基于GARCH模型的上证综合指数VaR计算

文章针对用参数法计算VaR时所存在的局限性,探讨了用GARCH模型计算VaR的新方法.并以我国上证综合指数为例,说明新方法计算VaR的基本思路以及对计算出的每日VaR如何进行事后检验.     

基于RiskMetrics模型的单个期货合约保证金比例设计

为了规避价格波动风险,期货交易所应该采取动态保证金设置方式。本文对单个期货合约的日收益序列建立了基于RiskMetrics的VaR模型,用滚动样本预测下一交易日的VaR值,而LR检验表明所建立的VaR模型能较好地测度价格波动风险。因此,下一交易日保证金比例可以设置为预测的VaR值和所规定的涨跌停板率的最小值,这样就能以相应的概率抵御该交易日价格波动带来的风险。     

中国股市的风险度量研究

本文从沪、深股指收益率的基本统计特征入手,用GARCH-GED模型和核估计模型分别估计了其VaR值,并对模型本身及其估计的VaR进行了较为严格的检验.结论显示GARCHGED模型能够反应股市的短期动态特征,而核估计模型估计的VaR反应了股市风险的长期特征,两个模型相互补充.     

基于随机模拟与g-h分布的VaR计算方法

在金融风险管理中经常需要对极端值进行统计分析,对变量极端值的分布拟合中g-h分布模拟法可以取得较好的效果.但该方法中参数的拟合一般是用分位数进行的,虽然很简便,却很难做到使四阶矩同时与目标分布一致.改进后的基于随机模拟的g-h分布参数拟合法已经被证明可以很好的解决这一问题.文章将这种改进后的方法用于VaR的计算研究,并通过对股票市场进行实证分析,证明该方法的对VaR的拟合效果优于历史模拟法、正态分布法,且比极值理论法更加方便、灵活和准确.     

VaR方法在银行贷款风险评估中的应用

一、引言自从1993年国际清算银行(BIS)宣布为抵补市场风险而引入资本需求量以来,风险价值计量模型有了很大的发展。1995年BIS对它的市场风险监管计划进行了修正,允许一些银行在计算它们所面临的市场风险暴露值时可以采用自己的内部模型,不必一定使用管理当局推荐的标准模型,从而大大促进了内部 VaR模型的发展。欧洲(1997)与美国(1998)的一些大银行已经开始用它们自己的内部模型来计算贷款风险VaR暴露值,求出抵补市场风险所需的资本需求量。为此,本文拟探讨银行不流通贷款VaR暴露值的计算方法,并将贷款风险VaR暴露值同按8%的资本充…     

样本数据正态性转换时变VaR

虽然摒弃估测VaR值的正态分布假设已成为当今金融学研究的一个重要方面及其热点问题,但利用正态性转换先处理样本数据,然后再利用基于正态分布假定下的VaR估测方法来修正VaR的估值则是精准化VaR计算的一条有效途径。本文试图在考虑收益率分布时变性特征的情况下,利用正态性转换处理样本数据这一思想来细化和改善我国证券市场不同运行阶段的VaR估测。相应的经验分析表明：我国证券市场收益率分布不仅存在时变性特征,而且牛熊市期间的VaR值存在显著的差异。Johnson转换函数之SU型适宜作为样本数据正态性转换函数,经转换样本数据估测的VaR值既提高了VaR估值的准确性,又改善了VaR估测精细化的有效性。     

股权分置改革前后市场风险价值的变化

随着股权分置改革进程的顺利接近尾声,股改对股市的影响日益显现出来.文章以具有代表性的50家股改公司为研究样本,运用条件异方差模型和Comlsh-Fisher方法计算出每只股票股改前后的市场风险价值(VaR),然后用曼-惠特尼(Mann-Whitney)检验和平方秩检验两种非参数方法对股改前后的VaR值进行比较分析.实证分析发现,股改后的VaR值不但有上升的趋势,而且其波动性也变大了.     

基于拟蒙特卡罗方法的可转债VaR和ES风险度量

文章通过使用随机Faure序列和方差减小技术并结合Moro算法,提出了基于Faure序列和Moro算法的拟蒙特卡罗(FMQMC)方法。基于该方法,给出了中国可转债的风险值VaR和ES的度量模型。最后,选取了燕京可转债进行了实证分析,从可转债的VaR和ES估计值、方差以及计算效率几个方面将该方法与普通蒙特卡罗方法(PMC)进行了比较,结果显示FMQMC方法在计算燕京可转债的风险值VaR和ES时不仅方差更小,计算效率更高,而且其估计值也更加接近实际损失。     

基于核密度估计对VaR值计算方法的改进

文章从VaR方法的定义出发,首先对VaR值的两种基本计算方法进行阐述,进而基于核密度估计,提出一种改进的VaR值计算方法.该改进方法将蒙特卡罗模拟法引入到核密度估计规则,并且考虑四分位距来构造核密度估计的窗宽,对股市收益率的变异性以及高峰厚尾现象进行了更好地刻画.实证验证了改进的VaR值计算方法的有效性及优越性.     

VaR的不同计算方法的研究

风险价值(VaR)是近年来金融机构广泛运用的风险度量指标。文章研究了VaR的各种计算方法,并利用实际数据对单个资产和投资组合的VaR值作了比较,说明了各种方法的优缺点和适用范围。     

VaR方法在我国证券市场中的应用

一、VaR方法的基本原理 VaR(Value at Risk)按字面上理解是"按风险估价",VaR方法的创始人P.Jorion的定义为:"VaR是给定的置信水平和目标时段下预期的最大损失",通俗地说,VaR是一个统计数值,指一家机构面临正常的市场波动时,资产组合在未来某段时间内可能受到的最大损失,即损失超过VaR值的概率为一个很小的值.     

