基于非对称Laplace分布研究VaR

风险价值(Value-at-Risk简称VaR)是度量市场风险的一种普遍使用的工具,可看作是市场风险度量的基石。本文基于非对称Laplace分布来研究VaR,详细地讨论了非对称Laplace分布的性质、参数估计,并用该分布去拟合中国股票市场收益率的分布。实证分析表明,非对称Laplace分布比正态分布、对称Laplace分布的拟合效果有明显的提高。     

Bootstrap方法和SV模型在风险测度中的应用

文章用SV-GED模型刻画收益率序列的尖峰厚尾、波动集聚以及异方差等特征,在得到标准残差序列的基础上,与Bootstrap方法结合构建一个基于参数---非参数估计的新的风险度量模型——基于Boot-strap-SV-GED模型的风险度量模型,最后对模型的有效性进行了分析.研究表明:Bootstrap-SV-GED模型能很好的刻画收益率序列的特征,并且能在一定程度上提高金融风险测量的精度.     

房地产业与银行业股票的相关性研究

在给定概率水平下,为了描述具有尖峰、肥尾、有偏等特性的金融变量之间的非线性相依结构,给出了能够准确刻画金融变量上述特性的非对称Laplace分布,首次推导出了以该分布为边际分布,联合分布由高斯Copula建立的非线性分位数回归模型.实证表明:高斯Copula非线性分位数回归模型能够更全面准确的描述房地产业与银行业股票收益率之间的风险相关关系,对于预测收益率和防范金融风险具有十分重要的意义.     

基于CVaR风险度量的投资组合优化决策

投资组合优化问题依赖于风险度量方法和投资组合收益率分布函数的选取。针对收益率通常不服从多元正态分布以及均值—方差模型低估了投资组合发生重大损失的风险,文章利用多元广义双曲线分布来拟合投资组合收益率,从而更加灵活地捕捉收益率数据的偏态和尖峰厚尾特征;使用CVaR代替方差和VaR来度量金融资产重大损失风险,进而建立均值—CVaR投资优化模型。实证研究结果表明,相对于均值—方差模型,均值—CVaR能够更好地反映投资组合收益率分布,提高投资者控制投资风险的能力。     

基于ARMA—APARCH—SGED模型的原油价格风险度量研究

从原油现货市场收益率的特征分析着手,为了更好地描述原油现货市场收益率的尖峰厚尾、偏态和波动集聚等特性,利用APARCH模型来刻画收益率的波动性,同时利用SkewGED（SGED）分布来描述收益率的概率分布特征;进而运用削孙嗄A—AP灿配H—SGED模型对原油现货市场收益率的VaR进行估计和分析,并与基于Skew一t和Glm分布的ARMA—APARCH模型进行比较。通过返回检验,结果表明,AR—MA—AP魁配H—SGIm模型能更加准确地度量原油现货市场的风险价值。     

考虑期货的电力市场竞价风险分析

文章将GARCH-EVT-Copula组合模型应用于电力市场,以EVT刻画收益率的尾部分布,采用GARCH模型来度量电价资产收益率的波动性和异方差性,Copula函数反映电价现货市场与期货市场相关性,并以每天同点时刻数据建模,对现货与期货交易并存的北欧电力市场发电商竞价动态风险进行了实证分析。并应用Kupiec失败频率检验方法对竞价风险模型进行评估,分析表明:t-Copula连接函数能体现资产相关性,能更准确度量考虑期货的发电商动态竞价风险。     

基于极值理论的静态和动态风险度量模型的比较

文章运用极值理论建立了静态和动态的和风险度量模型.静态模型运用广义帕累托分布拟合收益率序列的尾部分布.动态模型首先运用AR(1)-GARCH(1,1)模型对收益率序列进行拟合,然后用广义帕累托分布对新息分布的尾部建模.采用上证综指和标准普尔500指数的对数收益率为样本,对静态和动态模型进行了比较研究.研究结果表明:对于VaR的度量,在置信水平较低时(如小于99%),静态风险度量模型更准确,在置信水平较高时,动态模型更好;对于ES的度量,动态模型具有通用性和优越性.     

