首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到20条相似文献,搜索用时 93 毫秒
1.
GARCH模型在股票市场风险计量中的应用   总被引:9,自引:0,他引:9  
本文以上证综指的日收益率为研究对象,运用GARCH模型簇分析上海股市日收益率波动的条件异方差性,计算每天的V aR值.实证研究表明,GARCH模型的V aR计算方法对我国股市风险的管理有较好的效果.  相似文献   

2.
不同均值-风险准则下的资产组合有效前沿比较研究   总被引:2,自引:0,他引:2  
刘志东 《经济数学》2006,23(1):26-35
本文根据V aR和CV aR风险度量方法,对马克维茨的均值-方差资产组合选择模型进行拓展,研究在均值-风险准则下更具有一般性的资产组合选择问题.并在正态分布假设条件下,证明当不存在无风险资产时和存在无风险资产时,基于方差、V aR和CV aR风险度量准则的资产组合有有沿之间的关系,指出根据均值-V aR准则和均值-CV aR准则求解有效资产组合时,置信水平必须满足的条件  相似文献   

3.
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.  相似文献   

4.
熊正德  张洁 《经济数学》2006,23(3):325-328
本文根据“已实现”波动率的性质用ARF IM A模型对其进行模拟,并在此基础上研究了V aR,发现在学生T分布和GED分布下有比较好的预测效果.  相似文献   

5.
《数理统计与管理》2014,(4):752-760
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。  相似文献   

6.
本文对上证综指及深证成指的收益率进行了稳定分布拟合,并与正态分布的拟合加以比较分析,结果表明稳定分布能更好的处理股票市场中的“尖峰厚尾”现象。  相似文献   

7.
深沪股市收益率分布特征的统计分析   总被引:8,自引:0,他引:8  
本文通过对深沪两地股票市场的股指收益率数据进行分析,发现两地股票收益率分布均呈现"尖峰厚尾"反正态特征,本文通过引入Laplace分布代替过去人们常用的正态分布去刻画收益率分布,结果显示Laplace分布比正态分布拟合效率有了明显的提高。  相似文献   

8.
自由统计软件R是一个用于统计计算和统计制图的优秀工具.本文论述了如何利用R解决可靠性数学中寿命分布的参数估计问题,并简要介绍了在R的基础上进行统计软件开发的基本方法.  相似文献   

9.
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.  相似文献   

10.
从证券投资风险发生的信息角度,利用风险分解方法研究了证券市场里的信息结构问题。使用了条件风险价值作为风险计量方法,并将风险发生的信息机制分解为公共信息效应和私有信息效应,利用信息分布函数来标识不同信息的分布状况。通过计算公共信息指数和私有信息指数,利用中国股票市场的实际数据,对中国的证券市场的信息结构问题进行了研究。  相似文献   

11.
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.  相似文献   

12.
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.  相似文献   

13.
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.  相似文献   

14.
RiskMetrics是当今最为流行的风险度量模型,然而其基础假设-标准化收益服从正态分布,却备受置疑.放宽此假设,以更灵活的t分布,广义误差分布,混合正态分布,Johnson Su-正态,Pearson IV分布代替,建立了五种扩展的RiskMetrics模型.我们用沪深股市日收益数据进行实证比较分析,回测结果表明,扩展模型明显优于标准模型,而基于非对称分布假设的模型优于基于对称分布的模型.  相似文献   

15.
汪浩 《应用概率统计》2003,19(3):267-276
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。  相似文献   

16.
VALUE-AT-RISK的核估计理论   总被引:5,自引:0,他引:5  
如何根据历史数据估计Value-at-Risk(VaR);是风险分析与管理中一个重要的基本问题.木文基于非参数核估计方法,通过拟合实际数据过程的分布,构造了VaR的估计.在合适的相依数据条件下,证明了该估计量的渐近正态性,并给出了渐近方差的估计.由此表明:本文所构造的估计量不仅比参数模型具有更广泛的适应性,而且如同参数模型具有n~(-1/2)的收敛速度.本文假设的数据过程避免使用混合性,可很好地适用于金融管理中广泛应用的ARMA与GARCH模型族及非线性模型.  相似文献   

17.
The Weibull distribution is one of the most important distributions that is utilized as a probability model for loss amounts in connection with actuarial and financial risk management problems. This paper considers the Weibull distribution and its quantiles in the context of estimation of a risk measure called Value-at-Risk (VaR). VaR is simply the maximum loss in a specified period with a pre-assigned probability level. We attempt to present certain estimation methods for VaR as a quantile of a distribution and compare these methods with respect to their deficiency (Def) values. Along this line, the results of some Monte Carlo simulations, that we have conducted for detailed investigations on the efficiency of the estimators as compared to MLE, are provided.  相似文献   

18.
GARCH models are commonly used for describing, estimating and predicting the dynamics of financial returns. Here, we relax the usual parametric distributional assumptions of GARCH models and develop a Bayesian semiparametric approach based on modeling the innovations using the class of scale mixtures of Gaussian distributions with a Dirichlet process prior on the mixing distribution. The proposed specification allows for greater flexibility in capturing the usual patterns observed in financial returns. It is also shown how to undertake Bayesian prediction of the Value at Risk (VaR). The performance of the proposed semiparametric method is illustrated using simulated and real data from the Hang Seng Index (HSI) and Bombay Stock Exchange index (BSE30).  相似文献   

19.
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。  相似文献   

20.
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.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号