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。     

基于Asymmetric Laplace分布的金融风险度量

金融资产的损益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风险特征,给出了市场风险VaR和CVaR度量的AL参数法和AL-MC法。选取上证指数、日经225指数及S&P500指数为研究对象,结合各股市的风险特征,给出了VaR和CVaR度量及其返回检验和准确性评价。结果表明,基于AL分布的风险度量模型具有其合理性和适用性,能很好地度量市场风险。     

Copula函数在风险价值度量中的应用

在计算投资组合的风险价值（Value-at—Risk）时,传统的方法是假设多个金融资产的收益率序列服从多元联合正态分布．但这种假设经常与实际市场的观测不符,并且在极端事件发生时常会低估风险。为了更好地刻画投资组合的风险．本文提出利用Copula函数结合非对称Laplace分布技术来解决这个问题：Copula函数能够很好地刻画多个金融资产间的相依结构关系．另一方面利用非对称Laplace分布来刻画单个金融资产收益边际分布的非对称性和厚尾性。利用Kupiec的失败频率检验方法,本文验证了模型的有效性。实证研究表明Copula函数结合非对称Laplace分布技术能够很好地度量投资组合的风险价值VaR．从而有助于更好地测度和规避金融市场的风险．     

基于指数回归模型的中小企业板极端风险度量

中小企业板有着区别于沪深主板市场的风险特征.本文针对传统基于正态分布假设的VaR模型低估风险问题,运用极值POT模型研究中小企业板的极端风险,利用指数回归模型实现了POT模型中阈值的定量选取,避免了样本Hill图在选取阈值时存在的局限性.实证结果表明,POT模型对中小企业板极端风险的估计比正态分布更有效.研究还发现,传统基于正态分布的风险度量没有体现金融资产收益率的尖峰厚尾特征,同时存在低估风险和高估风险,但都很难通过LR统计量检验.因此,基于指数回归法的POT模型更能有效刻画中小企业板的极端风险.     

基于Skew-t-FIAPARCH的金融市场动态风险VaR测度研究

本文引入FIAPARCH模型刻画金融价格条件波动率特征,引入有偏学生t分布捕获收益率有偏特征,并以此来测度金融市场动态风险VaR;进而运用返回测试和动态分位数回归方法对风险测度模型准确性进行实证检验.结果表明,RiskMetrics和GARCH-N测度金融市场的风险的可靠性差;有偏学生t分布比正态分布、学生t分布更能准确反应金融收益分布实际特征,具有更高的风险测度能力;FIAPARCH-SKST展示出比其它模型具有绝对优越的风险测度效果.     

一致性风险价值及其在中国证券市场的应用研究

本文分析了VaR做为风险度量工具本身具有的缺点;行为金融理论要求风险度量必须度量下偏风险,要与投资者对信息的非线性反应相符;而收益率分布的实证研究要求风险度量要考虑收益率的尖峰厚尾现象.本文上将双曲分布用来模拟收益率实际分布,在此基础上计算CVaR,及其CVaR在中国证券市场中的应用.     

基于EVT-POT-SV-MT模型的极值风险度量

针对金融资产收益的异常变化,采用SV-MT模型对风险资产的预期收益做风险补偿并捕捉收益序列的厚尾性、波动的异方差性等特征,将收益序列转化为标准残差序列,通过SV-MT模型与极值理论相结合拟合标准残差的尾部分布,建立了一种新的金融风险度量模型——基于EVT-POT-SV-MT的动态VaR模型.通过该模型对上证综指做实证分析,结果表明该模型能够合理有效地度量上证综指收益的风险.     

厚尾分布情形下的信用资产组合风险度量

本文研究风险因子多元厚尾分布情形下的信用资产组合风险度量问题.用多元t-Copula分布来描述标的资产收益率分布的厚尾性,同时将三步重要抽样技术发展到基多元t-Copula分布的资产组合模型中,拓宽和丰富了信用资产组合风险度量模型.同时,并运用了非线性优化技术中的Levenberg-Marquardt算法来解决重要抽样技术中风险因子期望向量估计.模拟结果表明该算法比普通Monte Carlo模拟法的计算效率更有效,且能很大程度上减少所要估计的损失概率的方差,从而更精确地估计出信用投资组合损失分布的尾部概率或给定置信度下组合VaR值.     

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。     

非对称Laplace分布下的均值-VaR模型

非对称Laplace分布可以描述分布的尖峰厚尾和有偏特征,被许多学者用来拟合金融资产的历史收益率数据,进而测算金融资产的尾部风险,然而非对称Laplace分布下的投资组合研究尚不成熟。因此本文在非对称Laplace分布设定下给出VaR的解析表达式,并建立均值-VaR模型研究投资组合选择问题。在理论上我们证明该模型是凸优化问题,可以转化为二次规划问题进行求解,从而可得到模型全局最优的解析解。进一步地,我们分别得到存在无风险资产和不存在无风险资产时投资组合前沿的解析式。最后基于上证50指数及其成份股的历史数据进行实证分析,研究结果表明本文构建的模型在实践中的投资表现良好。     

基于极值理论的风险价值度量

精确度量风险价值(Value-at-Risk,VaR)和以及由此衍生的Expected Shortfall (ES)是对风险管理者的挑战.广泛应用的正态分布不足以描述金融收益的厚尾特征,尤其是风险管理者最为关心的99%或95%分位数.极值理论可以准确地描述分布尾部的分位数.本文利用极值理论计算VaR和ES,并给出它们的误差分析,然后利用深成指数据进行返回检验.两种返回检验方法的结果表明,极值理论方法可以比较精确地度量VaR和ES.     

