广义随机占优单调一致风险测度和ES^((n))——一种新的风险测度概念和指标

本文以广义随机占优理论为基础 ,提出了一种新的风险测度概念和一类新的风险测度指标 ,即广义随机占优单调一致风险测度概念和高阶期望损失风险测度ES(n) ,现行标准风险管理工具VaR和内在一致风险测度ES等分别是ES(n) 的零阶和一阶的特例。ES(n) (n≥ 1 )是 (n + 1 )阶广义随机占优单调一致风险测度 ,使用ES(n) 作为风险管理工具可以增强风险监管的有效性 ,提高风险控制的可靠性 ,减少风险决策错误的可能性。本文以巴林银行倒闭案为例说明了在正态分布假设下ES(n) 的具体计算方法 ,并使用ES(n) 对上海和深圳两大证券市场的波动风险进行了比较研究。

基于高阶一致风险测度的组合优化

从一致性公理的角度,介绍了MV(Mean-Variance)、VaR(Value-at-Risk)、ES(Expected Shortfall)以及HMCR(Higher Moment Coherent Risk Measure)等风险测度,引入随机占优的概念,分析了HMCR与随机占优一致性的关系,并证明了HMCR(p=n)具有(n+1)阶随机占优一致性,并采用Spearman秩检验法来检验和预测不同测度的风险识别能力。结果显示,HMCR(p=2,3)的风险识别能力好于其他风险测度。最后,在沪深300指数成份股中采用组合优化方法,考察MV、VaR、ES和HMCR测度优化组合持有期的不同业绩指标,得到其最优组合的累计预期收益率。结果显示,HMCR(p=2,3)的业绩指标最好,表明该测度风险识别能力最高,其较高的累计预期收益率也验证了该测度的有效性。另外,扩展研究样本至上证50市场、中小板市场和创业板市场,研究发现,上证50市场能得出类似于沪深300市场的结论,虽然由于中小板和创业板市场存在股票频繁调整的现象导致结果与沪深300市场存在差异,但在持有期的大部分时间段内,中小板市场和创业板市场的HMCR(p=2,3)仍优于其他几种风险测度。

基于EVT和高阶ES测度的人民币汇率风险研究

结合极值理论(EVT)和基于广义随机占优理论的高阶ES测度对三种国际主要货币对人民币汇率波动性风险进行考察,实证结果表明:美元对人民币汇率二阶及二阶以上广义随机占优于日元对人民币汇率和欧元对人民币汇率,而日元对人民币汇率和欧元对人民币汇率之间不存在四阶及四阶以下广义随机占优关系。使用ES(n)可以提高风险控制可靠性,提升风险决策能力。

基于几种风险测度的多阶段组合优化研究

基于均值-方差(MV)、VaR(Value at Risk)、CVaR(Conditional VaR)、HMCR(p=1,2,3)(Higher Moment Coherent Risk)几种风险测度进行多阶段组合优化研究。首先从一致性公理和随机占优一致性角度分析几种风险测度的风险识别能力,认为HMCR(p=2,3)的风险识别能力最高,然后给出静态和动态下的风险规避型的规划函数及多阶段CVaR和HMCR模型,最后依据单阶段和多阶段优化模型,对上证50指数成份股进行实证分析。对比单阶段和多阶段下几种风险测度优化组合的累计收益率及几种风险测度之间的关系,结合上证50指数收益率发现,多阶段优化组合要整体优于单阶段优化组合,且HMCR(p=2,3)要优于指数收益率和其它几种风险测度。从投资者投资决策方面来分析,HMCR(p=2,3)型积极投资策略比较适用于股市平稳期、顶峰期和下降期,被动投资策略比较适用于股市上升期。

基于等熵一致性风险测度的组合选择

本文基于一种新的一致性风险测度——等熵风险测度,进行组合优化,以检验其择股能力,从而检验其风险识别能力.先就风险识别能力,尤其随机占优一致性对三种基于分位数的风险测度:VaR,ES(expected shortfall)和等熵风险测度进行了介绍与对比.VaR具有一阶随机占优一致性,而ES具有二阶随机占优一致性;等熵风险测度利用了整个分布的信息,不再是简单的0-1风险测度,这与VaR和ES显著不同.而且,等熵风险测度具有更高阶的随机占优一致性,这使得该风险测度具有更好的风险分辨能力.而后采用Spearman秩检验方法来检验和预测不同风险测度的风险识别能力,这与随机占优一致性阶数相呼应.最后,在上证50指数成份股中采用组合优化方法,考察标准差,VaR,ES以及等熵风险测度情况下,优化组合持有期的不同业绩指标.结果表明,等熵风险测度优化组合的业绩指标最好,表明该测度风险识别能力最高.

基于风险测度理论的VaR与CVaR的比较研究

本文分别在Artzner等(1999)提出的一致风险测度理论框架内和随机占优理论框架内比较VaR和CVaR的优劣,指出CVaR在性质上要优于VaR。但在椭圆分布假定下,VaR依然保持子可加性和二阶随机占优的一致性。由于椭圆分布包含诸如t分布以及帕累托分布等能够反映厚尾特征的分布,因此VaR依然可以刻画金融时间序列数据的尾部特征。此外,本文探讨了CVaR在风险管理和监管实践中遇到的问题,指出CVaR模型的事后检验不易实施。