���ն����ı�Ҷ˹���Ƽ���ͳ�Ʒ���

??The Bayesian model are established for the VaR and related risk measurements. The relationship between VaR and other risk measurements including expect shortfall, tail condition expectation and conditional value at risk are discussed. Furthermore, the Bayesian estimates and Bayesian predictors of these risk measurement are derived. Thirdly, the consistency and asymptotic normality in the exponential risk model are proved. Finally, the numerical simulation method is used to verify the convergence rate under different sample sizes.     

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。     

ָ��-٤��ģ�������ռ�ֵ�����ı�Ҷ˹����

VaR风险度量在金融、保险中有重要的应用. 本文建立了贝叶斯模型, 在某种损失函数下研究了VaR风险度量的贝叶斯估计. 证明了指数-伽马分布下贝叶斯估计的强相合性和渐近正态性, 最后利用数值模拟的方法验证了不同样本容量下估计的收敛速度.     

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。     

VaR测度下的风险对冲策略研究

本文分别在正态分布和任意分布设定下讨论最小在险价值(VaR)的风险对冲问题。在正态分布设定下,本文深入讨论最小方差对冲比率和最小VaR对冲比率的性质,并得出最小VaR对冲策略下组合收益率的均值和方差大于最小方差策略下组合收益率的均值和方差。在任意分布设定下,本文构建一种新的VaR对冲模型,该模型引入非参数核估计方法对VaR进行估计,然后基于VaR核估计量建立风险对冲问题,实现风险估计与风险对冲同步进行。实证结果非常稳健地表明,不做任何分布假设下的核估计法得到的风险对冲效果优于最小方差对冲策略和正态分布设定下的最小VaR对冲策略。     

Return and Value at Risk using the Dirichlet Process

There exists a wide variety of models for return, and the chosen model determines the tool required to calculate the value at risk (VaR). This paper introduces an alternative methodology to model‐based simulation by using a Monte Carlo simulation of the Dirichlet process. The model is constructed in a Bayesian framework, using properties initially described by Ferguson. A notable advantage of this model is that, on average, the random draws are sampled from a mixed distribution that consists of a prior guess by an expert and the empirical process based on a random sample of historical asset returns. The method is relatively automatic and similar to machine learning tools, e.g. the estimate is updated as new data arrive.     

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。     

加权分布模型测算个股VaR

本文在同时考虑企业的个性风险和企业将受到整个国家宏观经济形势影响的共性风险的基础上,用一种新的思路定权数,提出了用加权分布测算个股VaR的模型。并以在深圳股市上市的四家企业的股票收益率做实证分析和模型检验。结果表明:加权分布提高了原来的假设收益率分布服从单一分布下测量VaR的准确度,尤其对于个性风险较强的企业而言,加权分布模型是一种形式简单,而又较为精确的模型。     

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.     

金融风险度量的建模理论与方法的一些进展及其应用

本文综述了金融风险度量的建模的理论和方法最近的发展。介绍了常用的矩度量和现代风险度量技术,包括在险价值VaR、预期不足ES和期望分位数Expectile等现代风险度量技术和方法,以及复杂风险因素下的非/半参数风险度量方法。违约概率和违约相关性是信用风险度量中的两个基本概念,本文还介绍了信用违约风险中违约概率和违约相关性的常用度量方法。最后,通过一些应用案例介绍如何在金融风险度量中应用现代风险度量技术度量和识别风险。     

均值-VaR模型的一种新解法：鞍点近似、遗传算法

以均值度量收益,方差度量风险的均值.方差模型,广泛应用于资产组合优化.随着对金融风险度量方法研究的不断深入,VaR作为一种简便、易于理解的风险度量方法,在金融企业中得到日益广泛的应用.本文用VaR代替均值-方差模型中的方差,构建了均值-VaR模型应用干投资组合优化.均值-VaR模型是非线性规划,仅当VaR满足凸性和可微性的前提下,满足库恩-塔克条件的解才是全局最优解.本文在CreditRisk+框架下,提出一个在不允许卖空条件下,不需对VaR的性质做出前提假定的新解法:将鞍点近似法用于计算VaR,在资产头寸与VaR之间建立起函数关系,采用遗传算法寻找模型的近似最优解.并用一个债券组合说明该方法的有效性。     

