基于CAViaR的DCC模型及其对中国股市的实证研究

VaR是金融风险度量方面研究的热点.CAViaR模型可以用来直接计算单个资产的VaR,DCC模型可以用于刻画资产间的相关性.结合这两个模型,通过分位数估计方差的方法,提出了基于CAViaR的DCC模型来计算投资组合的VaR.对中国股市的实证研究表明其具有更好的效果.     

金融风险管理中VaR度量的光滑估计效率

本文研究了金融风险管理理论中风险价值(VaR)的非参数核光滑估计和经验估计的效率问题.对非独立的时间序列损失/收益样本,在均方误差(MSE)准则的意义下引入亏量的概念,亏量越大表明估计效率越低.并利用亏量对VaR模型的核光滑估计和基于样本分位数的经验估计进行了比较,在理论上证明了VaR模型的核光滑估计优于经验估计.同时,通过计算机模拟证实了理论获得的结论.本文还对国内沪深两市上的证券投资基金进行了实证分析,计算了样本基金的VaR风险度量的经验估计和核光滑估计,并计算了样本基金基于周收益率和VaR估计的风险调整收益(RAROC)值,以此对样本基金的业绩做出了有用的评价.     

商业银行操作风险计量模型的Bayes估计

对于商业银行来讲,一个很重要的问题是损失数据缺乏,而损失数据缺乏会影响模型参数的估计,用Bayes估计解决了这一问题.Bayes估计的方法利用商业银行专家提供的意见确定先验分布,能够有效地解决损失数据缺乏的问题.实证分析的结果表明,Bayes估计与极大似然估计的结果.不考虑存在着一定的差距.不考虑各部分风险之间的相关性,基于Bayes估计与极大似然估计时VaR与ES的大部分结果相差不大.     

Bayes混合模型在我国农业旱灾风险度量中的运用

旱灾一直是对我国农业经济生产威胁最大的灾害之一。因此,如何深度剖析旱灾风险特征,强化风险管理,科学、积极地进行防灾减灾来大幅度减轻灾害风险负担、弱化旱灾风险负面影响,有效助力经济平稳、快速发展一直是政府和学术界长期关注的焦点问题之一。本文借鉴金融风险度量的方法经验,用VaR作为旱灾风险度量工具。通过构建混合分布模型的方式来拟合旱灾损失率分布,并根据该模型估计VaR以刻画旱灾风险大小。混合分布模型由常规分布和GPD组成,其中,GPD用来刻画风险尾部特征。同时,该模型采用Bayes计算方法来回避GPD分布阈值选择和参数估计难题。结果表明:与Gamma-GPD混合分布相比,Norm-GPD混合分布模型在拟合农业旱灾损失率分布上表现更佳,其精度较高、VaR估计值更可信。Norm-GPD混合分布的VaR估计结果表明,我国在遭受10年一遇,20年一遇和100年一遇旱灾的情况下,农业旱灾损失率不超过9.45%, 11.03%和30.21%。该结果对于我国农业旱灾风险管理以及农业灾害保险、债券的定价具有重要意义。     

基于区间分析的投资组合VaR计算新方法

基于区间分析估计变量的累计概率分布是进行风险价值分析的一种新方法。本文将区间分析运用到股票投资组合的VaR计算中,研究区间分析在VaR计算方法中的应用。首先给出了基于区间分析估计分布函数的计算步骤,然后将区间分析运用到VaR的计算中,以两只股票的投资组合为例得出收益率的累计概率分布,从中得到某一置信度下的VaR值,最后与蒙特卡洛模拟方法做了比较研究,结果表明,基于区间分析的VaR计算方法的运算精度和计算速度明显优于蒙特卡洛模拟方法。     

股市投资回报过程的长相依性与风险度量

对上证指数对数收益率的长相依性进行了统计检验并完成了相应的统计建模以及参数估计.通过选择分数布朗运动作为刻画股票投资回报的驱动过程,并得到了此模型下股指收益的VaR计算的显式表达式.数值分析的结果显示分数布朗运动模型下的VaR值要高于Black-Scholes模型下的VaR值,这表明长相依性质对于股指风险有很大的影响,在相关的金融风险产品的风险度量中应加以重视.     

