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。     

VaR-APARCH模型与证券投资风险量化分析

基本统计分析发现,上证综合指数回报率分布存在尖峰肥尾性,不服从正态分布,并且还具有杠杆效应。本文应用APARCH模型在三种分布假设下对上证综合指数通过事后模拟和条件单步预测来计算上证综合指数的VaR风险值,然后把它与应用GARCH模型的估计结果进行比较分析。通过返回检验,我们发现,APARCH应用于VaR估计是统计有效的,并且明显优于GARHC模型。     

基于VaR-EGARCH-GED模型的深圳股票市场波动性分析

本文应用模型EGARCH(1,1)-GED和GARCH(1,1)-N计算了深圳股票市场成份指数的日对数回报VaR值。通过后验测试和统计分析表明,对深圳成份指数的波动性分析,模型EGARCH(1,1)-GED优于GARCH(1,1)-N。在此分析结果基础上,文中进一步分析了深圳股票市场的系统性风险并提出了相关结论与政策建议。     

基于VaR-EGARCH-GED横型的深圳股票市场波动性分析

本文应用模型EGARCH(1,1)-GED和GARCH(1,1)-N计算了深圳股票市场成份指数的日对数回报VaR值.通过后验测试和统计分析表明,对深圳成份指数的波动性分析,模型EGARCH(1,1)-GED优于GARCH(1,1)-N.在此分析结果基础上,文中进一步分析了深圳股票市场的系统性风险并提出了相关结论与政策建议.     

典型事实约束下的上海燃油期货市场动态VaR测度研究

期货交易的高杠杆率意味着期货市场的高风险特征,而能源市场因其特殊的战略意义一直以来备受关注,因而对能源期货市场的风险测度对投资者和监管者都极其重要。本文对上海燃油期货构建了四个反映不同交割期限的连续价格序列,基于不同的金融市场典型事实分别运用GARCH、GJR、FIGARCH三个模型对波动率建模,并假设条件收益分别服从正态、学生t、有偏学生t(skst)分布进行动态风险价值(VaR)测度,然后运用严格的似然比(LR)检验和动态分位数回归(DQR)检验对风险测度的可靠性进行后验分析(Backtesting),尝试从中提取出在风险管理中最有应用价值的典型事实。研究发现:(1)基于skst分布的波动模型的动态风险测度准确性明显优于其他分布下的相同模型;(2)基于杠杆效应的GJR模型和基于长记忆性的FIGARCH模型并没有表现出比普通GARCH模型更高的精度;(3)远期合约的市场平均收益更高,风险测度比近期合约更准确。     

基于SKT-ARFIMA-HYGARCH-VaR模型的股票型基金投资风格漂移风险测度研究

投资风格漂移是把双刃剑,基金在获取短期超额收益的同时,其背后也折射出巨大的漂移风险。本文以2004年成立的8只开放式股票型基金为研究样本,在量化基金投资风格漂移收益及分析其序列呈尖峰、厚尾与有偏特征的基础上,通过引入skt分布来刻画新生变量的分布,构建ARFIMA-HYGARCH-VaR模型来测度基金投资风格漂移风险值,并与skt分布下的RiskMetrics及GARCH族等5种VaR模型的风险测度能力做了比较实证分析,同时对各种VaR模型进行失败频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,但ARFIMA-HYGARCH模型的VaR风险测度更加精确与稳定;Person吻合度检验也证实了skt分布能较好刻画投资风格漂移日收益序列的分布。本研究为控制较严重的投资风格漂移及规范基金产品创新设计与发行无疑具有重要的理论价值与现实意义。     

我国农产品期货市场的风险测度模型及其后验分析

近年来,我国农产品期货市场取得快速发展,但有关该市场波动特征和风险状况的研究却非常缺乏.以我国农产品期货市场中的4种代表性价格指数为例,首先对其价格变化统计特征及波动模式进行了全面深入的检验,然后运用严谨系统的后验分析(Backtesting analysis)方法,分别在多头和空头两种头寸状况以及5种不同分位数水平下,实证对比了8种风险测度模型对VaR (Value at Risk)和ES (Excepted shortfall)两种不同风险指标估计的精度差异.研究结果表明,我国农产品期货市场的价格波动不存在显著的杠杆效应(Leverage effect),但却具有明显的有偏(Skewed)和条件厚尾(Conditional fat-tail)特征.另外,在综合考虑了模型估计效率和风险测度精度后,基于有偏学生t分布的普通GARCH模型是一个相对合理的风险测度模型选择.     

