基于GARCH模型和非参数模型的上海股市VaR的比较

从VaR的定义出发，考虑基于GARCH类模型和基于非参数模型的VaR估计．对于前者进行筛选以后，采用EGARCH(1，1)模型来估计资产或资产组合未来收益率的波动，后者则用核估计方法估计资产或资产组合未来收益率的概率密度函数，并用这两个模型对上海股市进行了实证研究，结果表明后者不失为一种值得考虑的方法。     

基于状态转换的风险分解VaR模型研究

VaR的度量涉及到资产组合的未来市场因素分布、波动性以及定价三个方面。针对传统CAPM和GARCH方法的不足,作者提出了市场指数及证券(组合)分别服从独立的马尔科夫状态转换过程下的风险分解VaR模型——SSRM模型。模型能够分别呈现市场的系统风险和个股特有风险,在方法上允许市场指数、证券(组合)分别存在波动性的突然跳跃。凸出特点是既综合考虑了市场和特定资产的关系,又考虑了资产和市场风险的时变性特征。实证显示模型较经典的GARCH-β模型在VaR估计方面有显著优势。     

基于VaR风险控制和法规约束的银行资产负债管理优化模型

以资产组合收益率的波动为标准反映风险,在既定的组合收益率下,以组合风险最小为目标,以VaR风险收益率为约束,以法律、法规和经营管理约束为条件,建立了银行资产负债管理优化模型.通过实例分析,说明了该模型的合理性和可行性.     

现代投资组合理论模型的比较研究

对证券组合理论的Markowitz均值-方差模型以及均衡时关于资产的期望收益率的资本资产定价模型(CAPM)和套利定价理论(APT),进行了深入地比较研究,同时从动态投资组合理论,基于VaR的投资组合理论以及行为投资组合理论三个领域阐述了现代投资组合理论的新进展,并对其未来的发展进行了展望。     

基于M-Copula-EGARCH-M-GED模型的相关风险度量及投资组合优化

采用EGARCH-M模型进行单个资产建模,利用M-Copula函数构建资产的联合分布,对基于GED分布的联合资产收益率构建M-Copula-EGARCH-M模型,并采用Monte Carlo模拟方法计算出不同投资比例和置信水平的组合风险VaR和CVaR的值,并求出不同期望收益和置信水平下的最优组合投资权重.结果显示:当分位数为5％时,欲获得固定收益,同时风险最小,需将绝大部分资金投入深圳证券市场;在分位数取10％时,目标收益率较低时,应将大部分资金投放在上海证券市场.目标收益率较高时,上证市场的投资比例应降低,深证市场的资金比例应上升,具体的最优投资比例在实证部分已给出.实证结果表明:本文模型有利于投资者对投资权重的选择.     

极值理论高频VaR区间估计模型的构建

为了对在险值的估计精度进行度量,更为精确和有效地衡量极值VaR（value at risk）的估计风险,基于广义极值理论构建了极值VaR的区间估计模型,并进一步利用高频数据重点考察了不同置信水平和不同样本容量分块下的极值VaR区间估计结果的精度和模型的有效性。结果表明,极值VaR的动态区间估计模型与参数法和非参数法区间估计模型相比,不仅能够更为有效地捕获极端条件下收益率时间序列的动态特征,而且具有很好的估计精度,VaR估计风险的精确度更高。     

基于VaR约束的商业银行资产负债组合配给模型探讨

以商业银行各项资产和负债的组合收益最大化为目标函数,以贷款组合的VaR约束及法律法规约束和经营管理约束为条件,综合应用运筹学中的非线性规划理论,探讨了商业银行资产负债最优化管理问题,系统地提出了基于VaR约束的商业银行资产负债组合配给模型体系.该模型在引入VaR约束的同时兼顾资产和负债两个方面的业务和管理,体现了高度重视资产和负债的内在关联性的基本要求.     

中国股市风格资产组合市场风险测度——基于EVT-t-Copula模型的实证研究

针对传统线性计量模型无法充分刻画中国股市风格资产收益系列存在"自相关"、"尖峰"、"厚尾"等非正态分布特征以及风格资产间存在复杂的非线性相关结构的局限。本文首先采用AR(1)-GJR(1,1)模型来刻画中国股市风格资产的边缘分布,接着结合各边缘分布的残差系列,引入Copula函数来分析这六种风格资产之间的相关结构,并结合极值理论和蒙特卡罗模拟方法来模拟大盘成长、大盘价值、中盘成长、中盘价值、小盘成长、小盘价值这六种股市风格资产投资组合的联合收益率分布函数,在此基础上求出各我国股市风格资产组合的市场风险(VaR与CVaR)。研究结果表明,根据极值理论得到的广义帕累托分布能够较好拟合风格资产日收益率序列的尾部特征,相比其他计算方法的VaR和CVaR值,基于EVT-t-Copula模型能够更准确度量中国股市风格资产组合的市场风险。因此,EVT-t-Copula模型有助于提高中国股市投资组合的风险管理效率。     

