基于SV-SGED模型的动态VaR测度研究

本文针对金融资产收益展现出“有偏”及“厚尾”分布特征,引入有偏广义误差分布（SGED）来描述资产收益,继而提出SV-SGED模型对资产收益波动率建模,并以此来测度动态风险值（VaR）,进而采用后验测试技术对风险测度模型的精确性进行检验。同时,为了估计SV模型的参数,提出基于有效重要性抽样（EIS）技巧的极大似然（ML）估计方法。最后,给出了基于上证综合指数的实证研究。结果表明,SV-SGED模型比正态分布假定下的SV（SV-N）和广义误差分布假定下的SV（SV-GED）模型具有更好的波动率描述能力,SV-SGED模型展现出比SV-N和SV-GED模型更优越的风险测度能力。     

基于g-h分布的投资组合VaR方法研究

根据g-h分布的统计特性,提出了基于投资组合损益、损失以及极端损失的三种g-hVaR方法。它们结合了分析方法、历史模拟方法和极值理论方法的优点,能够很好地处理回报的不对称现象和厚尾现象。实证研究表明,该方法明显优于常用的德尔塔-正态方法。     

利率跳跃扩散模型的理论估计与蒙特卡罗模拟检验

我国货币政策调控已基本实现由直接调控向间接调控的转变,对利率的形成机制产生重大的影响,因此传统的假设利率服从扩散过程的模型日益受到挑战。本文在将跳跃因子加入到CIR模型的基础上,提出了一种服从跳跃扩散过程的利率变化模型,并用最大似然估计法对模型中的参数进行了估计;在此基础上,对我国存贷款利率的变化过程进行了蒙特卡罗模拟检验。研究发现,加入跳跃扩散过程后,模型不但能更好地拟合实际数据,而且揭示了利率回复和水平效应的部分原因,从而增加了模型的解释能力。     

投资组合VaR及其分解

本文在简要介绍投资组合VaR的概念及计算方法后对组合VaR进行了具体的分解。在阐述了边际VaR、成分VaR和增量VaR之间相互关系的基础上给出了资产收益率为正态和非正态分布假设下这三种类型VaR的计算方法,从而为资产组合管理者提供了更多有关投资组合市场风险的信息。     

基于MCMC的金融市场风险VaR的估计

针对现有 Va R计算中主流方法的缺陷 ,创新性地提出了一种基于马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)模拟的 Va R计算方法 ,以克服传统 Monte Carlo模拟的高维、静态性缺陷 ,提高估算精度 .通过对美元国债的实证分析和计算 ,验证了 MCMC方法的优越性 .     

基于多元t-分布的外汇期权市场风险非线性VaR度量模型

主要研究当汇率回报呈多元t-分布时,对于外汇期权非线性头寸的VaR(Value at Risk)度量的问题.在推导出多个外汇期权的投资组合的二次近拟的矩母函数表达式基础上,本文使用傅里叶变换、切比雪夫不等式、数值转换计算求出投资组合的VaR的值,并和基于多元正态分布Comish-Fisher模型以及基于Delta-正态模型计算所得的VaR值了进行比较.这种方法克服了厚尾分布的VaR计算的困难.     

多元广义自回归条件密度建模及应用

广义自回归务件密度(GARCD)建模为描述金融资产收益的概率密度函数提供了一种工具,这对于全面、准确把握金融资产收益的动态行为具有重要的意义.在一元GARCD-JSU模型的基础上,提出了多元GARCD-JSU模型并给出其向量表示;利用动态条件相关设定,给出多元GARCD-JSU模型的简化表示;接着给出了模型参数的三阶段极大似然估计方法和诊断检验方法.最后,对中国股市进行了实证研究.     

基于Copula-AL法的VaR和CVaR的度量与分配

金融资产收益率的实际分布具有明显尖峰肥尾和不对称等特征,本文采用非对称拉普拉斯分布来刻画这些特征,结合Copula函数技术来描述资产间的相关性结构,研究了市场组合VaR和CVaR的度量和分配。选取上证指数和深圳成指的组合为例,计算了组合风险及其分配。结果表明,基于t-Copula-AL模型的VaR、CVaR法计算简单准确,且能方便地进行风险分配。     

中国证券市场股指收益分布的实证分析

利用1996年至2004年上证综合指数和深证综合指数数据,对股指收益的分布特性进行了多角度的实证考察.在正态性假设被拒绝以后,利用国际上考察股票收益分布所使用的几个分布函数——scaledt-分布、逻辑斯谛分布、指数幂分布、混合正态分布、ARCH-M模型、GARCH-M模型——对股指收益数据分别进行拟合,对拟合出来的分布函数运用拟合优度检验,并比较各种拟合分布下VaR值与历史模拟的差别.实证结果表明scaledt-分布能够较好地模拟股指收益,有助于投资者正确估计市场风险.此外,对正态分布、scaled-t分布与历史数据落在不同区间的概率进行了比较,以期能够判断用正态分布模拟股指收益对高收益和高损失的低估可能性的大小.     