矫偏条件波动及其在VaR估计中的应用——以一般正态VaR估计为例

反映金融市场条件波动时变性的模型都只是时资产真实数据生成过程的一种近似拟合,许多模型严格来说存在设定偏误,这样可能导致由它们所预测的条件波动相对真实值存在偏差.本文用一回归模型检验一般正态VaR估计中的简单平均方法估计的条件波动是否存在偏差,另一方面用它对这一条件波动估计值进行矫正,并以此为基础估计相应的VaR.通过对上证指数和深成指数1995-2005年日收益率数据的分析,我们发现,用简单平均方法对我国股市波动进行估计存在非常大的条件偏差,并发现波动矫偏后所预测的VaR值的准确性和有效性都明显提高.     

基于广义谱和MCS检验的VaR模型预测绩效评估

件VaR模型的正确设定检验等价于检验均值化的“撞击序列”是否服从鞅差分序列,然而通常的反馈检验方法只检验了该序列的部分性质。采用对该鞅差分性质进行直接检验的广义谱检验方法,全面考察中国股票市场(香港恒生指数、上证综合指数和台湾加权指数)上各参数、非参数和半参数共22个VaR模型在采用滚动窗口预测机制时的样本外预测绩效。鉴于条件VaR模型正确设定检验无法反映超过某VaR水平的尾部风险信息,为避免极端损失的发生以及增加结果的稳健性,同时采用模型置信集检验方法。研究结果表明,采用通常的反馈检验方法常会得出错误的结论;在1%和5%置信水平,与历史模拟法、极值理论模型、CAViaR模型和CARE模型相比,误差项为t分布的GARCH模型族在金融危机期间具有较好的样本外预测绩效;涨跌停板制度对于选取预测绩效最优的VaR模型具有重要影响。     

基于非参数与L-Moment估计的股市动态极值ES风险测度研究

通过运用带宽非参数方法、AR-GARCH模型对时间序列的条件均值、条件波动性进行建模估计出标准残差序列,再运用L-Moment与MLE(maximum Likelihood estimation)估计标准残差的尾部的GPD参数,进而运用实验方法测度出风险VaR(value at Risk)及ES(ExpectedShortfall),最后运用Back-Testing方法检验测度准确性。结果表明,基于带宽的非参数估计模型比GARCH簇模型在测度ES上具有更高的可靠性;基于非参数模型与L-Moment的风险测度模型能够有效测度沪深股市的动态VaR与ES。     

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。     

基于指数回归模型的中小企业板极端风险度量

中小企业板有着区别于沪深主板市场的风险特征.本文针对传统基于正态分布假设的VaR模型低估风险问题,运用极值POT模型研究中小企业板的极端风险,利用指数回归模型实现了POT模型中阈值的定量选取,避免了样本Hill图在选取阈值时存在的局限性.实证结果表明,POT模型对中小企业板极端风险的估计比正态分布更有效.研究还发现,传统基于正态分布的风险度量没有体现金融资产收益率的尖峰厚尾特征,同时存在低估风险和高估风险,但都很难通过LR统计量检验.因此,基于指数回归法的POT模型更能有效刻画中小企业板的极端风险.     

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.     

加权复合分位数回归方法在动态VaR风险度量中的应用

风险价值(VaR)因为简单直观,成为了当今国际上最主流的风险度量方法之一,而基于时间序列自回归(AR)模型来计算无条件风险度量值在实业界有广泛应用。本文基于分位数回归理论对AR模型提出了一个估计方法--加权复合分位数回归(WCQR)估计,该方法可以充分利用多个分位数信息提高参数估计的效率,并且对于不同的分位数回归赋予不同的权重,使得估计更加有效,文中给出了该估计的渐近正态性质。有限样本的数值模拟表明,当残差服从非正态分布时,WCQR估计的的统计性质接近于极大似然估计,而该估计是不需要知道残差分布的,因此,所提出的WCQR估计更加具有竞争力。此方法在预测资产收益的VaR动态风险时有较好的应用,我们将所提出的理论分析了我国九只封闭式基金,实证分析发现,结合WCQR方法求得的VaR风险与用非参数方法求得的VaR风险非常接近,而结合WCQR方法可以计算动态的VaR风险值和预测资产收益的VaR风险值。     

基于GARCH模型和SV模型的VaR 比较

简单介绍了VaR的含义及计算方法,指出推测市场因子的波动情况是计算VaR的关键.通过对比GARCH和SV模型,得出SV模型更能刻画金融市场的实际特征.将随机波动SV模型应用于VaR的计算,最后作实证研究.通过与GARCH模型下的结果对比,说明基于SV模型计算的VaR更具有动态性和准确性,VaR更贴切地反映了金融市场的风险水平.     

