AEPD、AST和ALD分布下金融资产收益率典型事实描述与VaR度量

金融资产收益率分布具有"尖峰"、"肥尾"、"有偏"、"非对称"等典型事实,传统的正态分布、t分布、SKST分布无法完全描述这些特征,影响了以收益率分布设定为基础之一的参数法VaR模型度量的效果。近年来,理论界提出了AEPD、AST、ALD等分布来改善对金融资产收益率分布的描述。本文以沪深300指数为例,比较和分析了这些分布对金融资产收益率典型事实特征的描述及其在VaR度量效果上的差异。研究表明并非捕捉金融资产收益率分布典型事实越多的模型测度风险的效果越好:AEPD、 AST、ALD分布能较好地描述金融资产收益率的典型特征,但是在风险度量效果上却只能证明AEPD、AST分布绝对优于正态分布,而与SKST分布相比无明显差异; ALD分布在度量空头VaR时效果甚至比正态分布更差,但在计算低分位水平下的多头VaR值时却明显优于其他分布。     

嵌入战略因子的VaR模型改进研究

传统VaR模型是一种衡量短期投资风险的常用工具,但其衡量长期风险的有效性仍然有所欠缺。并且,传统VaR方法基于历史数据对未来风险进行估算的基础性假定已引起诸多学者的质疑。据此本文提出基于战略考虑的VaR模型改进问题。首先提出战略因子这一综合评价企业战略的概念,然后利用德尔菲法和模糊层次分析法求出其具体表达式,最后基于实证数据的拟合将其嵌入到原有VaR模型中,得到改进后的战略在险值(Strategic Value-at-Risk, SVaR)模型。实证检验的结果表明,改进后得到的SVaR模型预测的长期风险值要比原VaR模型更加准确。     

基于CAViaR模型的沪深300股指期货隔夜风险研究

期货隔夜风险的防范历来是投资者关注的热点,本文以沪深300股指期货为研究对象,采用CAViaR模型对普通隔夜风险进行度量,同时还采用新建的CAViaR-EVT模型对极端隔夜风险进行预测,全面地分析了多头VaR和空头VaR在不同分位数的动态变化特征,最后采用Kupiec似然比检验和动态分位数检验对模型进行后测检验。实证结果表明,隔夜收益序列具有右偏、无长期记忆性和尖峰厚尾等典型特征;CAViaR模型对股指期货的普通隔夜风险具有优异的预测能力,其中AS模型的预测效果最好;加入极值理论后,CAViaR-EVT模型同样能很好地刻画极端分位数下隔夜风险的动态演化过程,且其预测结果比EVT和GARCH-EVT模型要更合理。     

可违约零息债券风险综合度量Monte Carlo方法

可违约零息债券同时面临着违约风险和市场风险(利率风险)这两类主要风险.相对于传统的不同类风险独立度量方法,也不同于割裂两类风险再进行加总或通过Copula函数关联,本文在信用风险强度定价模型的基础上,同时考虑信用风险、市场风险和两类风险之间的相关关系,建立了计算可违约零息债券综合风险VaR的Monte Carlo方法,得出同一个风险计算期下反映两类风险的损失分布和同一个某置信度的损失分布的分位点,进而能求得风险综合VaR值,这样可在同一个框架下同时捕捉可违约零息债券的两类风险,这里,给出了MonteCarlo模拟方法具体技术细节,包括违约时间和基础状态向量过程的模拟.最后运用本文的风险综合度量模型对短期融资券的综合风险进行计算,得出风险综合VaR值,并与利率风险独立度量VaR值和信用风险独立度量VaR值进行比较分析.     

基于VaR—GARCH模型对我国基金市场的实证分析

文章通过采用GARCH(1,1)模型,对基金指数的日收益率波动进行模拟,计算VaR值,并引入RAROC(风险调整资产收益)方法比较了各年基金指数的风险。结论表明,应综合使用VaR和RAROC指标考察基金市场的风险和收益。     

同种商品不同月份期货组合风险评价模型研究及应用

以期货合约的每一交易日的对数涨跌率来反映市场风险,借助VaR风险价值法,运用加权核估计技术(WKDE)和指数加权滑动模型(EWMA),建立了基于期货组合中持有头寸不同且可以进行风险对冲的期货组合市场风险非线性叠加评价模型,解决了同种商品、不同月份期货组合每一交易日最大损失的确定问题,并通过实证研究验证了模型的实用性.该模型的特点一是借助WKDE法预测组合中单个合约每一交易日涨跌率最大日亏损值,充分体现了期货合约涨跌率的实际走势,使VaR估计更加精确.二是通过动态迁移相关系数矩阵的计算保证了模型的精确性.采用EWMA模型预测动态变化的方差-协方差矩阵,从实证的角度得到更精准的动态迁移相关系数矩阵.三是考虑了组合中多头和空头不同头寸之间的风险对冲,避免了实际中期货组合风险的线性相加而造成放大风险或减少风险的不准确性,从而能较好地保证了模型的预测精度及准确性.四是通过基于风险非线性叠加建立的期货组合风险评价模型解决了SPAN系统中期货组合风险的线性叠加问题,从而得到更合理的组合风险预测值.     

