股票收益随机波动模型研究

通过对金融资产时间序列数据特点的分析,指出GARCH模型在描述金融资产时序数据的局限,尝试用随机波动模型刻画股票收益的波动规律,采用GMM方法估计模型参数,并以上海证券交易所综合指数日收益率数据为样本,对沪市指数收益波动进行实证研究,探讨涨跌停板制度对股市波动的作用。     

基于厚尾分布的市场风险测度

20世纪70年代以后,以布雷顿森林体系为标志的固定价格体系的崩溃,以衍生金融工具的爆炸性增长为标志的金融创新,以及金融市场全球化使得金融市场的波动性日益加剧,市场风险己经成为金融风险最主要的形式。市场风险管理技能已成为金融机构获取竞争优势的核心能力之一。而VaR模型这样一种对市场风险的定量工具。传统的VaR计算假定收益率服从正态分布,而实证研究表明收益率具有尖峰厚尾性。在此研究的就是具有尖峰厚尾特征的分布的VaR计算。本文分为五章:第1章介绍金融风险、金融风险管理的基本概念和基本理论。第2章介绍风险价值(VaR)模型。简述了VaR产生的历史背景、VaR的计算原理和VaR的三类方法。第3章对中国股市的尖锋厚尾性进行实证分析。第4章研究具有尖锋厚尾性的分布的VaR计算。本章介绍了修正威布尔分布,通过中国股市的实证研究,得出了基本可以认为收益率服从修正的威布尔分布,并在此基础上构建基于修正威布尔分布的VaR计算方法。第5章对全文结论进行总结,并对今后研究进行了展望。     

基于Tsallis熵最大化的VaR模型

统计物理学中的Beck模型具有很好地描述变量的长期记忆和厚尾的特点,文章利用Beck模型和Tsallis熵的最大化理论,对沪市股票指数进行了研究,首先,给出了在Tsallis熵最大化条件下的分布函数,然后,对沪市股票指数数据进行了实证分析,并通过最大似然估计估计出其参数,最后,利用该厚尾分布计算了沪市综合指数的VaR.     

已实现波动GAS-HEAVY模型及其实证研究

引入日内高频数据计算的已实现波动，能够提高波动模型预测能力。本文将日收益和已实现波动联合建模，提出一种新的波动模型。选取尺度调整t分布和F分布作为日收益和已实现波动的分布，更为充分和灵活地捕捉厚尾性，采用得分驱动方法设定波动模型更新项，得出广义自回归得分（GAS）波动模型，提高对实际模型的逼近效率。本文对模型遍历性和平稳性进行证明，并与同类模型进行比较。蒙特卡罗模拟实验显示，在数据生成过程误设的情况下本文提出的GAS-HEAVY模型比同类模型具有更好的数据拟合效果。基于沪综指、深成指和沪深300指数2013.1至2017.4日内1分钟高频数据实证分析表明，不同损失函数的SPA检验下GAS-HEAVY模型的波动预测能力显著强于其它同类模型。本文给出的GAS-HEAVY模型为有关理论研究和市场应用提供了新的波动计量工具。     

股市回报率分布的厚尾性与风险估测模型的绩效探讨

当金融时间序列具有分布的厚尾性、波动的集聚性等特征时,传统的方法将难以胜任对风险的准确度量.除了讨论在厚尾分布下如何应用条件极值与无条件极值来度量风险外,还利用历史模拟、风险矩阵、条件正态模型等方法进行风险值估计,最后运用五项评估指标对各种模型的预测效果进行了比较分析.     

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.     

厚尾SV模型的贝叶斯分析及其应用研究

SV模型在实际应用中大多都假定以潜在波动为条件的收益的分布是正态的,本文分析并比较了正态SV模型和具有厚尾分布,特别是t分布的SV模型。为了估计SV模型的参数,我们使用了BUGS软件,该软件借助Gibbs取样(一种MCMC方法)方法对模型进行贝叶斯分析。用上海和深圳的股票指数数据对两种SV模型进行了检验,认为厚尾SV模型可以更好地刻画收益的尖峰厚尾以及波动高的持续性。最后提出了使用BUGS软件对SV扩展模型进行估计的展望。     

深成指GPD分布尾部拟合与VaR、ES风险度量

文章首先使用GARCH模型对深成指对数收益率时间序列的自相关和异方差特性进行弱化,之后运用POT方法对GARCH模型所得的残差序列进行拟合,使用极大似然方法估计了GPD分布各参数,进一步计算出收益率序列的VaR和ES值,通过后验测试比较各种估计方法优劣。     

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Copula的资产组合风险价值模拟方法

文章以VaR或CVaR作为度量风险的指标,建立了一种基于Copula函数的资产组合风险价值模拟方法,并对该方法的参数估计和计算过程进行了详细分析.