基于参数模型的EVaR风险度量.docVIP

基于参数模型的EVaR风险度量 　　摘要 针对EVaR （Expectilebased Value at Risk） 风险度量提出了基于GARCH类和SV波动率模型的EVaR风险度量计算方法，即EVaR计算的参数模型方法并基于模拟学生t分布时间序列数据，给出EVaR样本外预测的失败率检验方法：Kupiec失败率检验和动态分位数（DQ）检验法与采用CARE （Conditional Autoregressive Expectile）模型的EVaR计算方法进行了对比研究，结果表明基于GARCH类模型和SV模型相对于基于CARE模型有更优的EVaR预测效果.选取2004年1月5日到2009年12月30日的国内外五个股票市场指数数据，针对日对数收益率进行了EVaR风险度量的实证研究，得出在金融危机期间，基于参数模型的EVaR预测要比基于CARE模型的EVaR预测更接近市场实际风险. 　　关键词 EVaR；CARE模型；GARCH类模型；SV模型 　　中图分类号F224.7 文献标识码A 　　1引言 　　在现代金融理论中，风险的定义、分析和管理的理论方法占据着重要的地位.风险度量和风险管理已成为各大商业银行，投资银行，机构投资者乃至个人投资者管理资产的一个必备工具.在众多风险度量方法中，在险价值VaR （Value At Risk）最早由J. P. Morgan提出的一种风险度量方法，该方法以“简单实用，适用广泛”的特点广受欢迎，并且迅速成为风险分析中的一种主要方法.VaR的计算一般有三种方法：一是参数方法，应用ARCH和SV模型来描述随机波动率，进而求得VaR的估计；二是非参数方法，包括蒙特卡洛模拟法和历史数据模拟法；三是半参数方法. 　　为评价风险度量方法，Artzner等提出了风险度量的一致性公理[1].若某种风险度量满足平移不变性、单调性、次可加性以及正齐次性这四个条件，则称该风险度量为一致性风险度量.只有一致性风险度量才能充当投资组合管理工具.而VaR风险度量不满足次可加性，从而不是一致性风险度量，用VaR进行风险度量时，投资组合的风险不一定小于各单个资产的风险之和，这就违背了风险分散化的投资准则. 　　为了克服VaR风险度量的上述缺陷，Rockafeller和Uryasev提出了条件在险价值CVaR（Conditional Value At Risk）风险度量方法[2].Acerbi和Tasche的研究指出CVaR是一个一致性风险度量[3]. 　　不论VaR还是CVaR模型，均属于基于分位数（quantile）的风险度量，度量的是资产分布在下尾部的极值所造成的风险，都只与资产收益的尾部特征有关，而没有涉及收益的整个分布情况.Kuan等指出expectile在分布形式上比quantile更有全局的依赖性，VaR的计算只与收益分布的尾部取值的大小以及取相应值的概率有关，从而改变一个分布的上尾形状并不会改变VaR的取值大小，但它却影响所有的expectile[4].基于expectile以上的优点，Kuan等提出了一个基于expectile的风险度量测度EVaR（Expectilebased Value at risk） [4].EVaR风险度量比VaR对极值变化的反应更加敏感，并且对资产收益的整个分布都是敏感的.另外，Rossi和Harvey的研究表明，当谨慎性水平小于0.5时，EVaR是一致风险度量[5].因而EVaR是比VaR具备更优良性质的一种风险度量.最近，Fabian 和Thomas[6]以及姚宏伟[7]基于expectile提出了一些新的模型. 　　Kuan等提出了两类条件自回归expectile （Conditional Autoregressive Expectile， CARE）模型来计算EVaR[4]，基于Newey和Powell提出的非对称最小二乘（ALS）方法[8]来计算每一类模型，并做了两类模型比较的理论研究，给出了模型选择的判别方法. 　　但Kuan等提出的CARE模型[4]并没有考虑异方差的情形，而金融数据很容易碰到异方差的情形，所以该模型在应用于金融数据时并不太合适.本文基于GARCH类和SV波动率模型研究EVaR风险度量的计算方法，即EVaR计算的参数模型方法，并基于模拟学生t分布时间序列数据，给出EVaR样本外预测的失败率检验方法：Kupiec失败率检验和动态分位数DQ检验法，与采用CARE模型的EVaR计算方法进行对比评价，并将这些EVaR计算模型应用到国内外股票市场指数收益数据进行风险估计，以评价各类模型在估计和预测不同股票市场EVaR风险的适用程度. 　　2 EVaR定义及计算模型 　　2.1EVaR的定义 　　最大化此条件似然函数即得出了参数的估计，进而利用式