稳健非参数VaR建模及风险量化研究

参数VaR模型被广泛应用于风险测量中,然而需要给出具体的结构形式,这就容易发生模型错误设定的灾难,使风险计量的精确性易于产生较大偏差。针对参数VaR模型的设定误差问题,本文构建了SQ-ARCH和Nop-Quantile两个非参数VaR模型,诣在提高传统风险计量模型的灵活性、稳定性和准确性。采用稳健的分位数回归方法,得到了计算这两个VaR模型的具体表达式并给出了模型估计的算法和步骤。Monte Carlo模拟发现无论模型正确还是错误设定非参数VaR模型比参数ARCH类VaR模型更稳健。此外,把这两个稳健非参数VaR模型应用于我国股票市场风险量化的实证分析中。研究结果表明稳健非参数VaR模型比参数ARCH类VaR模型度量风险更准确。     

信息非对称条件下资产定价的信号博弈与生物竞争模型

在市场信息非对称的条件下,建立了企业经营者与投资者间的信号博弈模型,采用Lotka Voterra生物竞争模型描述市场多头投资者与空头投资者间在决策和行为方面的相互关系,并给出了企业项目市场价值的计算公式和3种条件下企业市场价值的均衡值。     

基于VaR的我国商品期货市场风险的预警研究

本文以郑州商品交易所的硬麦期货和上海期货交易所的铜期货为例,构造了期货合约收益率连续时间序列,计算了序列的VaR值,对预测结果的有效性进行了检验,并提出了将VaR曲线和保证金水平相结合的方法,对商品期货市场风险进行单指标预警.     

基于Bayesian-Copula方法的商业银行操作风险度量

本文在对损失分布法分析的基础上,将损失事件划分为内部欺诈、外部欺诈以及违规执行三种类型;引用两阶段分布拟合操作风险的损失强度分布,同时采用贝叶斯理论中的吉布斯抽样来获取参数估计值以减小低频率高损失数据不足带来的误差;考虑到操作风险各损失事件间可能存在的相关性,本文采用Copula函数对操作风险进行整合以获得联合损失分布函数,并计算出不同置信水平下我国商业银行操作风险损失的VaR值与CVaR值.实证研究的结果表明:基于贝叶斯理论的参数估计综合考虑了总体与样本等先验信息,估计出的参数值误差较小;Copula函数的引入与VaR值、CVaR值的测算,能在考虑了损失事件发生概率的同时,估测出操作风险潜在的损失大小,从而可以更准确度量操作风险.     

条件自回归expectile模型及其在基金业绩评价中的应用

本文研究了日收益率之下开放式基金的业绩评价和检验问题,提出了改进的条件自回归expectile（CARE）模型并应用到基金业绩评价的问题研究中。首先运用非对称最小二乘法（ALS）对动态的CARE模型进行半参数估计,得到样本基金收益率序列的VaR值和ES值。其次,使用计算结果对样本基金的日收益率进行风险调整,得到基于VaR和ES修正的Sharpe比率。最后,在实证研究中,本文使用传统的Sharpe比率、基于VaR和ES的Sharpe比率对我国56只开放式基金在2005-2011年间的业绩进行了实证分析,结论显著证明了CARE模型在极端风险度量上更精确,在基金评价和检验中的应用中是可行的。     

价值与动量混合策略DEA多期限资产组合选择及效率评价

运用DEA融合有效价值与有效动量指标,构造多期限价值与动量混合策略资产组合,在期望收益率与风险调整收益率条件下评价其相对有效性。基于沪深300成分股的实证发现,DEA高效率值股票组合持有期期望收益率显著高于沪深300组合,且期望收益率与风险调整收益率均高于单一价值股票组合和赢者股票组合;在此基础上,构造同时持有DEA高效率值股票组合多头与DEA低效率值股票组合空头的套利交易策略,在相对较长的持有期上能给投资者带来显著的超额收益率。     

