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g-h分布的上证指数收益率分布拟合研究

本文旨在讨论上证指数收益率序列的分布特征,通过对上证指数1997年1月2日至2008年4月30日总计2700多个交易日的实证研究,发现上证指数收益率不服从正态分布,具有有偏、尖峰、厚尾的特性。本文将g -h分布引入收益率序列的分布拟合中,结果表明,这种分布能很好的解决收益率序列具有的有偏、尖峰、厚尾特性,拟合效果比用Logistic分布和t分布更好。     

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VaR的模糊动态投资组合研究

本文通过建立基于VaR的模糊动态投资组合的数学模型,讨论了模糊动态投资组合,并假设实际数据对模型进行了检验,验证了模型的可行性。     

基于Expected Shortfall的投资组合优化模型

Expected Shortfall(ES)是目前市场风险估值的新型工具,被用来估计VaR(Value-at-Risk)的尾部风险.介绍了ES的概念,给出了MEAN-ES模型,并对基于ES的组合优化模型的特性进行了分析.结果表明,与均值-方差模型相比,MEAN-ES模型有着更多的优点.     

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。     

基于分布拟合法的VaR估计

本文提出分布拟合法来估计金融市场风险的VaR,分布拟合法通过求取与样本数据最佳拟合的统计分布函数,克服了传统分析方法在估计VaR时所要求的正态分布假设的缺陷.道琼斯指数、美元/英镑和美元/日元数据的算例表明,分布拟合方法提高了估算精度.     

基于GARCH-EVT-COPULA模型的外汇投资组合风险度量研究

基于巴塞尔协议和商业银行风险管理新视角,本文运用GARCH-EVT-COPULA模型构建了GARCH-EVT-Gaussian-COPULA和GARCH-EVT-t-COPULA两种方法,对美元、欧元、日元和港元四种人民币汇率的等权重投资组合风险进行了度量,优化了极值分布作为COPULA函数边际分布的多序列超阈值比例确定方法,并与历史模拟法、正态方法、蒙特卡罗方法三种传统方法和单用极值方法度量的VaR进行了比较并作返回检验.结果表明:GARCH-EVT-Gaussian-COPULA扣GARCH-EVT-t-COPULA两种方法符合巴塞尔协议的内部模型法(I--)对商业银行风险管理的要求,而且估计结果优于其他四种方法,其中,GARCH-EVT-Gaussian-COPU LA方法的估计结果比GARCH-EVT-t-COPULA方法更有利于节省商业银行的经济资本.     

基于Copula的外汇投资组合风险分析

本文简要介绍了Archimedean Copula,并运用Archimedean Copula给出了确定两种外汇最小风险(VaR)投资组合的方法。并用这个方法,对欧元和日元的投资组合做了相应的风险分析,得到了二者的最小风险投资组合,并对不同置信水平下VaR和组合系数做了敏感性分析。     

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.     

基于投影降维技术的期权组合非线性VaR模型

高维期权组合VaR值的计算时间和计算工作量随着市场风险因子维数的增加而迅速增加.为此,引入投影降维技术,用少数几个风险因子来解释高维期权组合总的风险,并结合快速卷积方法,建立了基于投影降维技术的市场风险因子呈厚尾分布情形下的期权组合非线性VaR模型,达到减少计算时间和计算工作量的目的,同时期权组合价值变化的信息又没有太大的损失.数值结果表明,投影降维技术能够达到与快速卷积方法、Monte-Carlo方法差不多的估算精度,而计算效率明显优于快速卷积方法、Monte-Carlo方法,计算时间和计算工作量明显减少.     

基于随机波动模型的VaR的计算

简单介绍了VaR的含义及计算方法,指出推测市场因子的波动情况时计算VaR的关键。首次将随机波动SV模型应用于VaR的计算,说明了基于SV模型下的VaR之更具有动态性和准确性。做实验分析结果表明,SV模型准确反映了市场因子的波动情形,此时的VaR更贴切的反映了金融市场的风险水平。     

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。     

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。