基于Copula函数风险控制的贷款组合优化模型

文章运用Copula函数拟合贷款收益率联合分布函数,通过K-S检验选择最优Copula函数度量贷款间的违约相关性,建立基于Copula函数风险控制的贷款组合优化模型。优化模型避免了由极端事件发生引起贷款同时违约的高风险;解决了现有研究基于收益率服从正态分布假设存在低估风险的问题;解决了采用联合违约概率度量违约相关性时由于违约数据稀少而影响模型精度的问题。     

基于分数阶矩和分片Wasserstein距离的鲁棒风险度量优化模型

鲁棒风险度量优化是一类随机风险分析度量的重要问题,其对不确定分布信息的捕捉需依赖不完善的假设和估计,分布尾部的反映直接影响分布预测的精准性,尾部模型误差在实际风险管理决策中会造成严重的后果。文章以一种对尾部模型误差具有稳健性的方式建立鲁棒风险度量优化模型。在构造模型不确定集时,提出基于Wasserstein距离的分布估计方法,克服了已有参数分布无法反映真实分布尾部行为的限制。鉴于分数阶矩对分布尾部信息具有精准刻画的能力,在解析分布估计的基础上,建立分数阶矩约束的鲁棒风险度量模型。为优化Wasserstein距离忽略分布几何结构造成的尾部模型误差,基于纤维丛理论思想,提出分片Wasserstein距离解析约束的分片鲁棒风险度量模型。最后,通过规范数据进行仿真分析,数值实验结果显示,该模型能够精准量化突发性极端损失风险。     

金融数据多峰性的刻画：基于交易量加权的非参数估计

一、金融资产收益率的多峰性自从Granger&Orr(1972)指出时间序列存在尖峰、厚尾和长记忆性现象,国内外众多学者对比进行了实证研究。封建强和王福新(2001,2003)利用几种不同的分布函数来刻画收益率分布,并且利用Paretian分布和t分布来拟合沪深股市的收益率分布。但是,正如作者所指出,Paretian分布和t分布都不能很好描述收益率数据。其实,Kim D,Kon S(1994)早就指出用参数模型t分布或正态混合,虽然能描写高峰与厚尾,但是难于捕捉波动的时变性。依赖于二阶矩存在的ARCH类模型通常用来刻画收益率波动的集聚特性。如,陈敏、王国明、吴国富…     

Laplace分布参数估计的损失函数和风险函数的Bayes推断

文章给出了在共轭先验分布下,Laplace分布的参数估计的损失函数和风险函数的Bayes估计及其为保守估计的一般条件,说明了该条件的合理性;并用上证指数收益率数据作了实证分析。     

参数法、半参数法的动态VaR模型风险度量

文章采用参数法和半参数法,分别考虑标准化收益在GED、SGT、GPD分布下以及FSH方法下的GARCH模型、EGARCH模型和PGARCH模型的风险测度的准确性,据此组建了12种风险测度的动态VaR模型,并采用道琼斯股票市场指数和上证指数进行实证分析.对收益率进行基本统计分析发现两个股票市场的收益率都不服从一般的正态分布.运用后验测试的方法,对所有模型的样本外预测动态VaR值采用LR、LR.和DQ三种方法综合检验,并由损失函数值可以看出:GARCH模型的风险度量能力最弱,在置信水平99.5％下,EGARCH模型最准确,在置信水平95％下,PGARCH模型最准确;GED分布描述市场的准确程度相对最弱,在较高的置信水平下,半参数模型能更好地度量市场的风险,在较低的置信水平下,参数模型能更好地度量股票市场的风险.     

沪市VaR估计误差及其实证

风险价值是一种概率估计,造成风险价值的预测有误差.利用不同分布条件下VaR估计的置信区间来度量风险价值的预测误差,能使风险价值的估计更精确.对沪市周、月收益率进行实证研究,得出月收益率比周收益率的波动性大,参数法有高估风险的迹象.     