基于似然估计的零售商库存鲁棒均值-风险模型

针对具有风险厌恶的零售商,建立了权衡期望利润和条件风险值（CVaR）的均值-风险库存优化模型,给出了离散需求分布不确定条件下能实现帕累托最优但具有较高保守性和非帕累托最优但具有较低保守性的两种鲁棒对应。针对不确定需求分布,在仅知历史需求样本数据情况下,应用统计推断理论构建了满足一定置信水平的基于似然估计的需求概率分布不确定集。在此基础上,运用拉格朗日对偶理论,将上述两种鲁棒对应模型转化为易于求解的凹优化问题,并证明了其与原问题的等价性。最后,针对实际案例进行了数值计算,分析了不同系统参数和样本规模对零售商最优库存决策及其运作绩效的影响,并给出了零售商期望利润和条件风险值两个目标权衡的帕累托有效前沿。结果表明,采用基于似然估计的鲁棒优化方法得到的零售商库存策略具有良好鲁棒性,能够有效抑制需求分布不确定性对零售商库存绩效的影响。而且,历史需求样本规模越大,鲁棒库存策略下的零售商运作绩效越接近最优情况。进一步,通过对比发现,两种鲁棒对应模型虽然保守性不同,但在最终库存策略上保持一致。     

沪深股市一般误差分布（GED）下的VaR计算

本文对深沪两市证券在条件回报服从一般误差分析(GED)的假定下,进行了VaR的计算.探讨了在实现VaR风险监管中如何采用适当的内部模型.本文采用了从历史数据模拟的经济分布到GED的转换方法,对GED形状参数υ进行了优化,与正态假定、和历史数据模拟(HS)的方法进行比较,并采用VC++编程,可以对任一上市证券快速地做出分析.     

风险价值方法及其实证研究

本文详细讨论了风险价值模型,并提出了两种新的计算方法即完全参数方法和半参数方法,它们本质上是历史模拟方法或参数方法和极值理论的结合运用。通过实证研究,表明该方法优于目前流行的RiskMetrics方法。     

具有VaR约束的跟踪误差投资组合鲁棒优化模型

本文在跟踪误差投资组合优化模型基础上,考虑投资组合的风险价值VaR和收益的不确定性,建立了具有VaR约束的跟踪误差投资合鲁棒优化模型。以国内证券市场为背景,运用线性矩阵不等式(LMI)方法进行了实证计算,并与基准组合、跟踪误差投资组合模型和无VaR约束的跟踪误差投资组合鲁棒模型的投资结果进行了比较。实证结果表明,在给定证券集的条件下,具有VaR约束的跟踪误差投资组合鲁棒优化模型优于其它模型。     

VaR之下厚尾分布的最优资产组合的收敛性

主要研究在VaR风险度量之下,收益具有厚尾性质的资产的投资组合问题.证明了基于尾部分布二阶展开的最优投资组合收敛于基于尾部分布一阶展开的最优投资组合.因此,对于VaR风险度量之下的最优投资组合问题,如果要求的风险承受水平充分低,则只需要利用尾部分布的一阶展开代替厚尾部分布进行近似计算,就可以达到满意的精度,从而不需要进行复杂的高阶运算.     

引入无风险证券的均值——VaR投资组合模型研究

本文根据Markowitz均值-方差模型的研究发展过程,结合机会约束模型,引入无风险证券,建立了用VaR代替方差作为风险度量指标的机会约束下均值———VaR投资组合模型,讨论了模型最优解的存在性和唯一性,并得到了模型最优解的解析表达式。     

基于EVT-BM-FIGARCH的动态VaR风险测度

对金融资产回报,用FIGARCH模型捕捉波动的异方差性和长期记忆性的同时,将回报序列转化为标准残差序列、通过用EVT-BM方法拟合标准残差的尾部分布来处理回报序列的厚尾性,建立了金融风险度量模型--基于EVT-BM-FIGARCH的动态VaR模型。并用该模型对上证综合指数进行实证分析,结果表明模型能够更精确、合理地度量上证综合指数回报的VaR风险。     

基于VaR的证券投资基金风险分析与投资策略研究

本文首先介绍了VaR的产生、特点和在证券投资基金风险管理中的运用,然后对证券投资基金面临的主要风险进行了描述,第三部分是实证分析,最后对我国投资者购买证券投资基金提出了一些投资策略.     

一种新的风险价值（VaR）计算方法及其应用研究

应用格列汶科定理对历史模拟法进行改进,以提高历史模拟法的计算准确性,并利用该方法来确定POT模型中的阈值,以此新方法计算金融市场的风险价值(VaR);然后运用上证指数进行了实证分析,得到了较好的结果。     

基于TDAR模型的VaR估计方法及应用

文献中, 在险值估计方法一般基于线性假设, 但是该假设在实际中很难满足,需要为此提出非线性的在险值估计方法。与以往传统模型一般假定变化发生在"时间"点上不同,门限双自回归 (TDAR)因状态空间的不同而建立不同模型来对非对称性、结构变点等非线性现象进行刻画,并同时允许均值和波动率过程的结构变化。本文首次基于TDAR建立TDAR-VaR方法,并对上证指数和香港恒生指数进行了实证研究和对杠杆效应进行了分析。实证分析发现TDAR-VaR较好地预测了市场风险。