基于Monte Carlo模拟法.pptVIP

第六节 基于Monte Carlo模拟法的VaR计算 Monte Carlo模拟法的概念 Monte Carlo模拟法是从计算机随机模拟出而非实际存在的数据中进行抽样、统计，所以该法也称为随机模拟方法。另外，尽管抽样的数据来源不同，但采用的Monte Carlo模拟法与随机抽样统计分布方法的重复抽样的原理相同，所以人们在很多的情况下并不对两者加以区分，而是常常把这种一次一次不断重复的随机抽样方法，统称为Monte Carlo模拟法 Monte Carlo模拟法的基本原理 VaR的计算方法 随机抽样统计分析法与Monte Carlo模拟法 随机抽样统计分析法的基本特点是对实际数据进行抽样分析 Motne Carlo模拟法是从计算机随机模拟出的而非实际存在的数据进行抽样、统计，又称随机模拟方法 尽管抽样的数据来源不同，但采用Monte Carlo模拟法与随机抽样统计分析法的重复抽样的原理相同，所以人们在很多情况下并不对两者加以区分，而常常把这种一次又一次不断重复的随机抽样方法，统称为MonteCarlo模拟法 Monte Carlo模拟法可以同时用于求解确定性问题和随机性问题 确定性问题 确定性问题，指对那些已经存在的事实或现象进行研究的问题 这类问题往往很难直接求解，而借助于Monte Carlo模拟法对已经存在的事实或现象进行模拟、观测、求解 首先，针对所要研究的确定性问题中已经存在的事实或现象，建立一个概率模型或随机过程，使模型或过程的参数等于问题的解 然后，通过对模型或过程的反复观察或抽样试验来计算所求参数的统计特征 最后，输出所求解的近似值，并估计解的精度 随机性问题 随机性问题，指你要研究的问题中含有还未发生的随机性成分 这类问题一般须借助于随机数来对一些还没有发生的随机现象进行模拟，最后的求解结果也常常是对拟要研究的随机问题的未来变化分布的预测 首先，针对待求解问题中的随机现象建立相应的随机模型 然后，对随机模型中的随机变量确定抽样方法，再通过计算机的模拟实验产生所需要的随机数，得到模型中随机变量的有关特征数字 最后，根据随机模型所确定的解和相关随机变量的某些特征数字之间的函数关系，计算出所求问题的近似解 用Monte Carlo模拟法计算VaR 用Monte Carlo模拟法计算VaR，几乎都是随机性问题 用Monte Carlo模拟法计算VaR，是否成功取决于以下三个要素： 第一，用以模拟随机变量未来变化路径的随机模型的准确性 第二，每次模拟的独立性（时间区间分割数 n） 第三，足够多的模拟次数（模拟次数 N） VaR的概括性总结 计算VaR的所有方法，实质上都是围绕着如何估计金融风险因子的变化分布以及在金融风险因子变化影响下，资产组合的未来损益分布而展开的，不同之处主要在于采用的估计方法不同 基于Monte Carlo模拟法计算VaR的基本步骤 第一步，识别风险因子变量Sj，t，其中j = 1，2，…，m；建立资产组合价值V与风险因子变量Sj，t之间的映射关系，不妨设为:Vt = V（ S1，t， S2，t，…，Sm，t） 第二步，对风险因子未来变化进行随机模拟，得到各个风险因子变量Sj，t未来变化的一条样本轨道，并计算出 Sj，t， Sj，t+Δt， …，Sj，t+iΔt， …，Sj，t+nΔt = Sj，T，其中 j = 1，2，…，m 第三步，利用第一步给出的估值公式计算组合价值 Vt = V（ S1，T，S2，T，…，Sm，T）与ΔVT=VT-Vt 第四步，不断重复第三步和第四步N次，就可以得到资产组合损益分布 ?VT(1)，?VT(2)，…，?VT(N) 第五步，基于损益分布计算置信度 c下的VaR，这与标准历史模拟法相同  案例1 来实现结果，最后求得：VaR=-0.0392 案例2 表1 股票及其组合VaR 表1即是通过蒙特卡罗模拟法计算出的VaR。从 Monte Carlo模拟法的优点 第一，采用Monte Carlo模拟法可以产生大量的关于风险因子未来取值的模拟样本，最大限度地将风险未来变化的各种可能情景模拟出来，而且不必受到历史数据在数量与质量等方面所存在的种种制约，因此，与历史模拟法相比，基于该法所得的结果往往更加精确可靠 第二，Monte Carlo模拟法是一种完全估值法，可以处理非线性、非正态问题  第三，Monte Carlo模拟法通过选择和建立随机模型，既可以模拟风险因子未来变化的不同分布和不同行为特征，还可以深入、充分地挖掘风险因子的历史数据中所包含的各种有益信息，并通过对模型中相关参数的估计和修正反映到模型中去，从而使得随机模型对风险因子变化的模拟更加贴近于现实 第四，Monte Carlo模拟法都可以借助于计算机来完成，从