基于Bootstrap方法的VaR区间估计

本文介绍了非参数方法中基于自助法的三种区间的估计方法,并将它们应用到金融资产的VaR计算上.自助法很好地克服了历史模拟法的一些局限性.本文对上证综合指数(IA0001)进行了VaR计算的实证分析,计算了VaR点估计和区间估计,并比较了几种计算方法各自的特点,得出了一些有意义的结果.     

基于Copula的VsR度量与事后检验

估计VaR的传统方法有三种:协方差矩阵法、历史模拟法和蒙特仁洛模拟法。通常,文献中认为刚蒙特卡洛模拟法度量VaR有很多方面的优点。但是,本文通过实证检验发现,使用传统蒙特卡洛模拟法估计的VaR偏小,事后检验效果很不理想。本文引入Copula函数来改进传统的蒙特卡洛模拟法。Copula函数能将单个边际分布和多元联合分布联系起来,能处理非正态的边际分布,并且它度量的相关性不再局限于线性相关性。实证检验表明,基于Copula的蒙特卡罗模拟法可以更加准确地度量资产组合的VaR。     

资产组合非等间隔日内在险价值研究

当前对资产组合在险价值(VaR)的研究仅限于等间隔抽样数据的建模。本文提出资产组合的非等间隔日内在险价值(Irregularly Spaced Intraday Value at Risk,ISIVaR)研究方法,克服资产组合逐笔交易数据非等间隔且不同步问题,利用逐笔交易数据所包含的丰富市场微观结构信息对VaR进行估计。该方法基于更新时间方法将非同步的资产组合标值序列同步化;运用Copula理论建立资产组合的非等间隔日内波动率模型,并捕捉资产组合中各资产在截面上的相关关系;最后利用这种截面相关关系,使用蒙特卡洛模拟技术估计出资产组合的ISIVaR。实证部分利用真实的逐笔交易数据验证了上述方法的有效性。     

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。     

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.     

负二项抽样下需处理数置信区间构造方法的改进

负二项抽样因其在发病率很低的情况下的优良表现而被广泛应用于流行病学及其它学科之中."需处理数"是一种度量药物疗效的重要指标,它常常用来评价那些结果是二值变量的临床试验所研究的药物的疗效.在实际应用中,通常希望得到需处理数的置信区间,但是目前已有的需处理数的置信区间构造方法都存在一个应用上的难题:区间上限过大以至于不可靠.文章旨在解决需处理数区间上限估计过大的问题,为此提出了需处理数的最短区间构造方法并运用蒙特卡洛模拟方法比较其相对传统方法的优劣,还给出了实际应用的例子.模拟结果表明:改进后的方法能够在控制置信系数的情况下极大地减小区间上限,具有重要的实际价值.     

基于鞍点逼近的二项抽样下优势比的置信区间构造

优势比通常用来分析疾病与暴露因素的关联强度,在医学研究中有非常重要的临床意义。对于优势比而言,得到其一个区间估计往往比得到一个点估计更加重要。实际数据分析中,优势比作为一个未知参数其估计量比较复杂,要得到其精确的分布是很难实现的,因此一般都寻求其一个渐近的置信区间。文中,我们采用四种方法来构造二项抽样下优势比的渐近置信区间,分别为Delta方法、Woolf方法、基于似然比检验的方法以及鞍点逼近方法,每种方法都各有其优缺点,其中鞍点逼近方法构造优势比的置信区间,是本文的一个创新点。我们通过蒙特卡洛模拟来比较这四种区间估计方法的优劣,对于模拟结果的评价准则主要基于区间对优势比真值的覆盖率与置信水平的接近程度和平均区间长度这两个指标。最后,本文通过两个实证案例来直观展示四种区间估计方法的不同特点。     

结构模糊可靠性分析方法的泛灰求解

针对现有的基于区间求解结构模糊可靠度方法的缺陷,提出了一种新的求解结构模糊可靠度方法.该方法利用泛灰数描述与结构基本变量概率分布相关的不确定参数,并将这些泛灰数引入到结构模糊可靠度计算中,得出了较为精确的结构可靠度计算结果.数值算例表明,该方法得到的结构可靠度区间更窄,实现了利用较少的信息量得到较精确的可靠度计算结果,相比传统的结构模糊可靠度计算方法能提供更多、更精确的关于结构安全程度的有用信息.     

区间有限元方法及其在抗滑稳定性分析中的应用

通过区间值函数和实值函数的关系探讨了区间相关性导致的区间扩张的问题,给出了保证区间计算获得足够精度的计算方法;提出了基于单元的子区间摄动有限元计算方法,并给出了提高计算效率的一些方法和获得较好计算精度时的子区间数目的近似计算公式．结合工程实例,基于单元的子区间有限元方法和抗滑稳定性分析方法给出了稳定性的区间范围,为更合理地估计和评价结构的抗滑稳定性提供一定的依据．     

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.     

