金融风险管理教学课件-第3章 金融风险测度工具与方法.pptVIP

? 2015-2020 6.蒙特卡洛法计算VaR 6.5 优势缺陷和改进 优势 是完全估值法，可处理非线性、大幅波动与厚尾问题。 可利用计算机反复生成模拟数据，计算结果更具可靠性和精确性。 可利用风险因子变化的历史数据信息改善和修正随机模拟模型，对风险因子未来变化的模拟更贴近现实。 缺陷 需事先构造随机模型，存在模型与参数估计风险。 收敛速度太慢，计算效率较低，需要重复模拟大量次数。 计算量大，需消耗大量时间。 为减少时间花费，提高计算效率，往往以加大样本方差、计算结果的可靠性与精确性下降为代价。 ? 2015-2020 6.蒙特卡洛法计算VaR 提高收敛速度——拟蒙特卡洛法 按照预先设定的确定性方法生成被称为拟随机数的低偏差点，填补伪随 机数非均匀分布造成的数据序列空白，为模拟过程带来更多有用的信息。 可使收敛速度由 提高至 。 提高计算效率——情景蒙特卡洛法 采用主成分分析法减少风险因子数，将每个主成分的取值范围限定在有限结果或情景之中，对每个结果或情景赋予概率，计算出主成分组合结果的概率分布。由于限定了取值范围，这些组合的可能排列是有限的。此时运用蒙特卡洛法对这些组合进行抽样模拟，能够提高计算速度与效率。 ? 2015-2020 6.蒙特卡洛法计算VaR 提高结果精度——方差缩减法 (1)对偶变量法 设由随机数εi模拟得到资产价格f(εi)，则由-εi可模拟得到f(-εi) 取二者平均数 为最终模拟结果。 (2)控制变量法 设要对资产A定价，选择可直接由公式求解的资产B为控制变量 用蒙特卡洛法同时模拟A、B价格为 和 ，有 B的模拟误差为 ，因 ，A的模拟误差与B相近，即有 (3-128) 此时fA的方差为 (3-129) 由 得， (3-130) A、B相关性越强，?越大，调整后的方差越小。 ? 2015-2020 6.蒙特卡洛法计算VaR (3)重点抽样法 根据抽样的目的调整随机样本的概率测度，以适度增加我们所关心的样 本事件在抽样中出现的可能性。 如在VaR计算过程中更多抽取尾部区域样本数据。 (4)分层抽样法 在样本的取值范围均匀抽样，以避免随机数的随机性造成抽样不均匀。 在[0,1]均匀分布抽取n个样本，记为Ui,i=1,2,…n，令 有 均匀分布于[0,1]，则随机样本 同样均匀分布。 (5)矩匹配法 调整模拟数据，使样本的一个或多个矩与被模拟分布的理论矩相匹配。 设样本值 ,样本均值和方差为m和S2，调整样本值为 (3-131) 的均值与方差与其理论值?,σ2完全匹配，由此计算的VaR精度更高。 * ? 2015-2020 4.极值理论计算VaR 极值理论：对极端事件的风险损失进行测度的统计理论方法。 4.1 分块样本极值理论——广义极值分布 投资组合的损失X为随机变量 ，其分布函数为F(x)。 样本观测值X1,X2,…Xn 与总体X 独立同分布，如有 当 时，Mn、mn即为极端值，收敛于广义极值分布 Hξ,?,σ (3-92) ?为位置参数，反映了极端值取值的中心趋势； σ为尺度参数，反映了极端值取值的分散情况； ξ为尾部指标，反映了极值分布的尾部厚度。 ?=0， σ=1时称标准广义极值分布。 ? 2015-2020 4.极值理论计算VaR 依据ξ 取值的不同，广义极值分布分别呈现为三种不同的形式 ξ 0，Frechet分布 Фξ(x) 此时X的分布密度函数较之正态分布有着较厚的尾部 ξ =0，Gumbel分布 Λξ(x) 此时X的分布密度函数的尾部较瘦，类似于正态分布、指数分布 ξ 0，Weibull分布 Ψξ(x) 此时X的分布密度函数的尾部比正态分布更瘦，不常用于金融领域。 Frechet分布、 Gumbel分布较常用于金融领域研究； 二者均属于右偏分布，概率大部分取值于 [?-2σ, ?+6σ]之间。 应根据随机变量 X自身分布函数尾部形状在二者之间选择; Frechet分布计算出的极端损