var模型在我国股市中的应用数量经济学专业论文.docxVIP

数据水平、精度要求等，VaR有多种计算方法，这些方法可归为以下 数据水平、精度要求等，VaR有多种计算方法，这些方法可归为以下 四类：(1)方差协方差方法，也称参数法；(2)历史模拟法；(3)Monte Carlo 模拟法；(4)极值方法。由于Monte Carlo模拟法计算量大，其有效 性依赖于特定的随机过程，有较大的模型风险；并且产生的数据序列 是伪随机数，可能导致错误结果。因此本文的研究方法主要集中在参 数法、历史模拟法和极值方法。VaR模型的最常用的返回检验是LR 检验。 本文第二章节将从我国沪深股指收益率的统计特征入手，用各种 参数法来估计VaR值，并用上述检验方法进行较为严格的检验．参 数法先假定收益率服从一定韵分布，并估计相关的参数，再根据VaR 的定义得到其VaR值。一般假定收益率服从(条件)正态分布，但 是正态分布无法刻画金融市场上普遍存在的尖峰肥尾性，有可能导致 风险的低估。因此，本章用一些比较常用的肥尾型分布如：t分布、 混合正态分布、Laplace分布和广义t(GT)分布来估计静态的Ⅵ暾 (在观察期内假设分布函数不变)值。结果表明，用t分布和GT分 布估计的VaR比较合理，在不同的置信水平下都通过了LR检验。 然而，静态VaR无法刻画金融市场上的波动集聚性，本文第二 章节接着讨论GARCH模型簇及RiskMetrics的指数加权移动平均法 (exponentially wei?gh-ted moving average，简记为EWMA)在VaR模型 中的运用。一般可将羹条件分布设为正态分布，尽管此时的无条件分 布具有尖峰肥尾性，但其尾部仍然是呈幂函数衰减的，无法充分地刻 画尖峰肥尾性，此对可以考虑更为复杂韵肥尾性的条件分布如 Laplace分布，GED等)。本章探讨了在不同的条件分布下，两类模 ‘ 型表现的优劣。 把极值理论运用到VaR中是一件自然而然的事，因为极值理论 只关注尾部，这一煮与VaR如出一辙。以极值理论来估计VaR既不 同于一般的参数法，又和模拟方法大相径庭，许多学者将之归为第四 种方法。不过由于篇幅所限，而且极僵方法也需要估计参数，本文还 是将其归为参数法。用撅值理论估计VaR，最困难的就是如何得到最 优的门限值，太大或太小都会影响模型的精度。估计门限值比较常用 的方法是Hill散点图，但是这种方法过于粗糙，不同的观测者可能得 的方法是Hill散点图，但是这种方法过于粗糙，不同的观测者可能得 出不同的门限值。本章探讨了如何用其他的方法(如使得KS统计量 最小等)来得到最优的门限，继以判断运用极值理论来估计VaR是 否比上述其他的几种方法更稳健。并将GARCH模型引入极值方法， 来捕获收益率的波动聚集性。 本文第三章节对历史模拟法展开讨论。历史模拟法使用真实的价 格，不需要对市场的随机结构做任何假设，它允许非正态分布，能够 说明厚尾问题，避免模型风险。用简单的历史模拟法对股指收益率的 VaR进行估计时只需要将以前的历史收益率按升序排列，假如样本量 为n，置信水平为1一口，找出排在一口位置的收益率即可(如果一口不 是整数，可用内插法求解)。但这种方法过于粗糙，其估计的VaR很 大程度上依赖于观察期的长短。本章引入了BRW法、HW法及核估 计理论从不同的角度对历史模拟法进行了改进，并根据BRW法的思 想提出了加权核估计方法，取得了很好的效果。 上述模型中，我们都讨论的是日收益率的VaR。而许多金融监管 机构和投资者更加关注金融产品在持有期更长时的风险。如果收益率 是独立的，并且服从正态分布，问题就变得非常简单，我们只需要用 日VaR乘以持有期的平方根即可，这就是著名的√F规则。巴塞尔银 行监管委员会也用到了这一规则，它要求金融机构估计10个交易目 的VaR时用一天的VaR值乘以3(约为√而)。不过√F规则假定上于 现实相去甚远，受到了很多批判。有些学者建议用盯(口表示尾指 数)来代替打，一般金融市场上收益率的尾指数口大于2，用√F作 为系数可能会带来风险的高估。本文第三章采用Bootstrap方法来对 模拟方法进行改进，来估计持有期为5日、10日的VaR，并探讨它 们与日VaR的内在关系。 作为新型的风险测量和管理工具，VaR的优点非常明显，它把预期 的未来损失和该损失发生的概率结合起来，直观、简便的把金融机构 的风险管理的核心——潜在损失概括为一个数据，有利于投资者和金 融监管当局准确把握金融机构的实际风险。不过，近年来一些学者也 批评VaR,认为它不满足次可加性，不是一致性的风险度量工具。本 文第四章较为详细地讨论了VaR的这些缺点及其改进——ES模型，并展望了VaR模型在我国的运用前景。 文第四章较为详细地讨论了VaR的这些缺点及其改进——ES模型， 并展望了VaR模型在我国的运用前