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VaR的我国商业银行信用风险管理

一、VaR的含义VaR可以比较全面地衡量各种金融市场风险,并能提高传统金融风险管理工具的敏感性和波动性分析的精确度,因而得到国际金融界的广泛认可。V aR的定义是:在正常的市场条件下,一定持有期Δt和一定置信水平α下,某种投资组合P可能的最大损失,用数学公式表示为:Prob(ΔP     

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.     

基于重尾分布的商业银行市场风险VaR计量研究

文章运用具有重尾特征的Weibull分布来描述商业银行风险资产的损失率,根据VaR的计算原理,得到了市场风险VaR的明确计算公式.并且对VaR的影响因素进行敏感性分析,找到了VaR与置信水平和风险资产损失率的尾部之闻的关系.最后结合损失率的历史数据,给出了VaR的计算实例.     

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.     

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.     

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     

参数法、半参数法的动态VaR模型风险度量

文章采用参数法和半参数法,分别考虑标准化收益在GED、SGT、GPD分布下以及FSH方法下的GARCH模型、EGARCH模型和PGARCH模型的风险测度的准确性,据此组建了12种风险测度的动态VaR模型,并采用道琼斯股票市场指数和上证指数进行实证分析.对收益率进行基本统计分析发现两个股票市场的收益率都不服从一般的正态分布.运用后验测试的方法,对所有模型的样本外预测动态VaR值采用LR、LR.和DQ三种方法综合检验,并由损失函数值可以看出:GARCH模型的风险度量能力最弱,在置信水平99.5％下,EGARCH模型最准确,在置信水平95％下,PGARCH模型最准确;GED分布描述市场的准确程度相对最弱,在较高的置信水平下,半参数模型能更好地度量市场的风险,在较低的置信水平下,参数模型能更好地度量股票市场的风险.     

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.     

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。     

投资组合的动态VaR度量及实证分析

一、引言 VaR(Value at Risk)自从面世以来已经成为金融市场风险管理最重要的方法.对于VaR的计算,最基本的、最常用的方法有三种:历史模拟法、蒙特卡罗模拟法和方差-协方差方法.在方差-协方差方法中,最根本的就是计算出金融资产的方差或协方差.     

中国股市股票组合的正态性检验

在许多金融问题中,假定资产的行为服从正态分布.这种假定给理论分析和实际应用带来很大方便.例如,有名的Black-Scholes期权定价公式便是在股票收益率服从正态分布的假定下推导出来并且加以应用的.又如,在VaR的应用中,如果现金流或其收益率服从正态分布,就可在一定的置信水平下,很容易地计算出VaR的数值.因此,一个经济变量是否服从正态分布就十分重要了.本文正是出于这一考虑研究我国股市股票行为的.除了对1072支股票的收益率逐一进行正态性检验外,还对120个最小方差股票组合作正态性检验.实验结果表明股票组合的正态性比单个股票有明显的改进.     

基于极值理论的静态和动态风险度量模型的比较

文章运用极值理论建立了静态和动态的和风险度量模型.静态模型运用广义帕累托分布拟合收益率序列的尾部分布.动态模型首先运用AR(1)-GARCH(1,1)模型对收益率序列进行拟合,然后用广义帕累托分布对新息分布的尾部建模.采用上证综指和标准普尔500指数的对数收益率为样本,对静态和动态模型进行了比较研究.研究结果表明:对于VaR的度量,在置信水平较低时(如小于99%),静态风险度量模型更准确,在置信水平较高时,动态模型更好;对于ES的度量,动态模型具有通用性和优越性.     

非对称分布置信区间的分析

一、引言在区间估计中,当随机变量服从χ2分布或F分布等这些概率密度曲线不对称的分布时,在给定置信水平为1-α时,可选择a,b使得     

基于流动性调整的期望损失研究

与传统VaR方法相比,期望损失是一致风险测度,满足次可加性,但忽视了资产的流动性风险.流动性调整在险损失虽然考虑了流动性,但传统VaR方法的不足限制了La-VaR的实际应用范围和效果.鉴于此,基于相对半价差,文章研究了如何将流动性引入期望损失,得到带有流动性调整因素的期望损失模型.并给出了计算La-ES的仿真算法.实证分析表明,一致性风险测度LaES既能够覆盖大部分极端风险,又表现的不太保守,是一种较好的风险度量工具.     

比特币市场风险测度的实证研究

文章通过实证分析提出比特币市场价格风险测度体系,从比特币收益率序列的分布、波动性以及是否存在杠杆效应方面着手,在t分布和GED分布假设下,建立Garch(1,1)模型、Egarch(1,1)模型、Tarch(1,1)模型和Parch(1,1)模型,选择合适的模型估算99％和95％置信水平下的比特币风险的VaR值,并采用Kupiec方法对VaR模型进行了返回检验.结果显示,比特币市场价格波动剧烈,具有尖峰后尾特征,不存在杠杆效应,而GED分布的Garch模型是计算比特币市场风险的最合适模型.     

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.