VaR-GARCH类模型在股市风险度量中的比较研究

金融市场风险管理的核心是对风险的度量,度量风险最流行的方法是VaR方法。文章选取1998年1月5日～2006年11月6日的上证综指日收盘价指数共计2129个数据实证分析了GARCH、EGARCH、TARCH和PARCH四种模型在正态分布、t分布以及GED分布下预测的VaR值的准确程度。实证分析结果表明,正态分布下估计的VaR值在靠近左尾时存在低估现象;与正态分布和t分布相比,GED分布能较好地反映股市收益率回报序列的厚尾特征,使用GARCH类模型预测VaR值时,E-GARCH和PARCH模型要优于其他模型。     

上证综合指数VaR度量的比较研究

文章利用三种不同分布下的GARCH族模型度量了上海股票市场的潜在风险.通过返回检验,可看出t分布所估计出来的VaR值过于保守,而在99%的置信水平下,使用正态分布存在对风险的低估,在不同置信水平下,使用PAKCH-GED能较好地刻划上证指教的尖峰厚尾特征,从而也能更准确地度量沪市的风险值.     

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.     

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.     

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。     

基于GARCH族模型的VaR与CVaR值的实证与应用

文章以港交所H股指数期货的收盘价格数据作为实证载体,研究在正态分布、T分布和广义误差分布下GARCH、EGARCH及PARCH模型的VaR值和CVaR值,经过比较和检验,其结果显示:一、三种分布对结果拟合最好的是广义误差分布GED;二、在VaR值预测失效的时候,CVaR值仍然能够比较准确的预测结果,对CVaR值的测量效果最佳的是基于GED分布的PARCH模型。     

基于半参数CARE模型的金融市场VaR度量

以CAViaR模型为基础,结合Expectile模型,构建半参数CARE模型,度量金融市场的在值风险。选取2003年1月3日至2015年12月31日上证综合指数与深圳成份指数为研究对象,分别采用半参数CARE模型与GARCH模型刻画VaR的波动情况,并运用几类常返检验来评估模型的优劣。结果表明:GARCH模型能更好地刻画深证成份指数1%VaR与上证综合指数5%VaR,而半参数CARE模型能更好地刻画深证成份指数5%VaR与上证综合指数1%VaR。     

VaR和GARCH类模型在证券投资基金风险计量中的应用研究

本文将当前金融领域刻画条件异方差最典型的GARCH模型及其衍生模型TARCH，EGARCH，PARCH等，引入VaR的计算，分别在正态分布、t-分布和广义误差分布（GED）假设下，进行了实证研究，刻画了基金波动的焦聚性、杠杆效应、尖峰及厚尾特征，有效度量了基金风险。结果表明该方法具有重要的经济应用价值。     

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。     

基于Markov区制转换模型的极值风险度量研究

将马尔科夫区制转换模型与极值理论相结合研究金融风险度量问题.首先用SWARCH-t模型捕捉收益率序列的剧烈波动和结构变换特征,然后将收益序列转化为标准残差序列,在此基础上通过SWARCH-t模型与极值理论相结合拟合标准残差的尾部分布,进而构建基于SWARCH- t- EVT的动态VaR模型,最后对模型的有效性进行检验.研究表明,SWARCH-t-EVT模型能够有效识别上证综指的波动区制特征,且能有效合理地测度上证综指收益风险,尤其在高的置信水平下表现更好.     

基于时变参数Copula的△CoVaR度量技术

采用基于时变参数Copula的△CoVaR度量方法,以动态参数Copula模型描述金融变量间的相依结构、以GARCH类模型描述各金融变量的边际分布,通过构建的联合分布计算△CoVaR.利用此方法度量中国大陆与美国、香港的股票市场间的极端风险溢出.实证结果表明:通过此方法计算的△CoVaR能同时反映时变波动性与时变相依性,可更灵敏准确地度量危机时的极端风险溢出.     

