基于HMM的VaR风险度量及其实证分析

文章基于隐马尔科夫模型(HMM)提出了度量金融资产风险价值(VaR)的HMM-ARMA-GARCH模型。首先对金融资产收益率序列建立正常状态和异常状态的隐马尔科夫模型,使用期望最大化算法估算出模型中的未知参数,再利用Viterbi算法估算出收益率序列所对应的隐状态序列,根据隐状态序列把收益率序列数据分成正常状态类序列和异常状态类序列2个大类,对2个状态类序列分别建立ARMA-GARCH模型来估算VaR。最后利用该模型和传统的ARMA-GARCH模型对上证企债指数进行了实证分析,采用Ku-piec失败频率检验法对VaR的准确性进行检验。实证结果表明,该模型的VaR计算方法具有较好的估计效果,能够有效地降低GARCH模型高估波动持续性的现象。

基于EGARCH-GPD模型的沪深300指数的VaR度量

结合经典的EGARCH模型和基于广义Pareto分布的极值理论,建立了一种新的EGARCH-GPD模型,并研究了新模型的动态VaR估计问题。沪深300指数VaR估计的返回测试结果表明:该EGARCH-GPD模型比传统的基于正态分布的EGARCH模型能更好地刻画金融数据分布的"厚尾"特征和波动率的时变性,在一定程度上提高了VaR估计的预测精度。

基于GARCHSK的铜期货VaR估计方法研究

基于GARCHSK模型对期货收益序列的条件偏度和峰度进行动态建模,提出了"有偏"和"尖峰厚尾"分布下的VaR估计方法。通过对沪铜期货的实证研究表明,其收益分布存在明显的"有偏"和"尖峰厚尾"。基于不同分布假定下的VaR估计结果的Kup iec检验表明,基于GARCHSK的VaR估计方法能够有效提高VaR的估计精度。

有偏分布下的VaR估计方法研究

文章利用GARCHS模型对金融时间序列的条件偏度进行动态建模,在此基础上提出了有偏分布下VaR的估计方法。通过沪铜期货的实证结果表明,沪铜期货收益的条件偏度时变特征明显,其收益存在明显的有偏特征。对沪铜期货VaR估计的Kupiec检验比较表明,基于GARCHS模型的VaR估计方法能够提高有偏分布下VaR的估计精度。

基于已实现NGARCH模型的上证50指数的风险度量

基于NGARCH模型刻画了波动率的杠杆效应特征,在已实现GARCH模型的波动率方程中引入杠杆参数的扰动,建立了新的已实现NGARCH模型,并研究了新模型的动态VaR估计问题。上证50指数5 min频率高频数据VaR估计的返回测试结果表明:该新模型比已实现GARCH模型更好地刻画了波动率的杠杆效应特征,在一定程度上提高了风险度量的预测精度。

考虑基差对高阶矩影响的市场风险度量研究

提出了加入基差项的GARCHSK模型研究了基差对现货收益高阶矩的动态影响,并将该模型应用于提高对现货VaR的度量精度.对股指期货和现货市场的实证研究表明,基差对股指现货收益的条件均值、波动率和偏度均存在显著影响,考虑基差对高阶矩影响后的模型可以提高对股指现货市场风险度量的精确度.

基于布朗运动欧拉离散化模拟的VaR在股票市场中的应用研究

股价波动方式为布朗运动,对布朗运动做欧拉离散化模拟。采用蒙特卡洛方法进行上证指数的VaR分析,最后进行Kupiec回溯检验,发现与传统的正态分布假设及ARCH模型结果相比,基于布朗运动做欧拉离散化处理并采用蒙特卡洛方法进行模拟的VaR的效果更好,可以为股票市场的风险分析提供较为可靠的依据。

