交易量推动的时变系数 VaR 预测模型：中国股票市场实证分析.PPT

交易量推动的时变系数 VaR 预测模型：中国股票市场实证分析 指导教师：卢祖帝（博士） 专业方向：管理科学与工程 申请学位: 硕 士 2005年5月 目录 序言 交易量推动的时变系数VaR预测模型 模型的非参数估计 参数化模型及VaR的计算 结论及展望 第一章 序言 国内外VaR研究的状况及进展 什么是 VaR（Value at Risk)? 背景——世界经济的一体化，金融市场波动的加剧，要求有效 地度量市场风险：既要给出未来可能损失的大小还需 指明损失发生的概率。 定义—— 在一定的概率水平（置信度）下，金融资产在未来 特定的一段时间内的最大可能损失，即： 为投资组合在持有期内的损失； 为给定的置信度； VaR就是在置信水平下的分布的分位数。 应用—— 用途涉及设定交易商市场风险的限额、评价风险管 理者的绩效以及估计承担风险的资本需求量等。 应用的单位包括：证券公司、投资银行、商业银行、 养老基金及其金融监管部门。 计算VaR 的常用方法 参数方法 —— 假设收益率或者损失的分布，估计出参 数，计 算应置信水平下的分位数。如RiskMetrics的 EWMA方法。 非参数方法——不对收益率的分布做限制，如历史模拟法，从 历史收益率取样，将过去的价格应用到当前。 半参数方法——结合上述两种思想，如极值理论，主要针对极 端事件的建模。 其他方法 ——蒙特卡罗模拟法、压力测试法等。 以上提到的所有方法都是设法找到收益率或者损失的分 布，然后计算其分位数而间接的获得 VaR.因此可以被称 作计算VaR的间接方法。 国内VaR计算方法的发展 计算VaR的新方法：CAViaR CAViaR (Conditional Autoregressive Value at Risk) 2003年度诺贝尔经济学奖获得者 Engle 与Manganelli(1999) 引入 本文的研究 本文研究的目的和意义 研究内容及思路 论文的创新点 第二章 交易量推动的时变系数  VaR预测模型 GARCH --GARCH with Volume -- CAViaR -- changing parameters -- volume-exciting GARCH -- volume-exciting VaR forecasting model GARCH模型 Bollerslev (1986) 和 Taylor (1986)引入 、Engle的ARCH模型的推广 交易量推动的时变系数GARCH模型 是三个关于交易量的函数 ，我们 交易量推动的时变系数VaR预测模型 上式表明：VaR的计算牵涉到两个关键量：一个是回报序列的波动性 ，另一个就是新息序列的分位数 。 第三章：模型的非参数估计 基本思想： 非参数模型 未知函数?局部线性 ?估计参数?函数在局部的值 ?局部的移动?整个函数的值 ?画图?未知函数的特征（结构） ?适当的函数形式 参数模型 分位数回归技术 分位数回归方法（quantile regression）（Koenker ，Bassett ） 局部线性分位数回归方法 将三个未知函数作局部线性处理，当 接近v时， 通过泰勒展式，局部地有： 算法 主要算法： Nelder-Mead单纯形法和拟牛顿法 步骤： 一组初始值——单纯形法