厚尾分布情形下的信用资产组合风险度量

本文研究风险因子多元厚尾分布情形下的信用资产组合风险度量问题.用多元t-Copula分布来描述标的资产收益率分布的厚尾性,同时将三步重要抽样技术发展到基多元t-Copula分布的资产组合模型中,拓宽和丰富了信用资产组合风险度量模型.同时,并运用了非线性优化技术中的Levenberg-Marquardt算法来解决重要抽样技术中风险因子期望向量估计.模拟结果表明该算法比普通Monte Carlo模拟法的计算效率更有效,且能很大程度上减少所要估计的损失概率的方差,从而更精确地估计出信用投资组合损失分布的尾部概率或给定置信度下组合VaR值.     

混合泊松违约强度下信用资产组合风险度量

基于共同风险因子的相依关系转换为不同资产的违约示性函数的相依关系来刻画的思想,利用参数为Gamma分布线性组合的Poisson分布来描述不同资产的违约示性函数的相依关系,建立基于混合泊松分布的信用资产组合多因子的风险度量模型,并引入重要抽样技术到模型进行有效数值模拟计算,拓宽和丰富信用资产组合风险度量模型.进一步地,结合中国金融市场四个产业的数据把混合泊松分布应用到实证研究中.在模型的构建过程中,首先运用经典的结构模型和期权定价公式估计单个债务人的动态违约概率;再利用单资产动态违约概率得到混合泊松模型下每个资产的动态泊松强度;接着结合共同风险因子的值求得资产不同的因子载荷系数,该因子载荷系数反映了不同资产间的相依结构程度;最后,把重要抽样技术发展到混合泊松模型中,对由不同产业组成的信用资产组合的损失分布进行有效Monte Carlo模拟.模拟结果表明该算法比普通Monte Carlo模拟法的计算效率更有效,且能很大程度上减少所要估计的损失概率的方差.     

基于投影降维技术的期权组合非线性VaR模型

高维期权组合VaR值的计算时间和计算工作量随着市场风险因子维数的增加而迅速增加.为此,引入投影降维技术,用少数几个风险因子来解释高维期权组合总的风险,并结合快速卷积方法,建立了基于投影降维技术的市场风险因子呈厚尾分布情形下的期权组合非线性VaR模型,达到减少计算时间和计算工作量的目的,同时期权组合价值变化的信息又没有太大的损失.数值结果表明,投影降维技术能够达到与快速卷积方法、Monte-Carlo方法差不多的估算精度,而计算效率明显优于快速卷积方法、Monte-Carlo方法,计算时间和计算工作量明显减少.     

基于多元t-分布的外汇期权市场风险非线性VaR度量模型

主要研究当汇率回报呈多元t-分布时,对于外汇期权非线性头寸的VaR(Value at Risk)度量的问题.在推导出多个外汇期权的投资组合的二次近拟的矩母函数表达式基础上,本文使用傅里叶变换、切比雪夫不等式、数值转换计算求出投资组合的VaR的值,并和基于多元正态分布Comish-Fisher模型以及基于Delta-正态模型计算所得的VaR值了进行比较.这种方法克服了厚尾分布的VaR计算的困难.     

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.     

我国上市公司配股价格与二级市场VaR关系的实证分析

(一)引言在险价值VaR(Value-at-Risk)是近年来国外兴起的一种金融市场风险管理工具,旨在估计给定金融产品或组合在未来资产价格波动下可能的或潜在的损失。它是在市场正常波动情况下对证券组合可能损失的一种统计预测。根据P.Jorion的权威定义,VaR是在一定的概率水平(置信度)下     

基于Copula-SV-GPD模型的投资组合风险度量

对于多元金融资产组合,针对资产收益的厚尾性、波动的异方差性及资产间的非线性相关结构等特征,采用SV-t模型与极值理论结合刻画单个资产收益的波动性及尾部分布特征,应用Copula函数处理多元资产间的相关性,并结合Monte Carlo模拟对投资组合进行风险测度.通过对华安创新基金的实证分析结果表明,基于SV-GPD的边缘分布模型能有效地刻画金融资产收益时序并较为精确地处理资产收益尾部的异常变化,相比其他风险度量模型具有更好的优越性,基于Copula-SV-GPD模型的多元资产组合对风险测度能力更强,能有效地管理投资风险.     

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.     

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。     

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.