基于广义双曲线SV模型的极值风险度量研究

在金融风险的度量中,拟合分布的选取直接影响到风险度量的精度问题。针对金融收益序列的动态变化,在SV模型中引入广义双曲线学生偏t分布(SV-GHSKt)拟合金融收益序列的尖峰厚尾、不对称以及杠杆效应等特征,通过马尔科夫蒙特卡洛模拟的方法将收益率序列转化为标准残差序列,然后用极值理论的POT模型拟合标准残差序列尾部分布,进而建立一种新的金融风险度量模型———基于SV-GHSKt-POT的动态VaR模型。用该模型对上证综合指数做实证研究,结果表明,SV-GHSKt-POT的动态VaR模型能很好地模拟金融收益序列的尖峰厚尾性、波动集聚性及杠杆效应,并且能够合理有效地提高风险测度的精度,尤其在高的置信水平下表现更好。     

含有超越时间与相关收益率强度的极值风险度量

为研究不同市场状态下沪深300指数高频收益率的GARCH族期望波动率与极值风险之间的关系,采用非齐次的含有超越时间与相关收益率强度的二元极值方法分析系统性金融风险的VaR度量,结果表明:期望波动率的引入修正了齐次模型中GPD模型普遍退化的问题;预期波动率对尾部形状参数的正向影响在市场上升阶段比市场下降阶段更为明显,前一期期望波动率越高,则下一期单位期望波动率的变化对VaR的解释作用越小。     

沪深股市指数收益率波动性的实证分析

文章采用基于GED的GARCH族模型对我国沪深股市指数收益率的波动性进行实证分析,结果发现:我国上海股票市场指数收益率波动性存在明显的非对称性,而深股票市场不明显;而且我国股票市场总体上不存在显著的风险——收益权衡关系,投资者总体上趋于中性,沪市中的投机性要比深市严重。     

基于时变参数Copula的ΔCoVaR度量技术

采用基于时变参数Copula的ΔCoVaR度量方法,以动态参数Copula模型描述金融变量间的相依结构、以GARCH类模型描述各金融变量的边际分布,通过构建的联合分布计算ΔCoVaR。利用此方法度量中国大陆与美国、香港的股票市场间的极端风险溢出。实证结果表明:通过此方法计算的ΔCoVaR能同时反映时变波动性与时变相依性,可更灵敏准确地度量危机时的极端风险溢出。     

沪深股市的风险测度研究

本文比较风险测度方法在不同置信水平下是否能力有效测度沪深市场风险.针对上证综指收益率具有自相关、波动集聚性和杠杆效应特征,运用ARMA-GJR模型对上证综指的负收益率序列进行MLE以求出条件均值和方差以及标准残差序列,运用10%的数据作为极值数据运用MLE方法来估计广义帕累托分布,还对风险测度方法的估计效果进行分析,认为极值VaR能有效测度沪深股市风险.     

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.     

股指期货操作的风险度量及管理策略

文章利用VaR-GARCH模型分别时SP500指数期货和恒生指数期货操作面临的风险进行了研究.分别运用基于GED分布和T分布的GARCH模型估计了两个市场95%和99%置信水平下的上涨和下跌的条件VaR.研究发现,对于SP500指数期货和恒生指数期货基于GED分布和T分布的VaR-GARCH模型都是充分的:股指期货市场在不同的时期面临的风险水平不同,仍存在因波动率阶段性差异产生的系统性风险:多空双方的风险暴露不对等,空头头寸的交易结算保证全水平通常要高于多头头寸持有者,这是由于双方的交易方向不同造成的.     

证券组合SGHD-EGARCH模型和VaR估计分析

文章在基于对称的广义双曲线分布计算VaR时与EGARCH模型结合在一起。在考虑收益的波动性的同时,对VaR残差的正态分布、t、GED、SGHD分布假设进行了比较研究,实证结果显示与正态分布、t、GED分布的结果进行了对比。SGHD能较好地拟合波动,准确估计和把握风险。     

资产相关结构对投资组台风险测度的影响分析

文章从分析金融资产收益率的统计特征入手,以GARCH模型为基础.用非对称幂分布描述组合资产中各金融资产收益率的边缘分布函数,在多种Copula函数情形下计算组合资产的风险值VaR及ES.结果表明:基于由多元Clayton Copula和多元Gumbel Copula组成的混合Copula函数较好地刻画了多只股票的相关结构,而且ES比VaR能够较准确地估计组合资产的尾部风险.