基于GARCH模型的期望损失ES非参数核估计.pdfVIP

第43卷第9期 数学的实践与认识 V01．43．NO．9 2013年5月 MATHEMATICSINPRACTICEANDTHEORY May，2013 基于GARCH模型的期望损失ES非参数核估计 夏师，罗中德 (百色学院数学与计算机信息工程系，广西百色533000) 摘要：风险度量ES最新的非参数估计方法，不依赖于分布假设，但不能动态反应 金融时间序列的风险．针对金融时间序列的波动，结合GARCH模型进行期望损失 ES的非参数核估计，得到随市场波动而动态变化的ES预测．通过数值模拟和对近 两年的上证指数实证分析验证了该方法能准确而有效的反映市场风险． 关键词：ES(ExpectedShortfall)；核密度估计；GARCH模型 1引言 J at Risk)系统后，VaR作为一种风险度 1994年MorganP银行公布了它的VaR(Value et 量和管理的工具得到广泛研究和应用．此后，Artzneral[1_2】提出风险度量应该满足四条公 理，即单调性、次可加性、正齐次性、平移不变性，并称之为相容性条件．可是yaH并不满足 Shortfall) 的定义，并证明ES满足风险度量相容性条件，是一种较VaR更优的风险度量．对ES的估计 进行了研究，欧诗德，易丹辉教授[6】给出金融资产遵从几何布朗运动时不同模型下期望损失 的计算．在实际问题中，金融时间序列的风险并非固定不变，而是随着市场的波动而波动．针 对金融时间序列通常存在波动聚集现象，我们给出了先用GARCH模型对金融时间序列波动 进行建模，然后进行ES非参数核估计的方法．对此方法我们进行了数值摸拟，并以上证指数 为对象进行了实证分析，得到上证指数ES估计的波动曲线．通过ES波动曲线，投资者可对 投资风险变化进行即时掌握，从而进行更好的风险控制． 2 ES的核密度估计 定收益率序列服从正态分布．但大量的实证分析表明，收益率的分布不是正态的．与之类似的 参数模型都面临所假定分布与实际分布可能不符的风险．使用非参数方法则不会有这样的问 题，非参数方法的优势便是对模型假设的稳健性，避免了由于分布假设误判引起的估计误差． 其中用核密度估计方法来估计实际数据的密度函数，再进行风险计算是一种重要的非参数风 险估计方法．例如，Scaillet提出两步非参数ES估计方法． 2．1 ES的定义及其核密度估计 设n是金融资产第t期的损失率且分布函数为F(z)．则一个持有期内置信度为1一。P 收稿日期：2012—09—17 万方数据 9期 夏师，等：基于GARCH模型的期望损失ES非参数核估计 45 是损失超过VaR的条件下，发生损失的条件期望，数学表述如下： E昂r)=肛p=E(rlr≥VaRp(r)) 可见，VaR告诉我们可能发生的损失将要超过多少，ES则进一步指出了当损失超过VaR 时，可能损失的平均值，较VaR直观而便于进行风险管理． 我们通常可以通过金融资产的价值变化计算出损失率，但损失率的分布函数和密度函数 则是未知的．这时，我们可以用核密度估计方法来估计损失率的密度函数，进而估计出VaR 和ES． 是f(x)的渐近无偏估计． 在核密度估计中的两个关键问题就是核函数和窗宽的选取．通常佗较大的时候核函数 的选取对估计结果影响不大，我们在这里选用了正态核．窗宽的选取则要困难一些，过大的 窗宽会得到过于光滑的密度估计曲线，过小的窗宽则会有太大的波动而密度估计嗌线不够 光滑．很多学者给出了不同的窗宽选择方法，如两步DPI法、交叉核实法CV等．我们取 其中孑为标准差． 出了ES的核估计应，为公式(2)． ．Z”熹壹K(宰)一p