贝叶斯分位数自回归方法的研究及在香港恒生指数风险测度上的应用-应用数学专业论文.docxVIP

万方数据 万方数据 学位论文独创性声明 本论文是我个人在导师指导下进行的研究工作及取得的研究成果. 论文中 除了特别加以标注和致谢的地方外,不包含其他人或其它机构已经发表或撰写过 的研究成果. 其他同志对本研究的启发和所做的贡献均已在论文中作了明确的 声明并表示了谢意. 作者签名: 日期: 学位论文使用授权声明 本人完全了解南京财经大学有关保留、使用学位论文的规定,即:学校有权保 留送交论文的复印件,允许论文被查阅和借阅;学校可以公布论文的全部或部分内 容,可以采用影印、缩印或其它复制手段保存论文. 保密的论文在解密后遵守此规 定. 作者签名: 导师签名: 日期: 摘 要 贝叶斯分位数回归方法是近年来国内外的研究热点, 把贝叶斯分位数回归 方法应用于金融风险测度是一个重要的研究课题, 而计算风险价值 VaR 是金融 市场风险测度的主流方法. 本文探讨基于贝叶斯分位数自回归方法的 VaR 建模, 并用该方法研究香港恒生指数的 VaR 风险测度. 第一章阐述了选题的背景以及研究意义, 并进行了国内外文献综述. 第二章是基本概念及其方法的简要概述, 包括: 分位数回归, 贝叶斯分析的 相关理论和方法, 以及 VaR 的概念与主要性质. 第三章从理论上构建了基于贝叶斯分位数自回归的 VaR 建模框架. 本章分 成两大部分. 第一部分, 分别针对误差项服从非对称拉普拉斯分布(ALD)和误差 项服从非对称指数幂分布(AEPD)的分位数回归模型, 通过设定参数的先验分布 及确定样本的似然函数, 根据贝叶斯原理, 利用 MCMC 中算法按照参数的满条 件后验分布交替采样, 得到具有平稳分布的马氏链的一个样本实现, 该平稳分布 就是参数的后验分布. 由于均方误差损失下, 参数的最优贝叶斯估计就是其后验 均值, 所以可以用马氏链的样本均值作为参数的最优估计. 值得说明的是: 由于 ALD 和 AEPD 都是非标准分布, 所以在采样前, 本文对它们的似然函数进行了变 换. 第二部分, 作为上述贝叶斯分位数回归模型的一种特殊类型, 遵循上述思路, 构建了贝叶斯分位数自回归 VaR 模型, 具体做法是: 在提出了分位数自回归 VaR 模型之后, 按照 AIC 信息选择准则给出此模型的定阶方法, 利用第一部分给出的 方法对参数进行贝叶斯估计, 并给出不同分位水平下 VaR 模型的评价方法. 第四章是在第三章给出的理论建模框架的基础上, 将贝叶斯分位数自回归 VaR 模型应用于香港恒生指数的风险测度中. 选取香港恒生指数 2010 年 1 月 4 日到 2014 年 1 月 10 日收盘价, 通过对数变换后获得对数收益率数据, 再从均值、 标准差、偏度、峰度、JB 统计量、ADF 值、自相关系数与偏相关系数几个方面, 对这些数据进行特征分析后, 发现了数据具有非正态性、尖峰厚尾性、平稳性和 自相关性, 因而能确定本章模型类型隶属于第三章的贝叶斯分位数自回归 VaR 模型. 根据第三章构建的理论建模框架, 首先应用 AIC 信息准则确定模型的自回 归阶数为 5 阶. 然后, 选取卡方分布为??的先验分布, 其余参数则选取正态分布 为先验分布, 按照 3.1 节和 3.2 节给出的似然函数, 根据贝叶斯原理, 利用第三章 给出的 MCMC 算法结合 R 语言中的 R2WinBUGS, 得到了香港恒生指数分位水 平分别为 0.01、0.025 与 0.05 的贝叶斯分位数自回归 VaR 模型的参数估计、各个 参数的后验密度图、动态迭代图以及 GR 统计量收敛性图. 通过对上述结果的一 系列分析表明: 基于 ALD 的贝叶斯分位数自回归 VaR 模型和基于 AEPD 的贝叶 I 斯分位数自回归 VaR 模型的各个分位水平下的马氏链均是收敛的, 且参数估计 的误差较小. 此外分别从同一分位水平角度比较了不同滞后期的自变量对 VaR 值的影响, 以及从不同分位水平下同一滞后期的自变量对 VaR 值的影响. 根据上 述所建的模型可以计算不同置信水平（分别对应不同的分位水平）下的香港恒生 指数的 VaR 值. 通过比较 VaR 实际值和 VaR 估计值,可知大部分 VaR 实际值小 于 VaR 估计值, 说明大部分损失在模型预测之内. 同时通过比不同置信水平的 VaR 实际值和 VaR 估计值可知, 置信水平越高,估计越保守, 实际值超过预测值 的可能性越小. 第五章应用 Kupiec 失败率检验法, 对第四章所建的基于 ALD 的贝叶斯分位 数自回归 VaR 模型和基于 AEPD 的贝叶斯分位数自回归 VaR 模型进行效果评价. 通过得到的失败区间、失败数、失败率、LR 值以及 LR 临界值来比较两个模型, 结