基于GARCH模型的VaR度量证券投资基金风险实证研究

相对于度量金融资产风险的各种波动性方法和灵敏度方法,VaR方法以其概念简单易懂、关注下行风险和可计算复杂投资组合的风险等优点成为国际上广泛采用的先进风险度量方法。但计算VaR有许多不同的方法,针对不同的资产或资产组合找到合适的VaR计算方法是应用VaR的关键问题。分析证券投资基金的统计特征和风险特性,采用厚尾分布和GARCH模型来计算其VaR值,通过比较得出GED分布假设下的GARCH模型方法是所分析的几种VaR计算方法中的最优方法。     

基于VaR 的最优资产组合选择策略

基于VaR( Value- at- Risk) 的方法, 对Markowitz 资产组合选择策略作了进一步的研究, 给出了一种选择最优资产组合的新策略, 该策略可以使所选择组合的收益率与风险相匹配, 在一定的置信水平下保证收益率最大而风险最小, 并刻画了投资者对风险的喜好倾向。     

基于住房持有成本模型的租金房价比变动

基于住房的持有成本模型,租金房价比将随着利率和预期房价上涨率以及政府的政策变化而变化.利用美国1913-2007年近百年的时序数据和日本1967-2007年以及我国2000-2008年的相关数据考察了租金房价比的变动趋势和影响因素.结果发现,租金房价比并不是固定不变的.在房价高涨时期,由于预期房价上涨降低了住房的持有成本,租金房价比普遍较低.     

基于DEA模型的环保投资综合效率的实证分析

本文基于非参数数据包络分析模型(DEA),以2003-2009年我国30个省市地区的面板数据为样本,对我国环保投资绩效水平进行评价,依据地区的环保投资绩效的评价结果和经济发达程度,划分了四类地区,并结合逐步回归分析方法,分别实证研究了四类地区环保投资绩效水平的主要影响因素,为各有侧重的提升地区环保投资绩效水平提供经验证据。     

新划分标准下的知识进化与知识传播模型

现有的知识分类存在多种分歧,而对不同类型知识的性质研究也较易混淆。本文通过对组织学习现有理论的总结,提出新的知识划分标准,并重点研究了在新标准下的SVEI知识进化模型和FC-SVEI知识传播模型,并通过模拟,分别得出两个模型的侧重点。     

欧盟特性研究:作为一种规范性力量的欧盟

欧盟在几十年一体化过程中所构建的独特原则和价值,使欧盟的发展模式成为了一个更具有吸引力的规范性样板,发挥着对世界事务的影响力,也带动了学者们对欧盟特性的研究。欧盟在国际关系中的特性不仅体现在民事力量和军事力量方面,更是在一系列规范性标准之上构建起来的。而欧盟在国际上也是遵循这些规范性标准来行动的。欧盟认为自己处理国际问题的方式和成功的多边治理经验有更为广泛的推广价值,也相信不断发展的欧盟为世界提供了在政治上、伦理上、思想上更先进、更适合全球化的未来的全新规范性标准,即所谓的新欧洲模式。     

基于MODWT的FIGARCH模型波动的持续性与相关性

基于FIGARCH模型与最大重复离散小波变换的小波多分辨分析,提出了不同尺度下的FIGARCH模型,并以此来讨论金融波动序列在不同尺度下的持续性问题;利用可描述两列波动序列的整体相关特性的交叉互相关函数,提出了可以描述两列波动序列在不同尺度、不同滞后期下小波交叉互相关函数的定义,并进行了实证分析。     

论中国模式的内容

中国模式是中国自改革开放以来的发展理念、经验和规律等的全面总结,其内容有三个方面:中国模式的确立前提、中国模式发展的总体布局、中国模式发展的经验总结。相对于改革开放之前的发展,中国模式是在一系列新的前提下确立的。中国模式发展的是"四位一体"的总体布局。中国模式发展给我们留下了宝贵的经验,这是我们前进的保证。     

国有中小企业民营化及其模式探索

我国国有中小企业制度变革正处于"卡尔多改进"阶段,主要表现为发展模式的分化。民营化是近几年人们热衷于理论和实践的一种模式。我们认为,国企民营化与国企民有化是两种不同性质的制度安排,前者是指企业在国有基础上的民间经营方式,是所有制的实现形式;后者是指企业的国有产权转变成民有,是所有制的彻底变革。目前,我国国有中小企业民营化的条件是比较充分的。通过比较论证,托管制是一种较为可行的模式之一。     

基于遗传神经网络的股价波动预测

对价格、成交量特征样本序列分别进行小波包分解,将其小波包系数单支重构能量值共同作为样本波动的本质表征,结合遗传神经网络进行股票价格波动预测。对沪市股票上海汽车(600104)、宝钢股份(600019)进行实证研究,结果表明,该模型具有收敛速度快和预测精度高的特点。     

中短期时间序列的经济预测模型

通过引入Fourier级数和ARMA(n,n-1)模型,建立一种用于中短期时间序列经济预测的新模型。在该模型中,利用曲线拟合来剔除时间序列的趋势,利用Fourier级数来分析季节变动,利用ARMA(n,n-1)模型来处理不规则波动。最后,用一个算例说明模型的可行性。