极值风险E—VaR及深圳成指实证研究

由于极端事件及政策性调整，中国股市出现了剧烈波动。鉴于当前各种VaR模型在较高置信水平时(≥0．99)会高估或低估VaR值，本文提出把E—VaR作为一种辅助的VaR度量方法．对新兴的中国股票市场进行风险调控与度量。通过POT方法建模与Boostrap模拟参数置信区间检验，深圳成指的实证结果表明，在极端市场条件下，E—VaR是令人满意的。     

基于GARCH模型和SV模型的VaR 比较

简单介绍了VaR 的含义及计算方法,指出推测市场因子的波动情况是计算VaR 的关 键. 通过对比GARCH 和SV 模型,得出SV 模型更能刻画金融市场的实际特征. 将随机波动SV 模型应用于VaR 的计算,最后作实证研究. 通过与GARCH 模型下的结果对比,说明基于SV 模 型计算的VaR 更具有动态性和准确性,VaR 更贴切地反映了金融市场的风险水平     

基于期权与高频数据信息的VaR度量研究

传统的市场风险度量模型没有充分利用期权与高频数据包含的信息,且主要基于单因子波动率模型,导致信息的损失以及模型缺乏足够的灵活性.本文基于灵活的双因子随机波动率模型,通过提取期权与高频数据包含的市场前瞻与当前信息,构建相应的市场风险度量波动率模型对在险值（VaR）进行度量.为了估计模型参数,建立基于连续粒子滤波的极大似然估计方法.采用iVX指数与已实现波动率测度（RV）作为上证50ETF期权与高频数据信息的代理,对构建的市场风险度量波动率模型进行了实证检验,结果表明：充分利用了期权与高频数据信息的双因子随机波动率模型能够在快速变化的市场环境中更好地估计波动率,相比其它波动率模型（仅利用了历史数据信息的GARCH模型、利用了高频数据信息的已实现GARCH模型以及利用了期权与高频数据信息的单因子随机波动率模型）具有更为优越的VaR度量精确性,尤其是极端风险情形下的VaR估计精确性改进明显,凸显了期权与高频数据信息以及双因子波动率在市场风险管理中的价值.     

基于标准残差的极值风险模型准确性研究

本文使用ARMA（1，1）与GARCH（1，1）、GJR（1，1）模型结合构造出标准残差序列，然后分别与条件EVT、条件正态分布、条件t分布和非条件EVT结合，形成8个风险测度模型，并分别用这些模型估计沪、深股市在置信水平为95％、97．5％、99％、99．5％的动态VaR（Value—at—Risk），然后用Kupiec（1995）和Christoffersen（1998）的返回测试（Back—testing）方法，判定沪、深股市对模型的准确性。研究结果表明，条件EVT风险模型能准确测度沪、深股市的风险。而非条件EVT模型缺乏准确性，对其它模型的准确性因置信水平不同而表现出差异性。在所有模型中，最能准确测度沪、深股市风险的模型分别是，置信水平为99．5％时的条件EVT—GARCH模型和置信水平为97．5％时的条件EVT—GJR模型。本文的研究结果为测度中国大陆沪、深股市风险在模型和置信水平的选择上提供了实证依据。     

金融资产的VaR和CVaR风险的优良估计

本文利用统计理论的优良点估计方法来估计金融市场风险的VaR和CVaR,既可避开现有方法中大量的模拟计算和参数估计等工作,又可提高估算精度.在资产-正态模型下,根据不同的风险估计要求,对金融资产的这两种风险分别提供了三种优良估计,即一致最小方差无偏估计,最佳线性次序统计量无偏估计,最佳线性次序统计量同变估计,并提供了实证分析.