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.     

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.     

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.     

基于混合模型对地震巨灾风险的分析

POT模型常被用于分析巨灾风险,然而在应用POT模型时,阀值的估计及选择存在很多困难。本文提出用混合模型对巨灾风险进行估计,并讨论混合模型的贝叶斯统计分析。基于混合模型及贝叶斯统计方法,本文对我国1966年至2014年问GDP调整后的地震直接经济损失进行分析,并根据最终模型计算出不同置信度水平下的VaR值和ES值,为我国地震巨灾风险管理提供了理论依据。     

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。     

基于MCMC模拟的MGPD模型及其在地质灾害风险度量中的应用

基于马尔科夫链蒙特卡洛(简记为MCMC)模拟的参数贝叶斯估计,对改进的广义帕累托分布(简记为MGPD)模型进行了优化,并利用该模型得到了地质灾害损失的在险损失值(简记为VaR)和条件损失值(简记为CVaR).以湖南娄底市地质灾害损失数据进行实证分析及模型适应性检验,结果表明:优化后的模型不仅具有很好的极值数据描述能力,而且具有较强的适用性.     

Stable modeling in energy risk management

High price volatility in energy markets compels the companies to adopt and implement policies for measurement and management of the energy risk. A popular measure of risk exposure is the Value at Risk (VaR). Traditional methods of estimation of VaR used by major energy companies fail to capture the heavy tails and asymmetry of energy returns distributions. We suggest the use of stable distributions for modeling energy return distributions. The results of our study demonstrate that stable modeling captures asymmetry and heavy-tails of returns, and, therefore, provides more accurate estimates of energy VaR.     

基于动态VaR约束与随机波动率模型的最优投资策略

研究Stein-Stein随机波动率模型下带动态VaR约束的最优投资组合选择问题. 假设投资者的目标是最大化终端财富的期望幂效用,可投资于无风险资产和一种风险资产, 风险资产的价格过程由Stein-Stein随机波动率模型刻画. 同时, 投资者期望能在投资过程中利用动态VaR约束控制所面对的风险.运用Bellman动态规划方法和Lagrange乘子法, 得到了该约束问题最优策略的解析式及特殊情形下最优值函数的解析式; 并通过理论分析和数值算例, 阐述了动态VaR约束与随机波动率对最优投资策略的影响.     

风险管理技术(VAR)在养老保险基金管理中的运用

本文分析了VAR测算模型、VAR测算模型的两种特殊情形、固定收入金融工具与VAR关系等 ,就风险管理技术 (VAR)在养老保险基金管理中的运用作了一些有益的探索 ,为实现养老保险基金的保值奠定良好的基础     

Empirical likelihood-based evaluations of Value at Risk models

Value at Risk (VaR) is a basic and very useful tool in measuring market risks. Numerous VaR models have been proposed in literature. Therefore, it is of great interest to evaluate the efficiency of these models, and to select the most appropriate one. In this paper, we shall propose to use the empirical likelihood approach to evaluate these models. Simulation results and real life examples show that the empirical likelihood method is more powerful and more robust than some of the asymptotic method available in literature.     

对数正态分布的VAR数学模型及其计算

VaR(Value at Risk)是一种以规范的统计技术来度量市场风险的新标准,目前在金融数学领域被广泛使用,它是指在正常的市场条件和给定的置信度下,在给定的持有期间内,测度某一投资组合所面临的最大的潜在损失的数学方法.传统的VaR计算方法在计算开放式基金时,可能存在着低估风险的情况.着重论述了VaR模型的数学原理以及该模型的计算方法,运用对数正态分布假设来评估开放式基金的风险,以验证其结果是否更加接近实际风险值.     

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.     

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.