基于AST分布和HGARCH模型的金融资产收益率波动非对称性刻画与VaR预测

选择合适波动模型和概率分布成为影响VaR预测可靠性的重要因素,本文首次结合HGARCH模型和AST分布来对金融资产收益率进行建模,并将所构建模型用于VaR预测研究中。我们重点比较研究不同头寸和不同风险水平下HGARCH模型及其子类共20种GARCH族模型的VaR预测效果,并系统性研究HGARCH模型中两个波动非对称参数在波动非对称性刻画和VaR预测中的作用。研究结果表明,在样本内,AST分布下的非对称GARCH族模型具有更好的波动拟合效果、分布拟合效果和VaR预测效果;HGARCH模型的两个波动非对称参数虽然在理论上是互补品的关系,但实际建模效果类似,相互之间更接近替代品的关系。在样本外,AST分布下的非对称GARCH族模型在波动拟合、分布拟合和VaR预测方面的优越性有所下降;两个波动非对称参数的实际效果也近似为替代品,其中放缩参数相比位移参数更具优势。     

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。     

基于半参数EGARCH模型的VaR和CVaR度量与实证研究

本文主要是运用半参数EGARCH模型研究中国股票市场风险.首先,运用半参数EGARCH模型估计波动率.其次,研究中国股票市场风险,即估计VaR和CVaR值.最后,利用半参数EG;ARCH模型对上证指数进行实证分析。结果表明,半参数EGARCH模型比一般的EGARCH模型能更准确地度量中国股市风险。     

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.     

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。     

基于杠杆效应CARR模型的波动率预测

本文提出了一类新的具有杠杆效应的CARR模型,基于广义伽玛分布探讨了杠杆效应CARR模型的参数估计和波动预测。以我国上证指数的2011年6月至2014年3月的每日数据为研究对象,分别运用EARCH模型、传统CARR模型和杠杆效应CARR模型对上证指数的波动率进行拟合,并根据MAE、RMSE和MAPE三个损失函数进行了预测能力比较分析,结果表明:杠杆效应CARR模型在波动性预测方面比EARCH模型的效果更好一些。     

Lee-Carter模型的理论分布和区间预测

死亡率预测是人口预测、长寿风险度量以及寿险公司产品定价和风险管理的基础。在死亡率预测模型中,Lee—Carter模型被广泛采用,但关于Lee-Carter模型的理论分布函数、期望和方差等分布特征,并没有专门的研究。本文在文献研究的基础上,对Lee-Carter模型进行了完整的理论研究,给出了完整的Lee-Carter模型理论分布和区间预测表达式,为相关研究提供了可靠的理论依据。同时,对传统的Lee-Carter预测区间估计方法和文中给出的区间预测估计方法进行了对比研究,发现使用传统Lee-Carter预测区间估计方法得到的预测区间较窄,对长寿风险存在低估,在预测时间较短时,这种低估更严重。     

基于不同分布EGARCH模型的EU ETS价格波动和风险研究

分别基于正态分布、t分布、GED分布假设下的EGARCH模型,考察EUA和CER期货价格收益率的波动特征,并估算期货市场的风险VaR值,利用LR统计量检验VaR,估计值的准确程度.实证结果表明:碳期货收益率存在明显的"尖峰厚尾"特性;碳期货市场存在负的"杠杆效应","利多"的影响小于"利空"的影响;EUA期货市场相比CER期货市场具有更高的风险;EGARCH-GED模型对碳期货市场的风险刻画能力最强,其次是EGARCH-N模型,EGARCH-t模型刻画能力最差.     

双曲分布及其在VaR模型分析中的应用

传统的计算V aR的R iskM etrics方法不能对市场风险分布的“厚尾”现象给出较为满意的刻画和计算方法.本文引入双曲分布及其算法并将双曲分布应用到V aR模型的计算之中,事实上通过对股票市场的实证研究表明,股票市场数据呈厚尾现象,用双曲分布对数据的拟合要比R iskM etrics方法假定的正态分布更符合金融市场数据的实际情况,故本文的结论与方法对金融风险管理和其他金融建模是有价值的.     

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.     

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。     

基于非参数分布的沪深股市VaR测度

沪深大盘指数的收益率分布函数并不服从通常人们所认为的正态分布.因此,采用一种新的方法—非参数核密度估计,对沪深股指收益率分布进行拟合.该方法不仅很好地刻画了收益率分布的尖峰和肥尾特征,而且由此建立的VaR模型比一般的基于参数分布的VaR模型更能捕捉市场的风险特征,结论也更加准确.     

基于t分布的VaR的次可加性

在资产收益服从标准t分布假设下,主要用数值计算方法证明了,当置信水平α>0.5时,VaR满足次可加性,并用计算机模拟检验了所得结果的正确性.     

基于二维正态分布的条件VaR研究

基于条件收益率的VaR测算方法.在假定股票价格对数与收益率服从二维正态分布的基础上,对每一价格水平,得到条件收益率的分布特征,进而计算条件VaR值.通过分析证明了条件收益率分布与价格水平高低有关,一般价格升高会使条件收益率分布向左侧移动,反之向右侧平移.     

基于二维t分布的条件VaR研究

根据多元t分布的定义及性质,推导出二维t分布随机变量差的条件分布仍服从t分布.在假定股票价格对数与收益率服从二维t分布的基础上,利用该性质,可以得到不同股票价格水平条件下,收益率的一维条件t分布,进而计算出价格条件VaR.利用多元t分布研究价格条件的收益率分布问题,与正态分布相比,较好地刻画了证券收益率分布的尖峰厚尾现象.     

基于GAS模型的动态VaR预测效果分析

GAS模型是一种基于观测的动态模型,理论简单且应用灵活,可以直接估计VaR.将GAS模型和GARCH类模型应用于不同条件下生成的模拟数据和三个时间段的沪深300指数的日对数收益率数据,并比较模型关于VaR的预测效果。结果表明:在对称的条件分布下,GAS模型容易高估风险且不稳健,其表现不如GARCH类模型;但在条件分布为有偏的时,GAS模型与GARCH类模型的表现相当,部分情况下会优于GARCH类模型,尤其在实证分析中关于序列2和序列3的VaR的估计,GAS模型的预测效果较好。因此,实际应用中,对于具有较明显偏态分布或尖峰分布的数据可以考虑使用GAS模型预测动态VaR.     

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.     

基于稳定分布的PARCH模型

本文首先介绍了稳定分布和基于正态分布、稳定分布的PARCH模型,并通过股票指数收益率的稳定化PP图和直方图发现其具有高峰厚尾特征.最后,通过上证指数的VaR计算,得到在金融风险度量中基于稳定分布的PARCH模型比基于正态分布的PARCH模型更加有效。     

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。