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。     

基于支持向量机改进的VaR模型研究

传统计算VaR的方法主要有德尔塔-正态法,历史模拟法和蒙卡特罗模拟法,这三种方法在计算模拟中存在厚尾、非线性、估计误差大、计算复杂等缺点.本文使用一种新的通用的机器学习方法--支持向量机,改进了传统的VaR模拟方法,取得了良好的效果,对VaR的基础计算方法的扩展具有重大的意义.     

基于分位数回归的金融市场稳定性检验

本文立足于收益波动率的视角界定了金融市场稳定的内涵,提出了基于分位数回归的检验金融市场稳定的方法,并运用该方法对我国股票市场的稳定性做了实证分析。结果显示,上海股票市场从不稳定状态向稳定状态发展,特别是在美国次贷危机引发的全球金融危机之后较快地进入了稳定状态,该结论同时也通过了来自系统性冲击和波动率周期选取的稳健性检验,并且支持了我国政府应对全球性金融危机出台各项政策的积极效应和正面效应。     

基于分位数回归的经济增长与财政支出实证研究

本文从巴罗的经济增长理论入手,探讨了经济增长与资本、劳动和政府支出的三者之间的关系,得到关于政府支出最优规模模型。同时利用分位数回归方法进行实证研究,结果说明:不同的经济增长水平下,劳动数量对经济增长没有显著影响,重要的是实际财政支出规模均达不到最优规模。在此基础上,提出了一些政策建议。     

我国金融机构的系统性金融风险评估——基于极端分位数回归技术的风险度量

本文将极值理论引入到系统性金融风险度量中,通过极端分位数回归技术估计我国33家上市金融机构对金融系统整体的风险贡献,并识别出我国系统重要性金融机构。研究结果表明,我国金融机构的市场价值总资产收益率呈现明显的非正态分布特征,使用极端分位数回归技术可以更准确的度量尾部的风险联动性;银行类金融机构的系统性风险贡献水平最高且波动变化最大,系统性风险贡献排名前十的金融机构基本为银行类机构;证券类、保险类、信托类金融机构的风险贡献水平相对较低;通过与其他研究的对比发现,考虑到极端情形下的尾部风险联动性时,股份制商业银行对金融系统的风险贡献上升。本文的研究为系统重要性金融机构的宏观审慎监管提供了实证依据。     

基于MIDAS分位数回归的条件偏度组合投资决策

条件偏度是金融市场典型特征之一,忽略条件偏度的组合投资决策往往难以有效地分散金融风险。为此,本文构建了包含条件偏度的组合投资模型,并给出其建模方法。首先,运用MIDAS-QR模型,改善条件偏度测度效果;其次,基于CRRA效用函数,将组合投资权重设计为条件偏度和特征变量的线性组合,建立组合投资模型并给出求解方案;最后,从沪深300指数中选取10支代表性成分股进行实证研究,从收益、风险和Sharpe比率等方面,将包含条件偏度的组合投资模型与等权方案、均值-方差模型等进行比较,分析条件偏度在组合投资中的作用。实证结果表明：MIDAS-QR是测度条件偏度的有效方法,其测度结果受异常值影响小,表现稳定;条件偏度对组合投资决策具有显著影响,包含条件偏度的组合投资模型能够有效地降低投资风险、带来更高的风险调整收益。     

比例数据基于Tobit分位数回归模型的贝叶斯变量选择

针对家庭商业健康保险参保比例在[0,1]闭区间上取值的特点,本文基于Tobit模型给出了比例响应数据的贝叶斯分位数回归建模方法。通过引入回归系数的“Spike-and-slab”先验分布,应用EM算法我们提出了基于门限规则的贝叶斯变量选择方法。大量数值模拟研究验证了所提的贝叶斯变量选择方法的有效性,且具有易操作、计算量小等优点。最后,将此方法应用到家庭商业健康保险数据的实证分析,研究不同分位数水平下家庭健康保险参保比例的影响因素,得到了许多有意义的研究结果。     

