基于期望损失对中国股票市场风险的返回检验

基于风险估价和期望损失的返回检验存在一定缺陷。为此,将一种新的返回检验方法——鞍点技术应用于3种中国股票指数的日收益率。然后,使用3种不同的模型进行预测,与真实数据相比较进行返回检验。研究结果表明:简单的GARCH-N orm al模型无法捕捉股票市场风险,对实践中相当普遍的基于正态分布的风险建模提出了一种警示。同时,鞍点技术的优点在于,允许基于每年的股指收益率数据进行返回检验。

改进的临近返回检测法:时间序列的混沌性诊断

利用受随机扰动时系统时间序列的拓扑学特点,建立了带随机项的差分方程模型以模拟经济时间序列,指出了临近返回检测(CR检测)方法在反映混沌的敏感依赖性等方面的不足,改进了原CR方法的判断步骤,并从数理统计及动力学角度给出了理论依据,提出了改进的临近返回检测方法(ICR检测).最后对上海股票市场非线性与混沌进行了实证,指出了上海股票市场存在非线性,噪声较大,但不存在混沌.

股票市场的非线性结构与混沌效应检验--基于BDS与CR方法

在传统研究方法的基础上,运用Rosenstein提出的小数据量算法计算最大李雅普诺夫指数,进而引入BDS与返回临近检验(CR),从不同角度对中国股票市场的混沌动力学结构进行分析.为了避免破坏混沌吸引子的分形结构,采用对数线性趋势消除法(LLD)进行数据处理.研究结果表明,中国股市具有低维混沌吸引子、对初值敏感依赖性、准周期性等显著的非线性混沌特征.并就市场混沌的经济含义与应用价值进行了探讨.

上海股票市场非线性与混沌的检验

临近返回检验是一种特别适合于检验金融市场中的非线性与混沌的新方法。本文将临近返回检验与BDS检验相结合 ,检验了上证综合指数收益率的非线性与混沌的存在性 ,结果表明 ,上证综合指数收益率虽然存在显著的非线性 ,但不存在混沌 。

参数法、半参数法和非参数法计算我国铜期货市场VaR之比较

本文分别采用参数法、半参数法与非参数法来估计铜期货市场的风险值。由于利好与利空信息对期货市场波动性的影响是不对称的,因此本文参数法采用非对称的EGARCH与TGARCH模型来估计铜期货市场的条件VaR,半参数法采用前四阶矩方法,非参数法采用核函数的方法。一般金融市场只考虑下跌风险,而期货市场由于存在做空机制,所以本文亦提出期货市场上涨风险的概念,并分别估计了三种方法下的下跌VaR与上涨VaR,用返回检验对每种方法的有效性进行了评价。实证研究表明:不论是下跌VaR还是上涨VaR,非参数法对数据的拟和要远远优于另外两种方法,具有很强的实际意义。

基于ARMA-APARCH-SGED模型的原油价格风险度量研究

从原油现货市场收益率的特征分析着手,为了更好地描述原油现货市场收益率的尖峰厚尾、偏态和波动集聚等特性,利用APARCH模型来刻画收益率的波动性,同时利用Skew GED(SGED)分布来描述收益率的概率分布特征;进而运用ARMA-APARCH-SGED模型对原油现货市场收益率的VaR进行估计和分析,并与基于Skew-t和GED分布的ARMA-APARCH模型进行比较。通过返回检验,结果表明,AR-MA-APARCH-SGED模型能更加准确地度量原油现货市场的风险价值。

中国进出口贸易市场的混沌特性分析

对于经济管理系统混沌的检验,主要体现在证券、期货和外汇市场,由于其他经济领域序列数据的匮乏,传统混沌分析方法的应用受到了限制。本文采用最新的基于小数据样本的临近返回检验,研究中国进出口贸易1989年1月到2003年5月的月度数据序列,发现了混沌的拓扑特征;进一步应用小数据量方法计算最大Lyapunov指数,数值结果同样证实中国进出口贸易市场存在低维混沌,从而佐证了国际贸易市场混沌的存在;实证结果为国际贸易系统模型的建立和预测提供了新的理论依据。

基于GARCH模型的证券投资基金VaR计算与实证研究

基于统计技术的度量金融市场风险值(Value at Risk,VaR)已成为测量市场风险的新标准和新方法。鉴此,如何高效、准确地进行VaR的计算将是问题所在。基于GARCH模型,讨论了对数收益率时间序列在正态、学生t和广义误差(GED)三种不同分布下的VaR计算方法,对样本基金的市场风险进行估计,并通过返回检验来检验模型的准确性。研究结果表明,基于GED分布的GARCH模型计算的VaR值最能真实地反映基金风险。

基于VaR-GARCH模型对证券投资基金风险的实证研究

根据证券投资基金收益率序列的尖峰厚尾特征,建立估计基金风险的VaR-GARCH模型。在正态分布、t分布及GED分布三种不同的分布假设下,对基金的VaR值进行估计,并应用Kupiec失败频率检验方法对VaR模型的准确性进行了返回检验。研究结果表明,相比之下,基于GED分布的GARCH模型计算的VaR值最能真实地反映基金风险。

