基于MATLAB的金融工程方法及应用 资料_ 第十三章 在险价值模型2.pptVIP

第十三章 在险价值(VaR)模型 Outline 时变VaR估计 返回检验 时变VaR估计 估计时变VaR的思路 条件分布——条件分位数 对于条件正态分布，只要得到条件均值和条件方差即可。 为什么采用GARCH模型估计VaR GARCH模型能够同时给出条件均值和条件方差的估计量，这正是GARCH模型在估计VaR得到广泛应用的原因。 只不过在条件分布的假设方面，采用比正态分布更复杂的t分布能够更好地描述收益率序列的厚尾特征。 基于GARCH模型估计时变VaR的公式 基于GARCH模型的VaR的估计步骤 第一步，估计正态分布或t分布GARCH模型，检验GARCH模型是否充分 第二步，得到条件均值和条件方差序列 第三步，得到条件分布的自由度，计算标准新息的显著性水平为alpha时的临界值 第四步，按照公式计算得到alpha显著性水平下的VaR 请参见dynamicvar.wfl 估计一个t分布的GARCH模型 得到条件均值与条件方差序列 打开View—Representation RB1 = 0.1367531984 - 0.07189321479*RB1(-1) 生成条件均值序列 Ub1= 0.1367531984 - 0.07189321479*RB1(-1) 注：如果条件均值存在MA项，首先要生成残差序列，在进一步生成MA(1)项，即残差项的滞后一阶，此过程由GARCH模型菜单可以完成 打开Proc—Make Residual Series选择ordinary 打开Proc—Make GARCH Variance Series 生成条件方差序列hb1 得到标准误差的alpha临界值 估计下跌风险 在Eviews的命令行输入： scalar t05=@qtdist(0.05,6.284896) 得到VaR05序列 Var05=-(ub1+t05*hb1^0.5) 当存在“厚尾”现象时,以正态分布假设为基础的模型会低估VaR值，t分布有时也不能完全捕捉厚尾现象 VaR的事后检验 假设检验 VaR的估计依赖于收益率的条件分布与给定的置信水平，对VaR的检验也就是考察VaR的置信水平与实际情况是否相符。 Kupiec(1995) 把收益率高于估计的VaR值作为例外情形，这种例外情形可以看作从一个二项分布中出现的独立事件。 假定置信水平为1－alpha ，样本容量为T ，失效的天数为N ，则失效的频率为f=N/T ，失效率的期望值为 alpha。 原假设：f=alpha 检验统计量 Kupiec提出的似然比率LR检验统计量可以用来检验零假设，这样对VaR模型准确性的评估就转化为检验失效率f是否显著等于alpha。 在零假设的条件下，统计量 服从自由度为1的 卡方分布，在95％置信水平下临界值为3.84，如果Lr大于3.84 ，就拒绝零假设，也就是估计的VaR模型是不充分的。 Backtesting检验Matlab程序 function [f,lr]=backtesting(r,var,alpha) %目的： 检验alpha风险水平下的VaR模型是否充分 %原假设：失效率＝风险水平 %输入： r 市场的收益率 %输入： alpha, 市场风险水平,越小表明风险越高 %输入： var, 市场的VaR序列,这里VaR为正 %输出： lr, 检验第一个市场的VaR序列是否充分,服从自由度为1的卡方分布，如果lr大于3.84则说明VaR不充分 %输出： N 市场的失效次数 %输出： f 市场的失效率 N/T %T 样本数目 Backtesting检验Matlab程序 T=size(r,1); z=r-var; N=sum(z); f=N/T; lr=-2*log((1-alpha)^(T-N)*alpha^N)+2*log((1-f)^(T-N)*f^N); if lr3.84 fprintf(VaR is inadequate %8.5f\n) else fprintf(VaR is adequate %8.5f\n) end 谢谢！ * 在线教务辅导网： 教材其余课件及动画素材请查阅在线教务辅导网 QQ:349134187 或者直接输入下面地址： *