论分位数回归在计算VaR中应用.docVIP

论分位数回归在计算VaR中应用 　　摘 要：运用分位数回归法和参数法计算沪深300指数的VaR值，比较结果发现分位数回归VaR模型要优于常用的参数法。将分位数回归方法引入VaR计算中，为金融风险度量提供了一种新思路。 　　关键词：VaR;参数法;分位数回归 　　中图分类号：G4 　　文献标识码：A 　　文章编号：1672-3198（2011）15-0185-02 　　 　　1 引言 　　VaR作为金融风险度量的主流工具，其计算方法研究异常丰富，常用方法有历史模拟法、参数法和蒙特卡罗模拟法。分位数回归模型是针对解释变量的条件分位数来建模的，而VaR本质上是个分位数，所以本文尝试用分位数回归模型计算VaR，并将其与常用的参数法进行比较。 　　2 VaR定义及计算方法简述 　　2.1 VaR的定义 　　VaR的全称是Value at Risk，意为“处于风险中的价值”，是指在正常的市场波动和一定的置信水平下，投资组合在未来某一个特定时期内的最大可能损失。记某一个特定时期内投资组合收益为X，对给定的置信水平，由定义VaR可表示为： 　　Prob{X≤-VaR}=α。 　　 2.2 VaR计算的参数法 　　参数法是建立在历史数据基础上，假定它们服从特定的分布，根据分布的统计特征，如均值、方差再进一步计算VaR。大量实证表明金融资产收益具有尖峰厚尾的特性，故本文采用t分布；另因GARCH族模型能很好描述波动集聚现象，本文选取GARCH族模型估计条件标准差。 　　为与分位数回归计算VaR对比，参数法本文选取GARCH（1，1）、EGARCH（1，1）、PARCH（1，1）模型在t分布的假设下计算VaR。下面是它们的简介。 　　2.2.1 ARCH模型 　　ARCH模型由Robert Engle在1982年提出，ARCH（p）模型由两个方程组成：均值方程和条件方差方程，表示如下： 　　rt=μt+εt，σ2t=α0+α1ε2t-1+……+αpε2t-p。 　　GARCH、EGARCH和PARCH模型是由ARCH模型派生出来的，它们的均值方程与ARCH模型相同，不同在于条件方差方程。 　　2.2.2 ARCH模型 　　GARCH模型由Bollerslev在1986年提出，ARCH（p）模型中用一个σ2t的滞后值代替许多ε2t的滞后值，可以得到GARCH（p，q）模型： 　　GARCH（p，q）模型相对于ARCH（p）模型增加了q个自回归项，可用简单的GARCH模型代替一个高阶的ARCH模型，减少待估参数，提高准确性。 　　2.2.3 EGARCH模型 　　EGARCH模型由Nelson在1991年提出，EGARCH（p，q）模型的条件方差表达式为： 　　模型中条件方差采用自然对数的形式，意味着σ2t非负且杠杆效应是指数型的，若γ≠0，则信息作用不对称；若γ＜0，则杠杆效应显著。 　　2.2.4 PARCH模型 　　PARCH模型由Ding等于1993年提出，模型多了两个参数，一个用来捕捉不对称信息的γ参数，另一个是标准离差参数δ。条件方差方程如下： 　　2.3 VaR模型的准确性检验 　　最常用的是Kupiec（1995）提出的失败率检验法，将实际损失值与VaR模型计算出的预测损失值比较，实际损失值较大则记为失败，用失败的天数除以总观察天数得到的失败率与预先设定的VaR估计的显著性水平比较，越接近则该VaR模型的预测效果越好。 　　假定VaR估计具有时间独立性，则失败观察的二项式结果代表一系列的伯努利试验，失败的期望概率为α（α为显著性水平），假定实际观察天数为T，失败天数为N，则失败率为p=N/T。原假设为H0:P=α，Kupiec提出采用似然比率检验，LR统计量为： 　　若VaR模型正确，统计量渐近服从分布。5%显著水平下的分位数为3.841，1%显著水平下的为6.635。统计值越小，越不能拒绝VaR模型是正确的原假设，该模型的预测越准确。 　　3 分位数回归思想 　　Koenker和Bassett（1978）最先提出分位数回归的概念，是在中位数回归的基础上，把中位数回归推广到一般的分位数回归。该方法分析问题时可从不同的分位点，充分利用数据包含的信息，远优于传统的回归方法。下面简要介绍基本思想。 　　考虑实值随机变量，其所有性质都可由分布函数刻画，右连续分布函数为： 　　对于任意的0＜θ＜1，Y的θ分位数定义为满足F（y）≥θ的最小y值，表达式如下： 　　中位数回归通过求解minβRn|yi=X′iβ|估计参数，分位数回归是在中位数回归基础上改进，解决以下目标函数最小化问题：minβRnni=1ρθ（yi-xi′β（θ））。其中定义损失函数ρθ（x）=θX，X≥0（θ