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.     

A semi-analytical method for VaR and credit exposure analysis

In this paper, we discuss new analytical methods for computing Value-at-Risk (VaR) and a credit exposure profile. Using a Monte Carlo simulation approach as a benchmark, we find that the analytical methods are more accurate than RiskMetrics delta VaR, and are more efficient than Monte Carlo, for the case of fixed income securities. However the accuracy of the method deteriorates when applied to a portfolio of barrier options.     

藤Copula模型与多资产投资组合VaR预测

投资组合风险管理往往涉及多个资产,在传统的二元Copula函数面临"维度诅咒"问题及多元Copula函数刻画多变量联合分布时其精确性和灵活性存在各种局限性的情况下,引入藤Copula刻画多个资产收益的联合分布,基于不同的Pair-Copula类别构建藤Copula,运用蒙特卡罗模拟方法计算多资产投资组合的VaR,通过Kupiec和Christoffersen返回检验方法测试藤Copula模型的VaR预测效果,并与传统方差-协方差风险管理方法做比较。实证分析表明,传统的方差-协方差风险管理方法和基于正态Pair-Copula作为藤Copula构建模块的方法不能通过多资产投资组合的VaR预测返回检验;而基于student-t Copula、Clayton Copula具有尾部分布特征的Copula作为构建模块的藤Copula模型能够有效地用于多资产投资组合VaR预测,从而更好的用于指导实践。     

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.     

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。     

Portfolio value-at-risk estimation in energy futures markets with time-varying copula-GARCH model

This paper combines copula functions with GARCH-type models to construct the conditional joint distribution, which is used to estimate Value-at-Risk (VaR) of an equally weighted portfolio comprising crude oil futures and natural gas futures in energy market. Both constant and time-varying copulas are applied to fit the dependence structure of the two assets returns. The findings show that the constant Student t copula is a good compromise for effectively fitting the dependence structure between crude oil futures and natural gas futures. Moreover, the skewed Student t distribution has a better fit than Normal and Student t distribution to the marginal distribution of each asset. Asymmetries and excess kurtosis are found in marginal distributions as well as in dependence. We estimate VaR of the underlying portfolio to be 95% and 99%, by using the Monte Carlo simulation. Then using backtesting, we compare the out-of-sample forecasting performances of VaR estimated by different models.     

基于有效Monte Carlo模拟的外汇期权组合非线性VaR模型

为了克服极小概率事件发生概率估计的困难,提出了把重要抽样技术发展到外汇期权组合非线性VaR模型中,估计出组合损失概率。为了进一步达到减少模拟估计误差目的,在重要抽样技术基础上使用分层抽样技术,进行更有效的Monte Carlo模拟。数值结果表明,重要抽样技术算法比常用Monte Carlo模拟法的计算效率更有效;而重要抽样技术和分层抽样技术相结合算法比重要抽样技术算法更有效地减少模拟所要估计的组合损失概率的方差,有着更高的计算效率。     

Robust asset allocation with conditional value at risk using the forward search

The well‐known Markowitz approach to portfolio allocation, based on expected returns and their covariance, seems to provide questionable results in financial management. One motivation for the pitfall is that financial returns have heavier than Gaussian tails, so the covariance of returns, used in the Markowitz model as a measure of portfolio risk, is likely to provide a loose quantification of the effective risk. Additionally, the Markowitz approach is very sensitive to small changes in either the expected returns or their correlation, often leading to irrelevant portfolio allocations. More recent allocation techniques are based on alternative risk measures, such as value at risk (VaR) and conditional VaR (CVaR), which are believed to be more accurate measures of risk for fat‐tailed distributions. Nevertheless, both VaR and CVaR estimates can be influenced by the presence of extreme returns. In this paper, we discuss sensitivity to the presence of extreme returns and outliers when optimizing the allocation, under the constraint of keeping CVaR to a minimum. A robust and efficient approach, based on the forward search, is suggested. A Monte Carlo simulation study shows the advantages of the proposed approach, which outperforms both robust and nonrobust alternatives under a variety of specifications. The performance of the method is also thoroughly evaluated with an application to a set of US stocks.     

基于TGARCH-t的混合Copula投资组合风险测度研究

在分析了现有Copula函数在测度投资组合风险不足的情况下,首先充分考虑资产波动的时变性、杠杆效应等特征,选择了TGARCH-t模型进行边缘分布建模.接着引入混合Copula模型来描述投资组合的复杂相关结构,同时利用构造的主对角线距离统计量等方法验证了混合Copula模型的优势.最后通过VaR的蒙特卡洛模拟结果看到,这种方法能更为精确的测度投资组合风险值.