupiec检验表明,ClaytonCopula-GARCH模型在投资组合风险度量上具有较高的准确性.     

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.     

我国股市收益的双长记忆性检验——基于VaR估计的ARFIMA-HYGARcH-skt模型

针对股市收益分布的"尖峰肥尾"特征,引入了偏t分布作为新息分布。基于VaR方法,从风险估计的角度,利用ARFIMA(2,d_1,0)-HYGARCH(1,d_2,1)-skt模型对1996年12月17日至2007年7月5日期间的沪深股市收益进行了实证分析.实证结果显示:沪深股市具有显著的双长记忆特征;上海股市的日收益率和波动率的长记忆性均比深圳股市强;ARFIMA(2,d_1,0)- HYGARCH(1,d_2,1)-skt模型对我国股市收益具有较强的风险估计和预测能力。     

两类多元GARCH模型的预测绩效和组合VaR的研究

运用V aR模型对股票组合进行风险测度的关键之一是得到组合条件协方差矩阵.而经典的多元GARCH模型来求解波动率面临着估计参数过多,计算量庞大的问题.因此,使用正交GARCH模型和CCC模型来估算波动率,并以沪深两市A股市场上四个行业的65只股票为样本,使用RM SE和M AD指标比较这些模型的预测能力,求得股票组合的V aR,得出前者效率高和后者预测能力略高的结论.     

CVaR风险度量模型在投资组合中的运用

风险价值(VaR)是近年来金融机构广泛运用的风险度量指标，条件风险价值(CVaR)是VaR的修正模型，也称为平均超额损失或尾部VaR，它比VaR具有更好的性质。在本中，我们将运用风险度量指标VaR和CVaR，提出一个新的最优投资组合模型。介绍了模型的算法，而且利用我国的股票市场进行了实证分析，验证了新模型的有效性，为制定合理的投资组合提供了一种新思路。     

基于风险网络结构的资产分配策略研究

股票市场是一个高风险市场,如何在频繁发生的极端波动环境下进行有效的资产分配是当前热点问题。本文首次应用VaR模型构建股市风险网络,并基于风险网络模型进行最优投资组合成分选择,分析不同市场波动行情下最优资产分配权重和股票中心性的时变关系,融合风险网络时变中心性和个股表现提出新的动态资产分配策略(φ投资策略)。结果表明:在股市上涨和震荡期,股票中心性和最优投资组合权重呈正相关关系;股市下跌期,股票中心性和最优投资组合权重呈负相关关系;当φ>0.05时,投资者的合理投资区域向高中心性节点移动,反之。φ投资策略的绩效表现证明了风险网络结构能提高投资组合选择过程。此研究对于优化资产配置、提高投资收益、多元化分散投资风险具有重要意义。     

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。     

基于均线交易系统的非特定时间动态VaR研究

为使交易产生稳定持续的收益, 使用基于一定交易规则的交易系统进行交易成为越来越多的投资者和投资机构使用的方法。如能把VaR引入交易系统,进行风险管理,将具有重要的意义。本文以5-60日均线交易系统为研究对象,建立了非特定时间动态VaR模型。经过检验,验证了模型的准确性。在基于模型进行交易策略优化后,得出了有意义的结果。本文使VaR在非特定时间度量方面实现了应用,研究结果对交易系统的风险控制,具有较大的应用价值。     

基于Copula-EVT模型的我国股票市场流动性调整的VaR和ES研究

结合相依结构函数Copula和极值理论EVT,构建了我国股票市场经流动性调整的La-Copula-EVT风险价值模型,并用沪深收益序列的分笔高频数据进行了实证分析,发现我国沪深股市收益序列的上尾和下尾都存在较高相关性,后验测试结果表明构建的模型能够对实际损失进行很好的拟合;然后在该模型的基础上进一步分析了我国沪深股市的风险价值和预期不足在不同置信区间的敏感度差异,确定了适合La-Copula-EVT模型的最优置信度区间。