基于GARCH族模型的沪深300股指VaR度量

本文在修正了沪深300股票指数收益率序列的非平稳性和自身相关性之后,把ARMA模型与GARCH模型、GJR模型、IGARCH模型、FIGARCH模型、FIEGARCH模型、FIAPARCH模型、HYGARCH模型相结合,然后依次假设残差分布服从正态分布、t分布和偏t分布,来描述沪深300股票指数日对数收益率序列的尖峰厚尾性、杠杆效应和长记忆特性,利用上述模型分别计算沪深300股票指数的VaR值.在空头和多头投资者情况下,不同的波动性模型和不同残差分布的VaR预测有效性差距很大.比较得知,在不同的置信水平下,沪深300股票指数收益率序列空头和多头的VaR预测成功概率比较高的模型有HYGARCH和FIEGARCH这两类具有长记忆性的模型.     

VaR的统计检验

根据VaR的基本原理,对VaR的有效性进行了讨论.关于VaR提出了一个基于二点分布的检验模型,证明了存在一致最优检验,并给出了检验的表达式和拒绝域,同时鉴于金融数据的庞大性,又提出了基于渐近正态分布的检验模型,给出了检验的表达式和拒绝域.     

基于收益率修正分布的VaR估计

本文针对正态分布在拟合厚尾分布上的不足提出了两种修正方法——参数修正方法和非参数修正方法,经过实证分析我们发现经过修正的分布能更好地拟合厚尾分布,相应的VaR值的预测效果也更好,其中非参数修正得到的VaR预测效果最佳。     

基于分数阶差分的ARFIMA模型及预测效果研究

采用MRS分析法对香港恒生指数周数据序列的长期记忆性进行研究,并建立ARFIMA模型,推导了分数阶差分的计算过程。对分数阶差分的ARFIMA模型与一阶差分的ARFIMA模型进行了比较,发现应进行分数阶差分的序列,简化成一阶差分后,就有可能丢失许多有价值的信息,导致建模误差增大。进一步使用ARFIMA模型预测公式进行预测,结果显示ARFIMA模型预测效果不理想。在对香港恒生指数周数据进行预测时,ARFIMA模型几乎是失效的,并从两个不同的角度论证了这一结果出现的必然性。     

高频视角下中国股市动态VaR预测模型研究

如何充分挖掘交易数据中有价值的信息对金融风险管理极其重要,现有研究中基于低频波动模型的风险测度方法几乎已经做到了极致,而能达到的预测效果却并不稳健,对高频波动模型的研究相对比较匮乏。那么高频模型能否从高频数据中挖掘出更有价值的信息以便用于风险管理之中呢？本研究通过建立12个低频和9个高频波动模型对上证综指进行样本外动态VaR的滚动预测发现,高频模型相对于低频模型具有更好的稳定性,并且在多数情况下高频模型优于低频模型;多头与空头的风险预测效果具有显著差异,多头风险在高风险情况下高频模型表现出色,低风险情况下并不理想,空头风险则在所有情况下都表现较好。     

基于非正态分布的投资组合VaR分解

在阐述了投资组合边际VaR、成分VaR和增量VaR之间相互关系的基础上,给出了资产收益率服从非正态分布下投资组合分解的一种新方法,结果发现它与正态方法下投资组合分解的结论一致,并结合实证研究验证了结论的正确性.     

基于贝叶斯ARFIMA-WRV模型高频数据长记忆性研究

考虑到高频时间序列波动率的长记忆性问题,构建了赋权已实现波动分数整合自回归移动平均(ARFIMA-WRV)模型对其进行了研究.利用贝叶斯统计方法对模型做了相应的贝叶斯分析,并对我国中小板股市收益波动率的长记忆性特征进行了实证分析.实证结果表明我国中小板股市收益波动率存在长记忆性特征;采用消除日历效应影响的赋权已实现波动作为波动度量和贝叶斯参数估计方法,很大程度上提高了模型的参数精度.     

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.     

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VaR方法的我国外汇储备币种结构风险分析

基于VaR方法,把外汇储备看做是一个由不同币种组成的资产组合,通过实证分析测算各币种比例相对变化时的VaR值.结果表明,从控制风险的角度,目前我国应减少外汇储备中欧元的比重而增加美元的比重.     

中国股票市场的长记忆性与市场发展状态

对于中国股市的长记忆性问题,许多的学者得到了不同的结论,这主要是由于不同方法自身存在着缺陷,针对这一问题,分别运用经典R/S分析,修正R/S分析,DFA及广义Hurst指数等统计分析方法对其进行实证研究,以期使结果更加稳健.结果发现沪深两市均具有长记忆性特征.此外,研究了广义Hurst指数值与市场发展状态之间的依赖性,并根据该性质得到结论认为沪深两市属于新兴的、非有效的市场.     