基于动态面板数据分位数回归模型的福州市房价影响因素分析

房地产业作为基础性和先导性产业,对经济和社会的影响有着举足轻重的作用。因此,房价影响因素的探讨一直都是国内外的热点话题。该文在研究城市人口密度、家庭人均可支配收入以及利率对房价的影响机制的基础上,选取了福州市2010—2017年的样本数据,利用动态面板数据的分位数回归模型进行了实证分析。结果表明,家庭可支配人均收入和人口密度的增加对房价的正影响随着分位数的增加呈逐步上升的趋势,即福州房价上涨的主要因素是家庭人均可支配收入和城市人口密度,利率的变化并不是福州市房价变动的主导因素。     

基于CPFR的需求预测新方法——分位数回归预测法

本文引入计量经济学前沿预测研究方法-指数加权分位数回归预测,并建立需求预测模型.该模型通过直接预测销售序列的分位数,避免既存研究中基于假设的预测失误,使预测结果更加贴近需求模式的真实值.在此基础上建立基于CPFR的供应链系统成本模型,对比分析表明指数加权分位数回归方法的预测精度较高.     

基于虚拟变量分位点回归模型的条件VaR估计以及杠杆效应分析

已有成果在研究杠杆效应时大多数都是基于ARCH类模型,从波动率的角度进行分析的。本文应用分位点回归模型以及含有虚拟变量的分位点回归模型分析了"已实现"波动率条件下的CVaR,并尝试从市场风险的角度对杠杆效应进行分析。最后,对中国股票市场进行了实证研究,得到了"已实现"波动率条件下的CVaR估计,并从风险的角度证实了中国股市的市场风险存在杠杆效应。     

Inference on the Quantile Regression Process

Tests based on the quantile regression process can be formulated like the classical Kolmogorov–Smirnov and Cramér–von–Mises tests of goodness–of–fit employing the theory of Bessel processes as in Kiefer (1959). However, it is frequently desirable to formulate hypotheses involving unknown nuisance parameters, thereby jeopardizing the distribution free character of these tests. We characterize this situation as “the Durbin problem” since it was posed in Durbin (1973), for parametric empirical processes. In this paper we consider an approach to the Durbin problem involving a martingale transformation of the parametric empirical process suggested by Khmaladze (1981) and show that it can be adapted to a wide variety of inference problems involving the quantile regression process. In particular, we suggest new tests of the location shift and location–scale shift models that underlie much of classical econometric inference. The methods are illustrated with a reanalysis of data on unemployment durations from the Pennsylvania Reemployment Bonus Experiments. The Pennsylvania experiments, conducted in 1988–89, were designed to test the efficacy of cash bonuses paid for early reemployment in shortening the duration of insured unemployment spells.     

Nonparametric Instrumental Variables Estimation of a Quantile Regression Model

We consider nonparametric estimation of a regression function that is identified by requiring a specified quantile of the regression “error” conditional on an instrumental variable to be zero. The resulting estimating equation is a nonlinear integral equation of the first kind, which generates an ill‐posed inverse problem. The integral operator and distribution of the instrumental variable are unknown and must be estimated nonparametrically. We show that the estimator is mean‐square consistent, derive its rate of convergence in probability, and give conditions under which this rate is optimal in a minimax sense. The results of Monte Carlo experiments show that the estimator behaves well in finite samples.     

An IV Model of Quantile Treatment Effects

The ability of quantile regression models to characterize the heterogeneous impact of variables on different points of an outcome distribution makes them appealing in many economic applications. However, in observational studies, the variables of interest (e.g., education, prices) are often endogenous, making conventional quantile regression inconsistent and hence inappropriate for recovering the causal effects of these variables on the quantiles of economic outcomes. In order to address this problem, we develop a model of quantile treatment effects (QTE) in the presence of endogeneity and obtain conditions for identification of the QTE without functional form assumptions. The principal feature of the model is the imposition of conditions that restrict the evolution of ranks across treatment states. This feature allows us to overcome the endogeneity problem and recover the true QTE through the use of instrumental variables. The proposed model can also be equivalently viewed as a structural simultaneous equation model with nonadditive errors, where QTE can be interpreted as the structural quantile effects (SQE).     

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。