Chain ladder method: Bayesian bootstrap versus classical bootstrap

The intention of this paper is to estimate a Bayesian distribution-free chain ladder (DFCL) model using approximate Bayesian computation (ABC) methodology. We demonstrate how to estimate quantities of interest in claims reserving and compare the estimates to those obtained from classical and credibility approaches. In this context, a novel numerical procedure utilizing a Markov chain Monte Carlo (MCMC) technique, ABC and a Bayesian bootstrap procedure was developed in a truly distribution-free setting. The ABC methodology arises because we work in a distribution-free setting in which we make no parametric assumptions, meaning we cannot evaluate the likelihood point-wise or in this case simulate directly from the likelihood model. The use of a bootstrap procedure allows us to generate samples from the intractable likelihood without the requirement of distributional assumptions; this is crucial to the ABC framework. The developed methodology is used to obtain the empirical distribution of the DFCL model parameters and the predictive distribution of the outstanding loss liabilities conditional on the observed claims. We then estimate predictive Bayesian capital estimates, the value at risk (VaR) and the mean square error of prediction (MSEP). The latter is compared with the classical bootstrap and credibility methods.     

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。     

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。     

基于下界VaR对沪深股市市场风险的实证研究

本文应用Luciano和Marena提出的计算资产组合VaR的上下界的方法,对沪深股市的市场风险做了实证研究,并与传统的正态VaR做了比较。实证分析表明,沪深股市的市场风险确实存在“厚尾”和“波动聚集”现象。本文对国内市场的波动聚集现象进行了详细分析．并讨论了风险控制模型的相关检验,下界VaR通过了两次模型检验。     

转点识别在VaR估计中的应用

本文深入分析了VaR估计结果对市场比率运动规律假设的依赖性 .文献 [1 ],[2 ][4 ]都没有考虑市场因素出现结构性的转变对VaR估计的影响 .事实上 ,市场因素受到其它各种因素的影响 ,很可能发生结构性的转变 .故本文在引入转点识别的基础上对VaR估计方法作出改进 ,从而把市场因素结构性转变引入到VaR估计之中 ,且随机模拟实验结果表明引入转点后的预报有更高的可信度 .     

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.     

A matrix-based VaR model for risk identification in power supply networks

This paper presents a value-at-risk (VaR) model based on the singular value decomposition (SVD) of a sparsity matrix for voltage risk identification in power supply networks. The matrix-based model provides a more computationally efficient risk assessment method than conventional models such as probability analysis and sensitivity analysis, for example, and provides decision makers in the power supply industry with sufficient information to minimize the risk of network collapse or blackouts. The VaR model is incorporated into a risk identification system (RIS) programmed in the MATLAB environment. The feasibility of the proposed approach is confirmed by performing a series of risk assessment simulations using the standard American Electric Power (AEP) test models (i.e. 14-, 30- and 57-node networks) and a real-world power network (Taiwan power network), respectively. In general, the simulated results confirm the ability of the matrix-based model VaR model to efficient identify risk of power supply networks.     

Estimating value at risk of portfolio by conditional copula-GARCH method

Copula functions represent a methodology that describes the dependence structure of a multi-dimension random variable and has become one of the most significant new tools to handle risk factors in finance, such as Value-at Risk (VaR), which is probably the most widely used risk measure in financial institutions. Combining copula and the forecast function of the GARCH model, this paper proposes a new method, called conditional copula-GARCH, to compute the VaR of portfolios. This work presents an application of the copula-GARCH model in the estimation of a portfolio’s VaR, composed of NASDAQ and TAIEX. The empirical results show that, compared with traditional methods, the copula model captures the VaR more successfully. In addition, the Student-t copula describes the dependence structure of the portfolio return series quite well.     

平稳序列BMM模型与沪深股市极端风险研究

基于VaR理论正态分布假设导致的尾部风险低估问题,研究了GEV分布下的BMM模型及区间关联下的极值VaR的建模,并实证分析了沪深股市极端风险.研究结果表明:BMM模型对金融风险的厚尾具有更合理的理论基础.然而,涨跌停板极大地抑制了沪深股市极值数据的异质性,形成"极值不极"现象,导致在较高置信度下BMM模型更为有效,而在较低置信度下反而存在低估问题,有效性尚不及VaR模型.