基于VaR修正理论投资组合优化模型.docVIP

基于VaR修正理论投资组合优化模型 　　 　　摘要:根据风险价值VaR的计算思路,本文提出了基于GARCH理论的风险计量投资组合优化模型;同时在修正的VaR――尾条件期望的基础上对证券组合投资的优化模型做了进一步的改进。 　　Abstract: According to thougnt ofVaR calculation , this paper gives optimum portfolio model based on GARCH, at the same time improves portfolio model based on revision value at risk. 　　关键词:风险价值VaR;广义自回归条件异方差GARCH;尾条件期望CVaR 　　Key words: value at risk;GARCH;conditional value at risk 　　中图分类号:F224.9 文献标识码:A文章编号:1006-4311(2010)05-0034-02 　　 　　0引言 　　众所周知,经典的Markowitz模型是: 　　minδ■■=X■∑X 　　maxE(r■)=x■R 　　s.t. x■+x■+…+x■=1, 　　x■?叟0,i=1,2,…,n 　　 其中,δ■■是投资组合回报率的方差,δ■■称为回报率的标准差,表示投资组合的回报率r■偏离组合的期望回报率E(r■)的幅度,被Markowitz用于度量投资组合的风险。 　　 而当把投资组合的风险用超过某一指定概率的最低回报率来度量时,就称该方法为VaR(value-at-risk)风险度量法,该最低回报率称为投资组合的VaR,用数学式子表示就是: 　　Pr(r■-VaR)=α 　　其中α是给定的概率。如果资产组合损益的分布函数为F(?),则:VaR=F-1(1-α) 　　假设投资组合的分布是正态分布,则可得: 　　VaR=-[E(r■)-?准-1(α)?鄢δ■■] 　　其中?准(?)是标准正态分布函数,用上式替换Markowitz模型中的风险函数,得到最优均值――VAR模型: 　　minVaR=min[?准■(α)?鄢δ■-E(r■)] 　　maxE(r■)=maxX■R 　　s.t ■x■=1,xi?叟0 　　由以上分析可看出,用VaR度量风险必须知道组合收益率的分布函数F(?),这在实际中操作起来比较困难,而如果按组合收益率服从正态分布处理,VaR的计算问题似乎变得比较容易解决。 　　但是大量研究文献已经表明:组合收益率具有尖峰厚尾的特征,如用正态分布势必会导致风险的低估。为了描述和预测上述这类现象,1982年恩格尔提出了著名的自回归条件异方差(ARCH)模型,波勒斯列夫于1986年再将其一般化成广义自回归条件异方差(GARCH)模型。为此下面讨论基于CARCH的组合证券改进模型。 　　1基于VaR―GARCH投资组合改进模型 　　1.1 GARCH的基本理论 　　设组合收益率:rpt=μ+εt 　　 如果ε■=■?v■ 　　其中:v■~N(0,1),h■=α■+■α■ε■■+■β■h■ 　　则称随机过程ε■■服从GARCH(p,q)。 　　1.2 最大风险损失的VaR―GARCH结构 　　综合上述风险价值VaR的计算分析和GARCH的基本理论,可得到投资组合在某一给定置信度α下的最大风险损失表达为: 　　VaR(rpt)=-(μ+?准-1(α)?鄢■ ) 　　1.3 基于VAR-GARCH风险测度指标的投资组合优化模型为: 　　minVaR(rt)=min??-(μ+?准-1(α)?鄢■ )」 　　maxE(rt)=XTR 　　s.th■=α■+■α■ε■■+■β■h■α■?叟0,β■?叟0■x■=1,x■?叟0 　　2基于CVAaR风险测度的投资组合改进模型 　　另一方面,由于VaR也只是某一置信度α下的最大可能损失(可能风险),此外还有(1-α)这么大的可能,风险损失是超过VaR的,而且这类极端事件造成的损失极其巨大,出于这样的考虑,以下采用NeNeill于1999年提出的尾部条件期望CVaR作为风险测度方法,来改进投资组合优化模型。 　　2.1 尾条件期望的精确定义及其计算定义:大于风险价值VaR的那部分损失的数学期望,叫做投资组合的尾条件期望。即: 　　CVaR=E[X│XVaR]=VaR+E[X-VaR│XVaR] 　　其中,E[X-VaR│XVaR]表示损失大于阈值VaR的超额损失的期望值的大小。再由Pickands,alkema和Haan的定理知,对于充分大的阈值VaR,超额损失分布函数Fvar(y)(其中y=X-VaR)收敛于如下一广