沪深股市的相关结构分析与投资组合风险度量——基于ARFIMA-GARCH-Copula模型

金融资产收益率不仅具有尖峰厚尾性、异方差性,还具有长记忆性。基于此,本文建立ARFIMAGARCH-Copula模型来研究沪深股市的相关结构和等权重投资组合风险值VaR,利用上证指数和深成指数收益率的组合来进行实证研究。首先采用经典R/S分析法检验各个资产收益率的长记忆性,经过分数阶差分后选用GARCH模型建模得到边缘分布。然后选择Copula函数来刻画两资产之间的相关结构,建立联合分布模型。进而采用Monte Carlo方法模拟产生各资产的收益率序列,计算出投资组合的风险值VaR。实证研究表明:沪深股市具有长记忆性,且两者具有对称的尾部相关性;Kupiec检验说明ARFIMA-GARCH-Copula模型较之于GARCHCopula模型能更准确地度量投资组合风险。

基于帕累托分布的聚合收益率的VaR计算方法

极值理论在金融资产收益分析中有着重要应用,金融资产收益率的厚尾分布可以用帕累托分布来描述,但是在计算投资组合的VaR时,需要知道的是组合的分布,但是其具体的分布形式却是不可知的.所以本文就在先前研究的基础之上通过对帕累托总和进行分解得到2个分解总和,通过对这2个总和的分析求得其各自的分布,再由此计算出总和的近似分布,从而求得投资组合的VaR.这种方法不仅考虑了每个个体对总和的影响力度,还弥补了极端事件对结果的影响,使得计算出来的VaR值对市场风险的衡量更为的准确.

基于Monte Carlo模拟的VaR在沪深300指数中的实证研究

将Monte Carlo模拟中的随机分布分别选用正态分布和分布,计算沪深300指数在2015年间的风险价值VaR,采用Kupiec失败率法进行检验,研究发现:在95%的置信水平上,分布下的Monte Carlo模拟法能够很好的预测风险。

基于R-vine Copula的金融市场系统性风险测度

近年来,以股市为代表的各国金融市场的系统性暴涨暴跌给实体经济的稳定发展带来了众多的不确定因素。正因如此,需对股票市场极端条件下波动的系统联动性与条件分散效应进行研究。文章首先构建极值R-vine Copula模型,分析了全球六大股票市场的风险相依关系及分散效应。在此基础上,构建出资产组合的VaR模型,测试样本之外的极端风险,并通过Kupiec回溯检验方法,验证了模型的有效性。研究结果表明:结合EVT极值理论的R-vine Copula模型能够有效地描述各国股票市场间的尾部极值系统性风险相依关系,取得了更好的全球股票市场系统性风险关联与测度效果,英国富时100指数起到了系统性风险的连接作用。通过Vine Copula结构分解进一步分析发现,欧美地区的系统性风险相对亚洲地区更难被分散。

基于非对称Laplace分布的GARCH模型探讨我国证券市场风险

文章以GARCH模型为理论基础,在95%的置信水平下,对比收益率的分布不同,分别求出我国四种主要股票指数的各时期的风险值,非对称Laplace分布合适地描述金融数据的尖峰、厚尾和有偏的特征,最后对于模型的有效性,选用Kupiec方法对模型进行检测,表明收益率分布采用非对称Laplace分布从而有助于提高对股票指数的风险度量的准确性。

MC-GARCH模型在互联网金融风险度量中的实证研究

针对互联网金融风险测度问题,提出了MonteCarlo模拟法。首先,选取中证互联网金融指数作为研究对象,并对数据进行基本的统计分析,得出中证互联网金融指数对数收益率具有尖峰厚尾性和异方差性的特点,建立GARCH模型,对序列的均值和方差进行估计;其次,基于GARCH模型计算出的均值和方差,利用MonteCarlo模拟法计算中证互联网金融指数的VaR和CVaR值;最后,对模型的准确性和精确度方面进行Kupiec返回检验。结果表明:VaR和CVaR均可作为度量互联网金融风险的工具,但VaR无论在准确性上还是精确度上都远低于CVaR,故CVaR是一种更优良的风险测度工具。

