Nonparametric Estimation for Risk in Value-at-Risk Estimator

Abstract

Value-at-Risk (VaR) has become the standard tool used by many financial institutions to measure market risk. However, the performance of a VaR estimator may be affected by sample variation or estimation risk caused from heavy-tailed distributions. After surveying several existing procedures proposed by Jorin (Jorion, P. (1996 Jorion, P. 1996. Risk²—measuring the risk in value at risk. Financial Analysis Journal, 52: 47–56. [Taylor & Francis Online] , [Google Scholar]). Risk²—Measuring the risk in value at risk. Financial Analysis Journal 52:47–56), Huschens (Huschens, S. (1997 Huschens, S. 1997. “Confidence intervals for the value-at-risk”. In Risk Measurement, Econometrics and Neural Networks Edited by: Bol, G., Nakhaeizadeh, G. and Vollmer, K. H. 233–244. Heidelberg: Physica-Verlag.  [Google Scholar]). Confidence intervals for the value-at-risk. In: Bol, G., Nakhaeizadeh, G., Vollmer, K. H., eds. Risk Measurement, Econometrics and Neural Networks. Heidelberg: Physica-Verlag, pp. 233–244), and Ridder (Ridder, T. (1997 Ridder, T. 1997. “Basics of statistical VaR–estimation”. In Risk Measurement, Econometrics and Neural Networks Edited by: Bol, G., Nakhaeizadeh, G. and Vollmer, K. H. 161–187. Heidelberg: Physica-Verlag.  [Google Scholar]). Basics of statistical VaR-estimation. In: Bol, G., Nakhaeizadeh, G., Vollmer, K. H., eds. Risk Measurement, Econometrics and Neural Networks. Heidelberg: Physica-Verlag, pp. 161–187) etc., this article strives to propose several new estimators in measuring the risk involved in VaR estimation. We compare the performance of these VaR models through Monte Carlo simulation studies. We find that the newly proposed methods provide better accuracy and robustness in the estimation of the risk in VaR estimator.     

市场风险的高效率加速算法研究

在计算投资组合市场风险时,采用高效率重要性抽样技术来处理大规模、高维度和稀有事件问题可以提高计算的速度和效率。在对投资组合损失进行Delta-Gamma近似的基础上,通过利用辅助分布变换函数,将求解抽样参数的最小抽样方差问题转化为一个非线性的广义最小二乘问题;在指数族抽样核的假设下,进一步将问题转化为迭代线性回归问题,从而简化了计算;通过德尔塔对冲和指数对冲投资组合的模拟算例验证了所提出方法的有效性。     

基于样本数据正态性转换的VaR估测

VaR的发展就在于不断寻求解决风险测度的真实性,是一种克服或降低风险的方法。在揭示Del-ta-Gamma非线性模型计算VaR正态假设局限性的基础上,通过对经典转换函数Delta-Gamma-Johnson转换函数以及基于Delta-Gamma-Cornish-Fisher扩展方法构造的转换函数的梳理,从实证分析的角度考察了中国股票市场VaR的估值问题。实证结果表明,Delta-Gamma-Johnson转换函数中的SU型转换基本适宜于作为中国股票市场样本数据正态化处理的转换函数,利用SU型转换后的样本数据所计算的VaR值能明显改善中国股票市场风险测度水平。     

市场风险相关性度量研究——以产业型金融控股集团与其金融子公司为例

混业经营趋势下,产业资本与金融资本的不断融合,不少产业资本主导的产业型金融控股集团开始出现。通过构建产业型金融控股集团与其子公司之间的市场风险相关性度量模型进行实证研究,结果表明控股集团内部存在风险传递效应,传递方向为金融子公司至控股集团,与此同时,市场风险相关程度会表现出时变特征,并且在金融市场的"平静期"和"危机期",这种时变特征尤为明显。     

关于风险度量模式的评析

简要回顾了风险度量的发展过程,对主要的风险度量方法进行分析对比,指出其优点和不足,并分析了风险度量方法的未来发展趋势。     

基于Copula的沪、深、港股票市场的组合风险度量

文章在"推出股指期货和融资融券"的新政策下,结合t-EGARCH模型和Copula方法,利用上证综指、深证成指以及恒生指数对沪、深、港股票市场进行了分析.该模型能更好地捕捉资产间的非线性相关性,更符合现实市场.在此基础上,利用蒙特卡洛模拟计算股指投资组合的VaR及CVaR,从而验证了模型的有效性.     

基于熵最大原则的GPD估计与中国股市极值风险测度

POT极值模型参数的准确估计是计算金融资产回报市场风险的关键。根据最大化熵原则（POME）得到POT模型中GPD参数估计方程组,通过回归模型的可决系数法选取阈值,最后将其应用到中国两个时段股市金融风险测度的实证研究中。结果表明：第1、2时段,最优阈值分别为0．01799、0．01801,γ、ξ和β的估计值分别为18．53467、0．14871、0．00802和2．93172、0．03649、0．01258,并得到不同显著性水平下的VaR和ES值,为GPD参数估计找到了一个更科学有效的方法,更为准确计算金融资产回报市场风险提供了新思路,同时也测算了本次国际金融危机对中国股市风险的影响。     

基于EVT-POT-SV模型的极值风险度量

金融市场常受各种因素的影响造成剧烈波动,资产收益也会因此产生异常变化。针对金融资产收益的厚尾性、波动的异方差性等特征,采用基于Markov链的Monte Carlo模拟积分方法,对随机波动模型进行参数估计并取得标准残差序列,应用极值理论与随机波动模型相结合,建立了基于EVT-POT-SV的动态VaR模型。通过对上证综指收益做实证分析,结果表明：该模型能很好地刻画收益序列的波动性及尾部分布特征,在度量上证综指收益的风险方面更加合理而有效。     

中国外汇储备利率风险的测度

 本文选择美元、欧元、英镑、日元四种最主要的储备货币月度利率数据作为分析对象,运用VaR方法对我国外汇储备的利率风险进行了测度。首先对序列数据进行平稳性与正态性检验,然后求出各种货币的平均收益率、相关系数矩阵与方差协方差矩阵,最后选择三种不同的币种结构求出具体的VaR值并进行比较分析。本文的结论是适当降低美元占比,并相应提高欧元、英镑、日元占比,这样可以有效地降低我国外汇储备的利率风险。     

基于VaR约束的带交易费用的商业银行资产负债组合优化模型

在考虑交易费用的条件下,以商业银行各项资产和负债的组合净收益最大化为目标函数,以贷款组合的VaR约束及法律法规和经营管理约束为条件,建立商业银行资产负债组合优化模型,为银行的资产负债管理提供决策方法,并给出具体计算实例,得到最优资产和负债的比例及最大净收益。该模型的特点：一是考虑交易费用,以及贷款利率依赖企业的信用等级,更切合实际;二是同时兼顾资产和负债两个方面的业务和管理。