分位数回归在风险管理中的应用

VaR已经成为金融风险度量的重要工具之一,近几年获得了重大的发展,计算VaR常用的方法主要有3种:历史模拟法HS(Historical Simulation)、方差-协方差法(Variance-Covariance Method)和蒙特卡罗模拟法MC(Monte CarloSimulation).分位数回归模型是针对解释变量的条件分位数来建模的,而资产组合的VaR实质上就是分位数,所以我们采用分位数回归模型来对VaR进行估计.     

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.     

基于非参数分位数方法对金融风险的研究

文章提出了使用非参数密度分位数方法来计算VaR模型.此方法完全由数据驱动,不需要设定新息项的分布,并同新息项服从正态分布、T分布和GED分布计算的VaR进行对比,得到了比较理想的结果,从而为金融风险研究提供了较有效的参考方法.     

分位数回归与上证综指VaR研究

把极端分位数所具有的行为特征应用到VaR的研究中，建立上海股市收益率的条件分位数回归模型，描述其在极端分位数下的变化趋势。同时选取适当的尾部模型，并在此基础之上应用外推法预测非常极端分位数下的条件VaR，并与直接由分位数回归模型预测的结果进行比较。结果表明：两种方法得到的结果变化趋势都是一致的，由外推法预测的结果相对小一些。     

基于杠杆效应SV模型和EGARCH模型VaR的比较

文章通过对比EGARCH和杠杆效应SV模型,发现杠杆效应SV模型更能刻画金融市场的实际特征。将杠杆效应的随机波动SV模型应用于VaR的计算,并作实证研究。通过与EGARCH模型下的结果对比,得到基于杠杆效应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.     

市场风险资产损失服从Pareto分布的VaR计量

目前VaR模型是测量和管理商业银行市场风险的主流方法.运用VaR的计算原理,利用Pareto分布描述风险资产损失的尖峰厚尾特征,得到市场风险资产VaR计算公式,并且分析了VaR的影响因素,最后利用历史数据进行VaR的实例计算.     

应用Bootstrap模拟技术的VaR计算与分析研究

比较估计VaR的方差一协方差方法、历史模拟法和MonteCarlo模拟方法，提出估计VaR的新模型和新方法。新模型把随机收益率分解成刻画收益率二阶矩特征的部分和刻画随机均值的正态部分。新方法使用Bootstrap模拟技术和MonteCarlo模拟技术计算VaR。实证分析表明，新方法计算的VaR在传统方法计算的VaR参考范围内。     

基于VAR的贷款利率市场化风险度量分析

文章通过构建VaR模型,运用蒙特卡罗方法对我国贷款利率市场化风险进行实证分析.由于贷款利率受多方面因素的影响,运用计量方法拟合贷款利率的回归模型.结果表明,政府可以根据计算出的不同置信水平下的VaR值来确定所采取措施,使得贷款利率市场化下的金融市场实现可持续发展,提高我国利率风险管理水平.     

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。     

基于连接函数的VaR的蒙特卡洛算法

文章分析了已有的VaR计算方法的不足,并利用阿基米德连接函数给出了改进计算VaR的蒙特卡洛算法.     

一种改进的非参数方法对金融价值风险的估计

文章对利用波动率计算价值风险VaR的方法进行了改进,提出了非参数波动率结合非参数条件核密度条件分位数方法来计算VaR,此非参数方法克服了模型误设的问题,不受波动率模型具体形式的限制,不受新息项分布函数的限制,是一种稳健的适应性方法.同时将此方法应用到中小板综指与创业版指进行实证分析,与相应的半参数及参数方法进行比较,发现文中提出的方法在某种程度上比较稳定可靠.     

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.     

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.     

双曲分布在VaR模型中的应用

传统的计算VaR的RiskMetrics方法不能对市场风险分布的“厚尾”现象给出较为满意的刻画和计算。本文将双曲分布应用到VaR模型的计算之中。事实上,通过对股票市场的实证研究表明,股票市场数据呈现厚尾现象,用双曲分布对数据的拟合要比RiskMetrics方法假定的正态分布更符合金融数据的实际情况,故本文的结论与方法对金融市场的风险管理是有价值的。     

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。     

股市收益率的风险测量——基于参数与非参数GARCH技术的动态VaR计算

风险管理的基础和核心是对风险的定量分析和评估,即风险测量。VaR方法由于其明确的的经济含义及易操作性,已成为金融机构进行风险管理的一种主流方法。本文基于参数GARCH和非参数GARCH技术计算股市收益率的VaR,并对二者进行比较。通过实证分析得出以下结论:上海股市收益率序列有强烈的GARCH效应,基于非参数GARCH技术得到的VaR在给定的显著性水平下更能有效地度量股市的风险。     

利用Bootstrap与核密度估计的方法计算VaR

根据历史数据估计收益率的分布来计算VaR是一种常用的方法.然而,过多的历史数据所构成的时间序列可能不独立同分布.文章选择离预测时间较近且相对较少的历史数据,使其通过BDS检验,再对其进行Bootsrap抽样,得到足够的样本,选择适当的核密度分布函数,从而算出VaR.经比较发现,这种方法算出的VaR比传统方法更准确.     

基于Factor-GARCH模型的动态VaR与CVaR度量及实证研究

动态CVaR作为投资组合的风险度量工具较动态VaR有很多优点,但同动态VaR的计算一样,随着投资组合资产数量的增加,计算难度迅速增大。通过改良Factor-GARCH模型,将其用于多种资产时变方差-协方差矩阵的估计,实现了降维的目的,克服了计算多元动态CVaR时的困难。实证研究表明,与动态VaR相比,动态CVaR作为一种更保守的风险度量工具,能准确反映投资组合的可能损失。