VaR (Value at Risk)在风险管理领域一直深受银行业和金融机构的重视,GARCH模型对VaR的测量是一个重要研究领域。然而在实际应用中,利用传统参数GARCH模型建模时需要指定条件分布形式,一旦分布指定错误将会导致模型失效。因此,我们在标...VaR (Value at Risk)在风险管理领域一直深受银行业和金融机构的重视,GARCH模型对VaR的测量是一个重要研究领域。然而在实际应用中,利用传统参数GARCH模型建模时需要指定条件分布形式,一旦分布指定错误将会导致模型失效。因此,我们在标准的GARCH(1,1)模型下,结合累积经验分布函数对残差进行修正,避免了传统参数分布由于事先指定错误带来的模型风险。经过实证研究发现,我们采用的方法比指定参数分布下的标准GARCH(1,1)模型在测量VaR方面有了很大改进,其失败频率和相对误差都显著降低。因此,文中采用这种创新的尾部分布形式在估计VaR值方面具有一定的实际应用价值。展开更多
文摘VaR (Value at Risk)在风险管理领域一直深受银行业和金融机构的重视,GARCH模型对VaR的测量是一个重要研究领域。然而在实际应用中,利用传统参数GARCH模型建模时需要指定条件分布形式,一旦分布指定错误将会导致模型失效。因此,我们在标准的GARCH(1,1)模型下,结合累积经验分布函数对残差进行修正,避免了传统参数分布由于事先指定错误带来的模型风险。经过实证研究发现,我们采用的方法比指定参数分布下的标准GARCH(1,1)模型在测量VaR方面有了很大改进,其失败频率和相对误差都显著降低。因此,文中采用这种创新的尾部分布形式在估计VaR值方面具有一定的实际应用价值。