度量风险价值GPD变点统计模型及其应用.docVIP

度量风险价值GPD变点统计模型及其应用【摘要】本文在极值理论的GPD模型基础上，引入了变点统计方法，对GPD模型的阈值进行了定量选择，从而减少了一般极值理论因主观判断所引起的阈值选取的偏差。最后，将此方法建立的模型应用到日元/美元汇率风险价值VaR和CVaR的计算中，取得了良好的效果。 【关键词】GPD模型 变点 阈值 VaR CVaR 一、引言 风险度量是金融风险管理的基础，而风险价值（VaR）及由此衍生的条件风险价值（CVaR）是当今金融风险测量的主流方法，是应用最广泛的一种工具。传统的VaR和CVaR计算方法一般都要对金融收益的分布类型进行假设，这降低了模型的可信性。以极值理论为基础的GPD模型并不假设金融收益的整体服从某一分布，而只是研究分布的尾部特征，这样就避免了模型风险。因此，近几年来，GPD模型越来越广泛地应用于金融风险的测量之中。 但在实际处理风险度量中的厚尾问题时，阈值的选取是GPD模型的一个关键环节，阈值选择过大，则可用的数据就会很少，参数估计的方差偏大；若选择过小，则导致参数估计有偏或不相合。为此，很多学者在阈值的选择上作了大量的研究，Embrechts（1997）[2]建议使用模拟法，通过研究在不同阈值的情况下极值指数的形状来确定阈值的大小；Drees和Kaufmann（1998）[3]提出了利用重对数构造Hill估计的样本最优分割的停止时间以此选取阈值。本文在以上研究的基础上，引入变点统计理论进行定量化的阈值选取，建立GPD变点统计模型，并将此方法应用到风险价值的计算中，以验证其有效性。 二、广义Pareto分布与阈值选取 设X1，X2，…，Xn是独立同分布的随机变量序列，分布函数F支撑的上端点为x*，对某固定的大值uu，则称它为超阈值（execeedance），称Xi-u为超出量（excess）。在一定的条件下，超出量X-u服从广义Pareto分布（GPD分布）。其尾部为 ■（x；μ，σ，ξ）=（1+ξ■■，ξ≠01-exp（-■），ξ=0 （1） 当ξ0，分布具有厚尾特征，大部分金融数据都呈现出这种厚尾特征，α=1/ξ称为尾部指标，一般用Hill估计量来估计尾部指标。将X1，X2，…，Xn按照升序排列，得到次序统计量x（i），满足x（i）？叟x（i-1），i=1，2…，n。Hill（1975）提出了以下尾部指标α的Hill估计量： α（k）=■■logx■-logx■，k=1，2，…，n-1 （2） 通过Hill估计法来选取阈值最常用的方法是作样本的Hill图，其定义为（k，α（k））：k=2，…，n的集合。阈值u要选择Hill图中呈现平稳线性状态的最大k值对应的数据Xk。观察Hill图是一种很便捷的阈值选取方法，但在实际应用中会存在两个问题：一是如何界定序列的平稳性？二是如何选择跳点？依赖于主观判断来解决这两个问题，通常会存在一定的偏差，这使得阈值的具体数值选取可能因人而异，同时难以通过计算机程序实现。为此，本文引入斜率变点，通过寻找直线中斜率发生结构性突变的点k来界定Hill估计的平稳线性状态，此点位置所对应的数值即为所求的阈值。 三、斜率变点的估计 有关变点统计的理论和变点的检测方法可见文献[4]和[6]，这里假定确有变点。按照文献[6]中斜率变点的估计方法，本文给出σ在某点前后变化最大的点，将该点作为斜率变点的估计。本文直接引用文献[6]中提出的简单模型： y■=a■+σ■x■+ε■，1？燮i？燮k■a■+σ■x■+ε■，k■这里斜率的变点为k0。假定在第k0个数据时将数据分成两段，且两段数据得到的回归系数值分别为σ■■，σ■■，并计算前后系数的差值，记为 Δ■=σ■■-σ■■ （4） 那么斜率变点的估计为Δ■达到最大的点，即k0=arg（■Δ■），如果有几个点同时达到最大，则以最临近的点作为斜率变点的估计。 四、基于变点统计方法的GPD模型 通过上面的讨论，可以考虑直线中斜率发生结构性突变的点k来界定GPD模型中Hill估计的平稳线性状态，以此建立改进的GPD模型，并将其用于VaR及CVaR的计算中，其具体实现步骤如下： 首先，通过（2）式计算GPD分布的尾部指标α的Hill估计量； 其次，通过（3）式找到使（4）达到最大的点，该点即为斜率变点所在的位置； 再次，根据斜率变点所在的位置确定GPD模型的阈值u； 最后，根据选定的阈值u，应用极值统计方法估计GPD模型的未知参数，并代入以下计算式中，得出VaR和CVaR： VaR■=u+■■（1-p）■-1 （5） CVaR■=■+■ （6） 其中p为显著性水平。 五、应用实例 本文以日元/美元汇率为例，检验上节所提方法应用于金融风险价值计算的有效性。采用的历史数据为1973年1月1日至2012年7月31共10422个数据（数据来源：美国联邦