运用GARCH族模型在不同分布下对深证综指的VaR分析

一、VaR方法和GARCH族模型(一)VaR方法简介按照PhilippeJorion的经典定义,VaR是在一定的置信水平下和一定的目标期间内,预期的最大损失。用公式表示就是:Prob(△P相似文献   

基于稳定分布下股票收益率的VaR

一、稳定分布下的VaR模型的提出 VaR(Value at Risk)按字面意思就是风险中的价值,它是指在市场正常波动的情形下某一金融资产或证券组合的最大可能的损失.更为确切的是指,在一定的概率水平下(置信度)下某一金融资产或证券组合的最大可能的损失.其数学表达式为:Prob(△P＜VaR)=α其中,Ap为证券组合在持有其△t内的损失;VaR为置信水平α下风险中的价值.     

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.     

基于极值理论的股票VaR和ES测度

近年来VaR(Value at Risk)和ES(Expected Shortfall)已经成为金融界普遍接受并逐渐广泛应用的风险测度方法.VaR可以定义为:一定的概率水平下,证券组合在未来特定一段时间内的最大可能损失.VaR的优点在于将不同的市场因子、不同市场的风险集成为一个数,较准确测量由不同风险来源及其相互作用而产生的潜在损失,适应了金融市场发展的动态性、复杂性和整合性的趋势.但VaR本身仍存在一些不足,一是没有考虑到尾部风险,即损失超过VaR值的风险;其次,不是一致的风险度量工具.Artzner(1997)提出了Expected Shortfall (ES)的概念,ES度量损失超过VaR的损失期望值,它是一致的风险度量工具.     

基于参数分布VaR的中间业务组合风险分析

一、参数分布的VaR法 VaR(Value at Risk)作为一种新的风险管理方法,近年来得到了全世界各主要银行、投资公司、企业及金融监管机构的广泛认可和支持.VaR是指在给定的置信水平(1-α)和目标时段下预期的最大可能的损失(或最坏情况下的损失),即Prob(△P＞VaR)=1-α.它不仅可以用来评估和管理个别资产或资产组合的风险,还可以将其纳入到金融机构进行审慎性监管的框架之中.估算VaR,需要考虑基本时间段长度和置信水平.     

基于DCC—MVGARCH模型的证券组合VaR测度与拓展模型

运用多元的DOC-MVGARCH模型方法对股票投资组合进行VaR测度,并与J.P.Morgan银行采用的IGARCH模型计算结果进行对比.结果表明,在测度VaR方面,无论在1%或是5%置信水平下,DCC-MVGARCH模型均优于单变量IGARCH模型.以DCC-MVGARCH模型测度的VaR为基础,把峰度、流动性风险因素纳入VaR模型框架后,发现拓展后的VaR模型预测风险能力显著增强,在所有拓展模型中,同时考虑了内生性、外生性流动性风险的LAVaR3模型表现最优.     

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。     

静态条件下的银行资本优化模型

本文从银行清偿力分析入手,建立了静态条件下基于VaR的银行资本优化模型,该模型虑及了银行的交易费用、银行经营策略和风险偏好对银行资本管理的影响.模型分析表明,银行管理部门在一定的风险期限内设置的置信水平在严格的银行模型假设条件下,基于VaR的最佳银行资本要求依赖于银行的资产负债政策和市场因素.     

投资组合选择的均值-风险价值模型研究

文章以风险价值(Value at risk,VaR)作为风险度量,建立了投资组合选择的均值-风险价值模型.在资产收益率服从联合正态分布的假设下,研究了置信水平对最优组合和有效边缘的影响,同时分析了持有期对它们的影响,给出了全局最小VaR组合存在时置信水平和持有期的阈值,从而得到了有效边缘存在的条件.进一步研究了全局最小VaR组合与全局最小方差组合的关系,结果表明如果全局最小VaR组合存在,则一定位于均值-方差有效边缘上,且位于全局最小方差组合的上方.     

BMM模型在商业银行操作风险度量中的应用

文章利用极值理论中的BMM模型对商业银行操作风险损失极端值分布进行估计,采用广义极值分布构建VaR模型,组建极值数据组,运用极大似然估计法估计两个参数,进而计算操作风险损失VaR。最后结合我国商业银行1994~2008年的220个操作风险损失数据进行实证研究,结果显示BMM模型具有超越样本的估计能力,在数据较少条件下能得到较准确结果,用其度量商业银行的操作风险损失VaR是合理的,这为我国商业银行操作风险度量和管理提供一定的量化依据。     

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。     

一致性风险测度下的VaR和CVaR对比研究

文章在一致性风险测度理论和谱风险测度理论下比较了vaR与CVaR性质的优劣,得出CVaR在性质上优于VaR的结论.同时也指出VaR在损益满足椭圆分布时具有CVaR同样的性质,因此VaR仍然可以描述尾部风险.此外,文章还进一步地探讨了在实际应用中VaR和CVaR的监管问题.     

基于Coupla函数的IPO定价研究

文章通过分析我国公司IPO最常用的理论定价方法,结合我国股票市场的特殊性,以行业平均市盈率为基础,在定价的过程中,引入VaR(Value at risk)理论,并结合Copula函数和Monte carlo模拟计算可比公司VaR;在公司IPO的理论定价模型中,参考可比公司VaR值,对理论模型进行了一定程度的改进。     

资产相对价值的VaR和CVaR风险

1VaR和CVaR简介本节将先给出原有的V aR和CVaR的定义,再引出风险资产相对价值这种非负指标的VaR和CVaR的新定义,然后两相比较说明新定义的合理性,最后给出了新定义下两种风险的性质。在现有介绍VaR和CV aR的文献中,我们了解到风险资产的VaR和CV aR可以从收益和损失两方面来定义     

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.     

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。     

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。     

偏态t分布下FIGARCH模型的动态VaR计算

针对金融时间序列多是有偏分布和"长记忆性"的特征,讨论偏态t分布下分数维GARCH模型的动态VaR测算问题.在分析正态分布、学生t分布、广义误差分布下和偏态t分布的基础上估计模型参数,得出了动态VaR,并进行了失败率检验.实证结果表明:基于偏态t分布下的FIGARCH模型测算的动态VaR值克服了其他分布假设上的不足,能够较好地反映金融收益率的实际风险,并在该分布下的Pearson吻合度检验也证实了模型分布选择的正确性.     

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。     

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.