极端情况下对我国股市风险的实证研究

准确地度量风险是对风险进行有效管理的前提也是投资者做出合理的投资决策的基础,然而在极端事件频繁发生的情况下,传统的VaR计算方法难以准确地度量股市风险,极值理论却可以很好地解决这一问题。本文特别关注了由2007年美国"次贷" 危机所引发的全球金融危机爆发时我国股市的风险度量问题,考虑到全球股市间极端事件的联动效应,利用基于极值理论的POT模型对上证综指日收益率的尾部数据直接建模拟合分布,进而计算出风险值VaR和CVaR,通过比较危机前后的风险值,发现随着金融危机的到来,我国股市的风险有了一定程度的释放。     

基于马尔科夫状态转移模型的股指收益率研究

金融资产收益率的分布是金融资产投资和风险管理等应用中的重要决定因素。针对经济和金融的潜在状态改变可能引起金融资产收益率分布结构性变化的现实情况,提出考虑收益率分布的时变性,将马尔科夫状态转移结构应用于中国股票指数对数收益率分布的建模,并提出使用混合正态分布模型刻画股指收益率在各状态的分布,建立隐马尔科夫状态转移-混合正态分布(HMS-MND)模型,使用期望最大化算法(E-M算法)和Baum-Welch算法给出模型的参数估计,采用2002年7月1日至2010年10月29日沪深两市11种主要股票指数的对数日、周收益率作为实证数据。模型参数估计和似然比检验结果表明,大部分股票指数收益率的分布中都存在显著的马尔科夫状态转移结构,且HMS-MND模型可以较好地刻画对数收益率分布的高阶矩统计特征。因此,引入马尔科夫状态转移结构对股指收益率的相关研究具有重要意义。     

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SWARCH的VaR及压力测试值的一致性估计

风险值 (VaR) 与压力测试都是衡量金融资产价格波动风险的重要工具.为了考虑市场在不同状态下报酬率分布的结构性变化,引入波动性状态转移的ARCH(SWARCH)模型对波动性进行描述,使 VaR 与压力测试值能够在统一的样本数据和框架下得到一致性的估计.此外,SWARCH模型还同时考虑了金融市场波动性、波动性状态和状态概率的时变性,使 VaR 与压力测试值的估计具有很好的灵活性.以上海股市为样本进行了实证分析,验证了基于SWARCH模型能够得到 VaR 与压力测试值的一致性估计.     

基于核估计及多元阿基米德Copula的投资组合风险分析

在研究金融资产的组合风险分析中,描述多个金融资产间的相关结构是选择最优组合权重的关键因素之一,如何准确地刻画金融资产间的非对称尾部相关结构,在定量研究组合资产的风险分析中尤其重要.利用多元阿基米德Copula捕捉多个金融资产间的相关结构,并用非参数核密度估计描述单个金融资产的边缘分布,建立Copula-Kemel模型.利用该模型和VaR风险测度,对中国股票市场的实际组合投资问题进行风险分析,并在风险最小原则下,给出不同置信水平下的最小VaR值及其对应的最优组合权重系数.     

收益率分布主观模型及其实证分析

在累积展望理论基础上,通过累积概率描述主观因素对内在价值分布的影响,建立收益率分布主观模型。建立从经验收益率数据中估计投资群体的风险追求程度、投资情绪和非完全理性程度等行为变量参数的方法。利用沪市A股数据,进行χ2同分布拟合检验,结果表明:0.05水平下,沪市69.56%股票的收益率分布认为符合收益率分布主观模型,接受t分布、双正态混合分布、稳定分布和正态分布假设的股票分别为56.31%、44.80%、46.06%和1.74%。通过比较大、小公司投资群体的行为差异,以及利用收益率主观模型估计的内在价值信息参数和行为参数对截面个股收益率进行解释的实证分析,表明收益率分布主观模型及估计行为参数的方法具有合理性。     

基于VaR收益率约束的贷款组合优化决策模型

本文以贷款的收益率为金融资产的收益,以贷款收益率的波动为标准反映贷款风险,在VaR约束下,以拉格朗日乘子法为工具求二次规划,建立了在既定组合收益范围内,组合风险最小的贷款组合优化决策模型。该模型的特点一是以收益率最大损失的形式、而不是收益额的形式来反应VaR,使组合决策分析更为方便。二是考虑了风险之间的相关性,用组合VaR的收益率最大损失来控制贷款收益率的风险限额;使贷款的分配直接反映了商业银行的风险承受能力。三是在合理的目标收益范围内,给定任意一个决策者期望的收益率,总能找到对应的风险最小的贷款组合,由此模型求出的有效边界,为组合贷款的优化决策提供了科学的方法。     

金融资产风险度量及其在风险投资中的应用——基于稳定分布的新视角

引入稳定分布对沪深两市指数数据进行检验,结果表明两指数具有“尖峰厚尾”的分形特征,在此基础上建立了DaR类风险测度,实证研究表明两指数跌幅时间序列存在协同跌幅共线性效应.其次,给出了蒙特卡洛稳定分布和正态分布模拟下的两类风险测度估计值,建立了离差率模型,结果表明稳定分布下的风险度量适合投资者进行风险管理.最后,研究了不同跟踪时间窗口下的风险测度指标MDD.投资者和风险管理人员不仅要关注VaR类风险,更要警惕DaR类风险指标.     

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.