基干最小二乘支持向量机VaR计算方法探究.doc

基干最小二乘支持向量机VaR计算方法探究 　　摘要： VaR是使投资风险数量化的工具，旨在估计给定金融资产或组合在正常的资产价格波动下未来可能的或潜在的最大损失。支持向量机是一种基于传统统计学习理论的机器学习算法。波动率作为金融风险的度量，是风险管理中的重要指标。在对VaR的计算中，本文将最小二乘支持向量机与传统的蒙特卡罗模拟法结合，对波动率进行估计。实证分析表明，该方法可行有效 Abstract： VaR is a tool making the investment risk quantification， which aims at estimating the possible or potential maximum loss in the future of a given financial asset or portfolio under the normal asset price fluctuations. Support vector machine is a kind of machine learning algorithm based on traditional statistical learning theory. As a measure of financial risk， volatility is the important indicator of risk management. In this paper， when calculating VaR， the least squares support vector machine is combined with the traditional monte carlo simulation method to estimate volatility. The empirical analysis shows that the method is feasible and effective. 关键词： VaR；支持向量机；最小二乘支持向量机；蒙特卡罗模拟 Key words： VaR；support vector machine；least squares support vector machine；monte carlo simulation 中图分类号：F224；F832.5 文献标识码：A 文章编号：1006-4311（2017）06-0212-04 0 引言 在近几年，基于统计学习理论的支持向量机学习方法[1]备受关注。遵循“结构风险最小化”目标建立起来的支持向量机（SVM）具有较强的泛化能力。最小二乘支持向量机（LS-SVM）[2]的原理是通过等式约束取代以往的不等式约束，使优化课题转换为对某个线性方程组求解的课题，从而进一步提升算法的运算速度 波动率作为金融风险的度量，是风险管理中的重要指标[3]。考虑到支持向量机在处理回归问题（时间序列分析）和模式识别（分类问题、判别分析）等诸多问题有着成功的应用，在对VaR进行计算时，本文将最小二乘支持向量机与传统的蒙特卡罗模拟法结合对波动率进行估计，最后对上证指数进行实证分析，说明本文所给方法的有效性 1 最小二乘支持向量机 2.1 VaR的概念 VaR[4，5]即“处于风险中的价值”，其含义最早出自 J.P.Morgan的理论学说，它是指某一金融资产或证券组合在正常波动的市场环境的最大可能损失。从严格意义上讲，VaR实际是在一定的概率水平下，某一金融资产或证券组合在未来特定时间段内的最大可能损失，其表达式为：P=（？驻PVaR）=1-？琢（10） 在上式中，？驻P表示“持有期？驻t内证券组合的损失”，VaR则表示“置信水平？琢下处于风险中的价值” 2.2 基于蒙特卡罗模拟法的VaR计算方法 蒙特卡罗模拟方法[6]的原理是反?湍Ｄ庵?配我们感兴趣的金融工具的价格或回报的随机过程。禾祺夫，董丽娟[7]，基于该原理的计算和分析在学者张玉[8]和郭繁[9]的相关文献中都有涉及，综合四人的文献和理论学说可总结出基于蒙特卡罗模拟法的VaR计算步骤： ①选择能够体现价格调整的随机模型和分布，估算出相关参数。假设选择股票价格调整模型服从几何布朗运动（GBM），不考虑资产价值的变动时间，则可通过下列公式来表达其离散形式： 3 基于最小二乘支持向量机的实证分析 本文选取上海证券交易所的日收盘指数作为样本，选取的样本期间为2012年1月4日到2016年8月25日，共得到1130个交易日的收盘指数数据。其中，选取2012年1月4日-2015年8月10日共874天上证指数收盘价数据作为训练样本，用于波动模型