VaR方法及其在股市风险分析中的应用初探

本文讨论了度量投资风险的VaR方法的概念和计算方法,在股票价格随机游动的假设下计算了深圳股市在不同置信水平下的风险值,并与实际投资收益做了对比。在算例分析的基础上,对VaR方法在我国股票投资中的应用进行了初步探讨。     

股指期货套利交易的风险度量——基于沪深300股指期货交易数据的实证分析

以Copula理论和VaR方法作为实证分析工具,根据我国股指期货市场的实际交易情况,对套利投资组合的风险进行量化分析。根据我国股指期货市场的实际交易情况,针对套利交易中的期现套利、跨期套利、跨市场套利和跨品种套利这四种基本交易策略展开全面分析,并基于实证得到的投资组合VaR值,衡量了在不同策略下套利投资组合的风险。同时,将其与基于二元正态分布和样本数据得到的VaR值进行比较。这填补了我国在股指期货套利组合风险度量方面的空白,具有重要的理论价值和现实意义,对我国当前的股指期货套利交易的风险管理起到了一定程度的补充和启示作用。     

VaR方法对证券资产组合风险价值计算的应用

VaR(Value at Risk)即"在险价值"或者"风险价值"。本文将利用VaR方法对我国证券市场上的证券组合的风险价值进行计算,具体选取了博时主题、嘉实300(指数型)、南方绩优成长基金这三支股票488天内每日的开盘价、收盘价及涨跌幅度数据。通过构建方差-协方差矩阵,运用matlab软件编译,得到对这三支组成的资产组合进行投资时所承担的最大可能损失。     

VaR估计中的模型风险——检验方法与实证研究

本文以上证A股指数为例对GARCH类模型在估计Value-at-Risk（VaS）值时所存在的模型风险进行了分析。我们分别考虑了基于EWMA，GARCH，EGARCH和FIGARCH模型的VaR估计方法。模型风险的存在意味着使用不同的估计方法得出的VaR值可能迥然不同。为了对这四种估计方法进行评判，我们在似然率和Kullback-Leibler信息准则的基础上运用四种统计检验方法对不同置信度水平下的VaR估计值进行了返回检验。实证结果表明EGARCH和FIGARCH方法的袁现明显比其它两种优越．     

投资组合VaR及其分解

本文在简要介绍投资组合VaR的概念及计算方法后对组合VaR进行了具体的分解。在阐述了边际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为正态和非正态分布假设下这三种类型VaR的计算方法,从而为资产组合管理者提供了更多有关投资组合市场风险的信息。     

基于SWARCH的VaR及压力测试值的一致性估计

风险值 (VaR) 与压力测试都是衡量金融资产价格波动风险的重要工具.为了考虑市场在不同状态下报酬率分布的结构性变化,引入波动性状态转移的ARCH(SWARCH)模型对波动性进行描述,使 VaR 与压力测试值能够在统一的样本数据和框架下得到一致性的估计.此外,SWARCH模型还同时考虑了金融市场波动性、波动性状态和状态概率的时变性,使 VaR 与压力测试值的估计具有很好的灵活性.以上海股市为样本进行了实证分析,验证了基于SWARCH模型能够得到 VaR 与压力测试值的一致性估计.     

参数法、半参数法和非参数法计算我国铜期货市场VaR之比较

本文分别采用参数法、半参数法与非参数法来估计铜期货市场的风险值。由于利好与利空信息对期货市场波动性的影响是不对称的．因此本文参数法采用非对称的EGARCH与TGARCH模型来估计铜期货市场的条件vaR．半参数法采用前四阶矩方法．非参数法采用核函数的方法。一般金融市场只考虑下跌风险．而期货市场由于存在做空机制。所以本文亦提出期货市场上涨风险的概念．并分别估计了三种方法下的下跌VaR与上涨VaR。用返回检验对每种方法的有效性进行了评价。实证研究表明：不论是下跌VaR还是上涨VaR．非参数法对数据的拟和要远远优于另外两种方法．具有很强的实际意义。     

基于极值理论和多元Copula函数的商业银行操作风险计量研究

基于操作风险呈厚尾分布的特征,本文按照巴塞尔协议的要求,采用POT极值模型分别估计了多个操作风险单元的边缘分布,然后用多元Copula函数来刻画这些操作风险单元之间的关联性并计算在险价值。通过对中国商业银行1990-2010年操作风险数据的实证分析表明,Clayton Copula能更好地反映各操作风险单元之间的相关性结构,且采用Copula考虑操作风险相关性下的VaR值要比简单加总下的VaR值减少约32.3%。因此,应用Copula函数计量操作风险相关性,不仅可以提高估计的准确性,还能够达到资产组合的风险分散化效应,减少操作风险资本要求,为商业银行提升盈利能力创造条件。