基于藤Copula分组模型的金融市场风险度量研究

传统未分组的藤Copula模型可用于刻画金融资产间的相依性,但存在将所有不同行业资产视为一个整体的问题。本文在充分考虑金融市场中各机构所属行业不同的基础上,提出了藤Copula分组模型,给出了该模型算法的具体步骤,并证明了算法的收敛性。最后通过返回检验方法,对比研究了藤Copula分组模型和未分组的藤Copula模型对银行业、证券业和保险业间VaR估计的精度差异,结果表明藤Copula分组模型的预测效果更准确且更有效。

北京先行经济指数研究

"北京先行经济指数"是我国第一个区域性先行经济指数,在试运行中取得了很好的效果。该指数以我国现行统计制度为基础,紧密结合北京实际,通过构造基准循环、"提取"先行指标、编制指数、返回检验等步骤,对北京先行经济指数的科学性和有效性进行了分析。先行指数超前GDP增速变化4～8个月这一重要研究结论在返回检验中得到了很好的证实。

基于藤Copula分组模型的股票市场风险优化研究

文章在充分考虑金融上市公司所属行业类型不同的基础上,扩展了二元Copula分组模型,构建了基于藤Copula分组的均值-ES模型,通过实证方法研究相依结构对中国股票市场优化风险的影响。结果表明:与藤Copula模型相比,藤Copula分组模型在样本内对应的有效前沿表现更好,改善了样本外股票市场最优组合策略的表现,并且返回检验结果也验证了该模型优化风险的准确性和有效性。

动态VaR估计模型及实证

为了准确描述金融收益率序列的波动率聚集,异方差、厚尾等特性,研究我国证券市场的时变风险,本文利用极值理论和GARCH模型在处理金融数据上的优点,构造了基于GARCH-EVT的条件VaR模型,并对沪市综合指数收益率进行实证研究,结果表明,上海股市存在ARCH效应,收益率序列具有较强的自相关性;以GARCH模型为基础的条件极值方法比GARCH-正态和GARCH-t模型更好地消除了厚尾性对估计结果的影响,能更准确地捕捉风险的时变特性.

投资组合动态VaR预测模型和预测精度评价

采用4种Backtesting检验方法,检验22个常态和时变投资组合动态VaR预测模型的风险预测精度,发现GJR_GPD_TV_Copula具有最高的投资组合风险预测精度,GJR_GPD_Copula的拟合、密度预测和组合风险预测精度都要高于GJR_SKST_Copula,且Copula模型的组合风险预测精度分别与拟合精度和密度预测精度存在较弱的正相关关系.

基于La-VaR模型互联网金融流动性风险的研究

近年来,互联网金融凭借着低成本高效率的特征发展迅速,其中蕴含的风险日益受到各界关注。基于中证互联网金融指数,本文利用GARCH模型和极值理论POT计算经流动性调整后的VaR值,对互联网金融的流动性风险进行度量,并通过返回检验比较两者的优劣。

我国证券投资基金风险的实证研究

根据证券投资基金收益率序列的尖峰厚尾特征,建立估计基金风险的VaR-GARCH模型。在正态分布、t分布及GED分布三种不同的分布假设下,对基金的VaR值进行估计,并应用Kupiec失败频率检验方法对VaR模型的准确性进行了返回检验。研究结果表明,相比之下,基于GED分布的GARCH模型计算的VaR值最能真实地反映基金风险。

估计VaR的一种新方法及实证分析

在VaR计算的众多方法中,历史模拟法以其概念直观、计算简单、容易实施,被越来越广泛地应用到市场风险的管理中。然而采用历史模拟法计算VaR时,会出现VaR高估现象,另外,历史模拟法在计算VaR时没有很好的反映金融数据的聚集现象和厚尾现象。有经济学家在1999年曾提出过一种改进方法。本文提出了一种新的估计方法,实证分析显示新的估计方法能更好地揭示资产的风险水平。

基于GARCH模型的证券投资基金VaR计算与实证研究

基于统计技术的度量金融市场风险值VaR(Value at Risk)己成为测量市场风险的新标准和新方法。鉴此,如何高效、准确的进行VaR的计算将是问题所在。本文基于GARCH模型,讨论了对数收益率时间序列在正态、学生t和广义误差(GED)三种不同分布下的VaR计算方法,并对样本基金的市场风险进行估计,并通过返回检验来检验模型的准确性。研究结果表明,相比之下,基于GED分布的GARCH模型计算的VaR值最能真实地反映基金风险。

基于动态半参数法的我国证券市场风险研究

本文用动态半参数法估计了我国证券市场的风险值VaR。由于金融市场存在利好与利空信息所带来的非对称性,因此本文利用所选数据,建立EGARCH波动模型,同时用参数法、历史模拟法计算了VaR,并用Kupiec(1995)的Back-test对每种方法的有效性进行了评价。突出了动态半参数法对数据拟合的优越性。

极值理论在股指期货市场高频数据中的VaR研究

本文运用我国沪深300股指期货合约IF1106Q自2010年11月24日至2011年2月18日每5分钟的收盘价高频数据,引入广义帕雷托分布(GPD)代替传统的正态分布,精确描述金融高频数据损失序列的厚尾特征。进而估算不同置信水平下的VaR值,并进行返回检验,结果表明,极值理论方法可以比较精确地度量高频数据的VaR值。