基于贝叶斯MCMC方法的VaR估计

文章运用极值理论对VaR估计通常是用极大似然估计法,研究了利用BayesMCMC方法来估计极值理论中POT模型的参数,从而求得VaR。文章首先阐述对样本值建立POT模型,给出常用的阈值选取方法;然后使用MCMC方法中的Gibbs抽样对参数进行估计;最后利用上证综合指数对其进行了实证分析,验证了Bayes方法的有效性。     

考虑非线性交易费用的CVaR优化模型及实证

文章在考虑非线性交易费用情形下构建M-CVaR模型,并利用滤波历史模拟法生成收益率情景数据,用二次函数近似实际的交易费用函数,通过分支界定算法对M-CVaR组合选择模型进行实证分析.研究发现,交易费用的存在会减少投资组合的收益,在给定的收益水平下,VaR是小于CVaR的,随着风险的增大,CVaR和VaR差会变小.随着置信度的增大,无论是VaR还是CVaR值都会增大.     

基于Buhlmann信度理论的投资组合VAR度量

随着VaR体系的不断改进,其也被被越来越多的监管机构和金融机构用作风险管理工具.文章将Buhlmann信度理论引入VaR体系中,将Buhlmann信度方法融入VaR历史模拟法中,通过实证分析得到该方法可以较大幅度的减小VaR值的计算误差,优化计算结果.     

投资组合动态VaR风险度量

投资组合的VaR风险度量依赖于投资组合中金融资产间联合分布函数的确定，随着投资组合规模的扩大，其VaR的计算难度也不断加大。利用ICA可以将多元联合概率分布函数转化为一元概率分布函数乘积实现简化计算的特点，基于ICA的投资组合动态VaR风险度量方法和计算步骤，克服了多元非正态条件下VaR测算上的困难。实证研究表明，与EWMA模型法、MGARCH模型法相比，ICA法能够准确地度量投资组合动态VaR。     

中国股市动态VaR计量模型分析

风险测量是现代金融活动的中心。近年来,新兴的VaR测量方法已成为国际上风险管理的主流方法。文章介绍了利用GARCH模型的VaR计算方法,并比较了基于不同分布假设的4种GARCH模型计算的VaR值,并得出以下结论:证券市场收益率具有强烈的GARCH效应和非正态分布性;基于GARCH-T的VaR估计值在给定的显著性水平下能够有效地度量金融资产的风险。     

VaR-GARCH类模型在股市风险度量中的比较研究

金融市场风险管理的核心是对风险的度量,度量风险最流行的方法是VaR方法。文章选取1998年1月5日～2006年11月6日的上证综指日收盘价指数共计2129个数据实证分析了GARCH、EGARCH、TARCH和PARCH四种模型在正态分布、t分布以及GED分布下预测的VaR值的准确程度。实证分析结果表明,正态分布下估计的VaR值在靠近左尾时存在低估现象;与正态分布和t分布相比,GED分布能较好地反映股市收益率回报序列的厚尾特征,使用GARCH类模型预测VaR值时,E-GARCH和PARCH模型要优于其他模型。     

基于金融高频数据的VaR研究

选取具有良好统计性质的金融波动率估计量来构建VaR,,可以使市场风险的度量更为准确.高频数据由于比低频数据包含了更多的市场信息,因此基于高频数据的金融波动率估计量更为准确.但是基于高频数据的波动率估计量为数众多,目前仅有对各个估计量本身性质的比较研究,在应用于VaR的研究中如何选取估计量使得VaR的计算更为准确则不得而知.因此,文章选取了高频数据下的若干个有代表性的金融波动率估计量,进行VaR值的计算,并对其结果进行了比较研究,同时进行了持续性分析.通过实证研究表明V2R序列具有持续性,其中由赋权"已实现"双幂次变差计算所得的VaR值更准确,从而为VaR的精确计算和正确建模提供了依据.     

基于DDMRS-GARCH的VaR模型及其在上海股票市场的实证研究

本文提出了基于DDMRS-GARCH模型的VaR方法,并对中国上海股票市场的风险进行了实证分析,证明考虑了金融波动的结构变化的DDMRS-GARCH模型能够更好的刻画上海股票市场的波动特征,基于DDMRS-GARCH模型计算VaR值更加有效。     

基于Pearson Ⅳ分布的VaR与CVaR估计

基于GARCH模型,用Pearson Ⅳ分布拟合标准残差,给出一种更为精确的VaR和CVaR计算方法.重点研究在Norm-GARCH、t-GARCH与GED-GARCH模型下,用原分布和Pearson Ⅳ分布计算VaR的比较,结果表明,用Pearson Ⅳ分布计算VaR都能得到比原分布更小的失败率,且在三种模型之下用Pearson Ⅳ分布计算VaR结果很接近,都能通过检验,所以选择最简单的Norm-GARCH模型就可以;基于此,研究在Norm-GARCH模型下,用正态分布和Pearson Ⅳ分布计算CVaR,并与VaR进行比较,结果表明,用Pearson Ⅳ分布计算VaR和CVaR的失败率都远远小于由正态分布所得到的失败率,特别在VaR估计失效的交易日里,用Pearson Ⅳ分布得到的CVaR均值与实际损失均值非常接近.因此,Pearson Ⅳ分布能很好地刻画金融数据的特征,相对其他分布而言是一个很好的选择.