条件波动调整后的收益率波动分析.docxVIP

条件波动调整后的收益率波动分析 一、 是否存在高频、高频和超高频数据研究 随着世界经济和社会形势的复杂性，金融企业面临的风险逐渐增加，对风险度测量的精度要求越来越高。为此,众多学者提出了很多方法来提高测度的准确性,高频数据的引入就是其中之一。高频数据包含了比低频数据更多的信息,能够提供更丰富的数据资源。但是,高频数据的使用也意味着更高的成本与更长的运算时间,并且高频数据的噪音还会对结果造成干扰,因此,使用高频数据能否有效提高测度的精度?值不值得花费很多资源去使用?是否使用的数据频率越高,预测精度就越高?这些问题值得我们进行深入研究,也是本文着力要解决的问题。 基于高频数据计算VaR的研究并不多。在国外,Andersen和Bollerslev(2004)对已实现波动率进行了预测研究,并将其应用于风险价值(VaR)的计算中。Pierre Giot S L研究了已实现波动率在VaR中的应用,并将其与基于ARCH模型得到的VaR进行了比较,结果发现,使用已实现波动率计算VaR并不能显著提高预测精度。Martens和Dijk(2007)使用高频数据构造了实现极差。在国内,黄后川、陈浪南(2002)研究了中国股市已实现波动率的不对称性和长期记忆特性。尹优平、马丹(2005)研究了高频数据下VaR的计算方法,提出了在GARCH模型失效时基于GPD分布的新方法,结果表明,使用高频数据能够很好地模拟金融风险。郭名媛、张世英(2006)将基于高频金融数据的已实现波动率引入到了VaR的计算中,并利用高频金融数据对上海股票市场VaR的持续性进行了实证分析。 基于超高频数据计算VaR的研究更是少之又少,目前主要有以下三种方法:一是邵锡栋、连玉君、黄性芳(2009)提出的方法,他们仿照已实现波动率对日内的超高频波动率进行加总,将超高频波动率转化为日波动率,由于转换后对数波动率近似服从正态分布,并且具有显著的长记忆性,因此文中用ARFIMA模型去拟合超高频波动率并得到了日VaR;二是Dionne G、Duchesne P、Maria Pacurar(2005)提出的Intraday Value at Risk,他们对UHF-GARCH模型进行了扩展,并使用蒙特卡洛模拟方法得到了日内风险价值(IVaR);三是Gilbert Colletaz、Christophe Hurlin和Sessi Tokpavi(2007)提出的方法,文中将价格运动的ACD模型与非参数的分位数回归模型合并起来构成了一个估计VaR的半参数方法,并将这种方法估计出的VaR称为Irregularly Spaced Intraday Value at risk(ISIVaR),该模型估计比较复杂,实证研究中使用不多。 综上所述,大多数文献都只对高频数据拟合方法进行了应用研究,还没有发现将低频、高频和超高频数据方法进行对比的研究,对不同频率数据适用情况的研究也很少。本文拟在前人研究的基础上,使用规范、标准的方法,结合我国金融市场的实际情况,通过使用金融资产的低频数据、高频数据和超高频数据分别建立模型进行对比研究,以期得到一些有用的结论,并对不同频率数据的适用情况进行分析。 二、 金融资产var VaR方法是目前应用于金融市场风险管理和金融监管的主流方法,被用来度量金融资产或投资组合在一定持有期内和给定置信水平下可能的最大损失。该指标简单清晰,理论严谨,得到了国际金融界的广泛支持和认可。本文拟使用VaR作为风险测度的指标。如果假设金融资产的收益率服从某种分布(以正态分布为例),那么VaR的计算公式为:VaR=-S(μ赞+准-1(α)σ赞)。其中,S为初始投资额或者是购买资产的价格,μ赞为持有期收益率的条件均值,σ赞为持有期收益率的条件标准差,准-1(α)为与概率α对应的标准正态分布的分位数。在计算金融资产的VaR时,最主要的是要选用适当的模型拟合金融资产收益率,继而预测出条件均值和条件方差,代入公式即可。 低频数据、高频数据及超高频数据具有各自独特的数据特征,基于此,本文建立了基于低频数据的APARCH模型、基于高频数据的RV模型、基于超高频数据的UHFV模型,分别计算出金融资产1天的风险价值VaR,并对计算精度进行对比研究。 (一) 偏学生分布的h模型 ARCH类模型的引入很好地解决了金融资产收益率尖峰厚尾性导致的风险低估问题,由于ARCH类模型模拟了条件方差与过去收益之间的函数关系,因此,我们很容易通过分位数将ARCH类模型转化为条件VaR模型。本文构建了ARMA(1,1)-ARARCH模型,其一般表达式可写成: 其中,rt=1n(pt)-1n(pt-1),pt为当天的收盘价,σtδ为条件方差,νt为独立同分布的随机变量,κ为残差分布函数的参数。 选择一个合适的分布形式拟合残差对计算VaR