用矩匹配方法计算非线性风险度

矩匹配方法是用来求解非线性风险度(Value at Risk，简称：VaR)的一种普遍性方法，它是先假定样本经验分布服从已知分布族，然后运用矩匹配估计方法估计相应的参数，得到资产回报样本的密度函数，再计算风险度VaR；本采用的Johnson分布族是矩匹配方法的直接应用，并且计算出来的结果与局部Monte．Carlo结果进行了比较。并通过实证分析认为这种方法是一种良好的计算非线性VaR方法。     

用Johnson分布族来计算非线性VaR

目前，最普遍的风险管理方法是：VaR(Value at Risk含义是风险中的价值）风险测量技术，而该技术在测量包含有非非线性头寸的资产组合回报时，因为资产回报分布已不是正态分布，因而在求组合回报在一定置信水平下的分位数时，遇到了前扎未有的挑战。在这种情况下，局部Mnte-Carlo模拟法被认为是一种较准确的VaR测量方法，但由于其计算的时间长，计算量大，且无法解决伪随机数的休聚性问题等本身缺陷，在实际中也不常用，针对这一情况，Risk Metrics技术小组于1996年就提出以Johnson分布来将回报转换为标准正态分布，但参数估计除对数正态外不存在解析形式，且需要解一个非线性方程组。而本采用分位点估计来估计参数，不但不必要解非线性方程组，计算量上大大减少，而且James F.Slifker等人已经证明分位点估计比矩估计拟合得更好，所以本把它用于VaR计算，并与局部Monte-Carlo模拟法进行了比较。     

极值理论在风险度量中的应用--基于上证180指数

精确度量风险是金融风险管理的关键问题。本引入广义帕雷托分布代替传统的正态分布等，精确描述金融收益的厚尾特征。并将基于广义帕雷托分布的VaR模型和其它模型方法，如GARCH(1，1)、GARCH(1，1)-t、历史模拟法、方差-协方差方法，进行比较分析。实证研究表明，基于广义帕雷托分布的VaR模型比传统的模型方法更适合厚尾分布高分位点的预测，并且其预测结果比较稳定。这使得基于广义帕雷托分布的VaR模型成为VaR度量方法中最稳健的方法之一。     

我国外汇风险管理中的内部模型选择

在VaR计算中，一般都有市场变量的日回报服从正态分布的假定，但汇率的变化呈非正态分布。随着我国加入了WTO后金融市场的进一步开放，选择适合我国外汇风险管理需要的统计模型已极为紧迫。本提出了一种用有偏度的混合正态分布计算VaR的方法，使市场风险管理可不受市场变量正态性假定的限制，其参数通过分位点到分位点的对应，参照GARCH模型进行更新，从而可以对加报分布的左右胖尾进行解释。本中选取了八种与我国经济密切相关的外汇，分别计算其参数ξ、q、α和β的最优值。运算结果显示，有偏度的混合正态分布对货币组合的模拟大大优于对个体货币的拟合。