基于GARCH-GED分布模型的证券投资基金风险度量

随着基金行业改革的推进,市场风险日益成为证券投资基金面临的主要风险。基于收益率序列的波动聚集特征,在计算VaR时对方差-协方差法进行了改进:为描述分布的尖峰厚尾特性,假定其收益服从GED分布;为描述条件方差的时变性,将GARCH模型引入VaR计算,并以10只开放式基金为样本进行实证分析。结果表明:基于GARCH-GED模型的VaR方法比传统方法更有效,能够较好地刻画证券投资基金的市场风险。

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。

沪深300指数的VaR风险测量——基于历史模拟法和蒙特卡罗模拟法

VaR是目前金融市场风险测量的主流方法。本文基于历史模拟法和蒙特卡罗模拟法,以沪深300指数为研究对象,进行了VaR风险测量实证研究。研究发现,蒙特卡罗模拟法能够较好地覆盖实际损失,适于我国股票市场价格指数的风险度量。

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GARCH—VaR模型的人民币兑美元的汇率风险研究

本文以2006年1月1日至2013年10月31日人民币兑美元的中间汇率为样本数据，进行了计量检验，首先采用GARCH模型计算对数收益率的条件方差，其次运用V水方法中的参数法计算对数收益率的V水值，最后使用Kupiec检验法检验GARCH—VaR模型的有效性，实证研究表明运用GARcH—VaR模型研究汇率波动性有一定应用价值。