资产相关结构对投资组合风险测度的影响分析

文章从分析金融资产收益率的统计特征入手,以GARCH模型为基础,用非对称幂分布描述组合资产中各金融资产收益率的边缘分布函数,在多种Copula函数情形下计算组合资产的风险值VaR及ES。结果表明:基于由多元Clayton Copula和多元Gumbel Copula组成的混合Copula函数较好地刻画了多只股票的相关结构,而且ES比VaR能够较准确地估计组合资产的尾部风险。     

Downside-Risk风险度量方法研究

1Downside-Risk风险度量方法1.1LPM风险度量方法LPM(Lower Partial M om ents),指低端部分矩,是一种正在被人们关注的度量风险的方法。它认为只有收益低于目标值τ时,才发生风险,因此可以将低于τ的收益,取概率加权平均值度量风险。令R表示金融资产收益率,F(R)表示其分布函数。     

资产相关结构对投资组台风险测度的影响分析

文章从分析金融资产收益率的统计特征入手,以GARCH模型为基础.用非对称幂分布描述组合资产中各金融资产收益率的边缘分布函数,在多种Copula函数情形下计算组合资产的风险值VaR及ES.结果表明:基于由多元Clayton Copula和多元Gumbel Copula组成的混合Copula函数较好地刻画了多只股票的相关结构,而且ES比VaR能够较准确地估计组合资产的尾部风险.     

基于极值Copula的投资组合集成风险度量方法

 应用极值的阈值与峰值模型来度量单个资产的风险价值,用两种不同的方法度量了基于Copula函数的沪深指数收益率的相关结构,比较了不同Copula函数下基于沪深指数的二元投资组合集成风险值,结果说明：Gauss Copula函数对沪深指数收益率的相关结构拟合较好,阈值模型的极值Copula能较好的度量投资组合的集成风险值,在高置信度下（0.99以上）,基于Gumble Copula函数的上尾（正收益）集成风险值、基于Clayton Copula函数的下尾（负收益）集成风险值与真实值最为接近。直接加权的方法会高估投资组合的风险,假设沪深指数的收益率服从二元正态分布会低估风险。峰值法的集成风险值误差较大。     

金融资产投资组合的风险度量研究

文章在运用TGARCH模型过滤金融资产的波动时变性和杠杆效应之后,利用半参数GPD模型刻画了每一个资产标准残差的边际分布函数,并用Copula函数连接各个边际分布函数建立了联合分布函数。样本内、样本外检验结果表明:该模型能够较好地度量市场风险,可达到理想的风险管理效果。     

基于预测收益率的模糊投资组合优化模型

本文提出用预测收益率代替均值,在新的经济周期下投资者重视对偏离预测收益率的风险度量,更重视最新的样本数据;并通过建立模型来预测收益率,提出了新的风险度量函数,在此基础上建立了新的投资组合优化模型,解决了样本数目不足的投资组合优化问题.本文建立的模糊环境下的投资组合可以完全转变成线性规划求解,减少了协方差的计算量,使得处理大型证券组合优化问题成为可能.     

基于广义双曲线SV模型的极值风险度量研究

在金融风险的度量中,拟合分布的选取直接影响到风险度量的精度问题。针对金融收益序列的动态变化,在SV模型中引入广义双曲线学生偏t分布(SV-GHSKt)拟合金融收益序列的尖峰厚尾、不对称以及杠杆效应等特征,通过马尔科夫蒙特卡洛模拟的方法将收益率序列转化为标准残差序列,然后用极值理论的POT模型拟合标准残差序列尾部分布,进而建立一种新的金融风险度量模型———基于SV-GHSKt-POT的动态VaR模型。用该模型对上证综合指数做实证研究,结果表明,SV-GHSKt-POT的动态VaR模型能很好地模拟金融收益序列的尖峰厚尾性、波动集聚性及杠杆效应,并且能够合理有效地提高风险测度的精度,尤其在高的置信水平下表现更好。