VaR工具.ppt

(6-5-1) 概率分布型预测模型 仅仅使用这一方法是不够的 (6-5-1) 概率分布型预测模型 克鲁恩科维奇和德拉科曼(Crnkovic and Drachman, 1996) 认为几乎所有的机构都在预测自己的整体概率分布函数，并且觉得应该以整体函数而不是以函数中的某一点为基础来评估预测的质量 (6-5-1) 概率分布型预测模型 选择0—1之间的一系列概率p，如0.01、0.02、0.03等等 (6-5-1) 概率分布型预测模型 风险管理系统每天报告在不同的置信水平下的VaR (6-5-1) 概率分布型预测模型 第二天，风险管理者记录观测是否低于前一天报告的VaR(1) 、VaR(2)等 (6-5-1) 概率分布型预测模型 观测器结束时，风险管理者将观测值低于VaR(1)的总数汇编为N(1)，低于VaR(2)的总数汇编为N(2)，以此类推 (6-5-1) 概率分布型预测模型 进一步报告出每一概率水平上所有的观察值比率N(i)/T=F(p(i))，这与例外实验中的比率N/T很相似，只不过现在是一系列的数值，而不仅仅是一个值 (6-5-1) 概率分布型预测模型 如果对这种分布进行了完美的验证，发现经验分布函数F(p)与p完全匹配 (6-5-1) 概率分布型预测模型 要求进行验证的实际分布是否与它的预测模型一致 (6-5-2) 参数模型 如，风险矩阵法假设函数是一个正态分布，这种分布是完全由均值和标准差决定的 (6-5-2) 参数模型 如果事实确实如此，那么在这里运用95%的分位数就没有意义了，因为这是从正态分布中得出的 (6-5-2) 参数模型 应该直接用标准差来进行分析。只要标准差能被用来测量函数的离散程度，这一方法就可以扩展到更一般的分布函数 (6-5-2) 参数模型 如下试验： 首先，记录日收益率和风险的比率，定义为e(t)=r(t)/s(t)，即已经实现的日交易利润与预期标准差之比 (6-5-2) 参数模型 其次，计算的e的方差乘以条数T (6-5-2) 参数模型 这种验证 方法效率的提高源于两个方面： (6-5-2) 参数模型 首先，关注的是整个分布函数而不是一个特殊的分位数。这样运用了所有的数据而不是仅仅是尾点数据，所以测量结果要比任何专门用的分位数的方法都精确 (6-5-2) 参数模型 其次，对分布进行了参数假设并认为是正态的。 这一分布也适用于厚尾的其他分布 ? (6-5-2) 模型效果比较 ?当VaR模型是正确时，拒绝概率为5%，这与预期一致 当VaR模型与真实模型有偏离时，将以更大的概率拒绝 偏离越大，拒绝的可能性越大 (6-5-2) 模型效果比较 如，如果VaR的方差为 0.87，则例外测验方法拒绝模型的概率为55% (6-5-2) 模型效果比较 ?Kuiper统计分析法明显强于其他方法 (6-3-2) 巴塞尔规定 有5个或更多的例外时，累积概率或第一类错误率为10.8%，这种错误率是非常高的。在当前的体系中，有10%的银行在有正确模型的情况下也会受到惩罚。 (6-3-2) 巴塞尔规定 更为糟糕的是，这时第二类错误率也相当高 (6-3-2) 巴塞尔规定 假设覆盖率为97%，则监管者可能接受12.8%的模型错误的银行 (6-3-2) 巴塞尔规定 因此这一框架不是很有效 (6-3-2) 巴塞尔规定 在VaR覆盖率中，99%和97%的不同在经济学上是非常重要的 (6-3-2) 巴塞尔规定 假设服从正态分布，真实VaR将比官方报告的VaR高出1.237倍 (6-3-2) 巴塞尔规定 这种保守的报告会造成一定的偏差，例如美国10大银行1650亿美元的总资本下降390亿美元 (6-3-2) 巴塞尔规定 这一框架的效力低下原因：选择较高的VaR置信水平(99%)，使得可靠的试验只产生非常少的例外情况 (6-3-2) 巴塞尔规定 现在考虑VaR置信水平为95%时的效果(为保证资本数量不受影响，可以用较大的乘数k) (6-3-2) 巴塞尔规定 必须找出例外数目的临界点，使第一类错误率与巴塞尔协议的规定一致 (6-3-2) 巴塞尔规定 当每年的平均例外数目为13时，将拒绝数据超过17 的模型，与此相对应的第一类错误率为12.5 (6-3-2) 巴塞尔规定 将错误率控制在与巴塞尔协议中的10.8%接近的水平 (6-3-2) 巴塞尔规定 现在第二类错误的概率降低了，仅为7.4% (6-3-2) 巴塞尔规定 仅将VaR置信水平从99%变为95%，这大大降低了检测不出错误模型的概率 (6-3-2) 巴塞尔规定 另一个提高检验效率的方法是增加观察的次数 (6-3-