基于LMSV模型的半参数方法对股市波动长记忆特征的识别

在金融时间序列波动具有显著的长记忆性这一背景之下,研究了LMSV模型长记忆参数的估计问题。首先,分析了LMSV模型的相关性质;接着,根据LMSV模型和ARFIMA模型的良好对应关系,提出了估计LMSV模型长记忆参数的半参数方法;最后,基于股市数据,验证了波动半参数方法的有效性。     

基于条件VaR模型的中国股市风险的影响因素分析

考虑了更为灵活的股市风险的测度方法——条件风险价值模型,它将风险价值与其影响因素结合起来,深刻地刻画了各影响因素对股市风险的影响特征.实证结果表明:政策事件对股市风险影响是正向的,而且影响效果更多地体现于极端风险偏好上;交易额变化率对风险的影响在极端和中度风险偏好上没有明显差异,正的冲击将导致中度风险和极端风险同向扩大;而对于收益率的滞后项来说,正的冲击将导致风险平均反转和中间风险收缩,负的冲击则导致风险平均反转和中间风险扩大.     

基于ARFIMA-HYGARCH-M-VaR模型的亚洲汇率市场均值和波动过程的双长期记忆性测度研究

作为金融传导机制的一个重要成分,汇率在金融危机的传播中发挥着重要作用.因此本文以亚洲汇率市场的汇率作为研究样本,通过引入skt分布来刻画残差的分布,构建了ARFIMA-HYGARCH-M-VaR模型来测度汇率风险值,并与skt分布下的GARCH及FIGARCH模型的VaR进行失败率回测检验与动态分位数测试.研究结果表明:在不同显著性水平下,skt分布下的各种模型基本都有较好的风险测度能力,且ARFIMA-HYGARCH-M模型的VaR风险测度更加精确与稳定.本研究为我国及亚洲其他国家汇率市场的风险测度与风险管理提供了一定的理论借鉴和方法基础.     

长记忆模型的Bayes估计及其在汇率波动中的应用

本文介绍了长记忆模型及其检验方法,根据Bayes原理,提出了记忆参数的一种新的估计方法.在运用Teverovsky/Taqqu(1997)年提出的一种基于样本方差的直观方法的初步检验基础上,运用新的检验方法,以美元对人民币汇率为研究对象,说明了我国汇率波动的长记忆性.然后,将经典的GPH-估计与新方法所得出的Bayes-估计相比较,可以看出这种新的估计方法较之经典的GPH-估计要稳定.     

中国证券市场价格及波动率长记忆性实证研究

证券市场股价运动是否存在长记性,近年来的实证研究结论不一.其中重要原因是数据选择的局限和检验方法的不统一.通过自相关函数、修正的R/S和GPH方法对中国证券市场的日和五分钟数据进行了递进检验,得出了一些与众不同的结论.     

基于Copula-EVT模型的我国股票市场流动性调整的VaR和ES研究

结合相依结构函数Copula和极值理论EVT,构建了我国股票市场经流动性调整的La-Copula-EVT风险价值模型,并用沪深收益序列的分笔高频数据进行了实证分析,发现我国沪深股市收益序列的上尾和下尾都存在较高相关性,后验测试结果表明构建的模型能够对实际损失进行很好的拟合;然后在该模型的基础上进一步分析了我国沪深股市的风险价值和预期不足在不同置信区间的敏感度差异,确定了适合La-Copula-EVT模型的最优置信度区间。     

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.     

基于VaR的房地产投资组合模型设计与应用

本文以风险和收益的动态刻画为核心,在房地产投资组合中引入基于VaR模型的风险评价,通过资产收益和预提费用在持有期内的现值构造效用函数,建立基于VaR的投资组合优化模型,实现房地产投资的最优组合。对于上海房地产市场两种不同资产进行组合的实证分析表明该模型具有一定的实用性和有效性。     

沪深股市的相关结构分析与投资组合风险度量——基于ARFIMA-GARCH-Copula模型

金融资产收益率不仅具有尖峰厚尾性、异方差性,还具有长记忆性。基于此,本文建立ARFIMA-GARCH-Copula模型来研究沪深股市的相关结构和等权重投资组合风险值VaR,利用上证指数和深成指数收益率的组合来进行实证研究。首先采用经典R/S分析法检验各个资产收益率的长记忆性,经过分数阶差分后选用GARCH模型建模得到边缘分布。然后选择Copula函数来刻画两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,计算出投资组合的风险值VaR。实证研究表明:沪深股市具有长记忆性,且两者具有对称的尾部相关性;Kupiec检验说明ARFIMA-GARCH-Copula模型较之于GARCH-Copula模型能更准确地度量投资组合风险。