基于似然比检验的VaR回测研究

基于似然比检验理论,文章研究了总体服从Pascal分布、几何分布和二项分布情形下的VaR回测(Backtesting)检验问题,提出了平均首次失败次数检验法和平均失败率检验法,使得Kupiec(1995)所提出的回测检验法恰是本文研究结论的特例。最后通过数值计算验证了本文所提出方法的功效更高,在一定程度上提高了VaR预测检验的精度。

基于HMM-GARCH模型的VaR方法及其在农业股市的应用

文章利用隐马尔科夫模型在状态划分上的优势,将隐马尔科夫模型(HMM)与GARCH模型结合建立HMM-GARCH模型来度量金融资产风险价值(VaR)?首先对收益率序列建立隐马尔科夫模型,将股票市场分为正常状态与异常状态,用Baum-Welch算法估算模型的参数,再采用Viterbi算法估算收益率序列所对应的隐状态序列,根据隐状态序列将收益率序列分为两类,分别建立HMM-GARCH模型估算VaR?最后利用GARCH模型?MRS-GARCH模型?HMM-GARCH模型对北大荒股票(600598)数据进行了实证分析,采用Kupiec-失败频率检验法对估计的VaR值进行检验?实证结果表明,基于HMM-GARCH模型的VaR方法能更好的描绘和预测该股票的风险?

基于AR(m)-QAR-GARCH模型的沪深指数VaR测度研究

传统的GARCH模型在测度我国沪深指数日对数收益率VaR时,由于不能兼顾其尖峰、厚尾、有偏性和自相关性的特征往往效果不佳。针对沪深指数日对数收益率的上述特点,提出利用AR(m)-QAR-GARCH模型测度我国三大股指的VaR。基于Kupiec似然比和DQ检验表明:AR(m)-QAR-GARCH模型测度沪深指数VaR预测准确性要好于自相关性不明显的恒生指数和日经指数;AR(m)-QAR-GARCH模型对沪深指数VaR测度效果要好于几种没有考虑自相关性的GARCH模型;对于我国沪深指数收益率自相关性可能存在的阶段性特点,AR(m)-QAR-GARCH模型也适合。

沪深股市风险特征分析

本文运用ARMA-GARCH-M计量经济学模型,以及国际上通行的风险评价指标VAR,通过计算沪深两市的VAR值,比较两市的整体投资风险,以及各自的风险特点,并对模型的有效性进行了Kupiec检验,为投资者控制市场风险提供参考.

基于混频广义条件异方差模型的农产品市场价格风险度量研究

以宏观变量为研究对象,运用混频广义条件异方差(GARCH-MIDAS)模型研究我国农产品市场价格风险的测度问题。考虑宏观变量对农产品价格的影响,选择居民消费价格指数、工业增加值增速、广义货币供应量、人民币汇率、同业拆借利率等宏观变量,利用VaR方法构建基于GARCH-MIDAS模型的农产品指数、玉米连续指数、郑棉C1901指数风险评估模型。实证表明:考虑不同宏观变量构建模型并比较VaR估计值,Kupiec失败率检验证实GARCH-MIDAS模型贴切刻画农产品市场价格风险,较未考虑宏观影响的GARCH模型更加精确。

基于自适应分配算法的嵌套模拟风险价值

如何准确有效地估计风险价值(VaR)一直是研究的热点问题。本文提出用嵌套模拟来估计VaR值,并设计了一套自适应分配算法。该方法用外部模拟生成样本情景,用内部模拟估计每个情景中的资产或资产组合的价值损失,以此来估计VaR值。该方法能合理分配计算效用,从而使估计值的均方误差最小。最后,用上证指数对这个方法做了实证检验,Kupiec检验结果证实嵌套模拟用于计算VaR值是行之有效的。