基于支持向量分位数回归多期VaR测度

为实现VaR风险准确测度,考虑到波动聚集、厚尾与非对称等金融市场典型特征,基于支持向量分位数回归模型,研究了VaR及其影响因素之间的线性及非线性依赖关系,给出了多期VaR风险测度方法,并将其与传统VaR风险测度方法进行了比较.选取上证指数、香港恒生指数和标准普尔500指数进行实证研究,VaR回测检验结果表明基于支持向量分位数回归模型的多期VaR风险测度在样本内与样本外都有良好的表现.

完全市场情况下多阶段均值-VaR投资组合优化

将VaR风险度量方法拓展到多阶段投资组合优化,提出了完全市场情况下多阶段均值-VaR投资组合模型,该模型的目标函数不具有可分离性。采用嵌入式方法将不可分离的问题转化为可分离的,并运用动态规划方法得到了模型的解析解,即最优投资策略。通过一个算例验证了该模型和求解方法的有效性。

基于非线性分位数回归模型的多期VaR风险测度

多期VaR主要受到持有期及波动率两个变量的影响,并且其影响模式(线性或非线性)的确定对于准确地进行VaR风险测度至关重要。非线性分位数回归模型,能够克服线性分位数回归模型只能揭示多期VaR及其影响因素之间线性依赖关系的局限,从而提高多期VaR风险测度的准确性。结合波动模型与两个非线性分位数回归方法:QRNN和SVQR,给出了多期VaR风险测度的三类方案:波动模型法、QRNN+波动模型法、SVQR+波动模型法。选取3个股票价格指数作为研究对象,考虑了6种不同形式的波动模型,得到了18个多期VaR风险测度方法进行实证比较,结果表明:波动模型选择影响到多期VaR风险测度效果;SVQR+波动模型法略优于QRNN+波动模型法,并且两者显著优于波动模型法。

均值—动态VaR多阶段投资组合优化研究

将动态风险度量方法运用到多阶段投资组合中,提出了具有交易成本和交易量限制的均值—动态VaR多阶段投资组合模型,并运用自创算法——离散近似迭代法求解.方法的基本思路为:首先,将模型中的连续型状态变量离散化,并将上述模型转化多阶段赋权有向图,然后,运用极大代数求出起点至终点的最长路程,即获得模型的一个可行解;最后,以该可行解为基础,继续迭代直到前后两个可行解非常接近.证明了该方法的收敛性,并以一个具体的算例,验证了该算法可以较快地计算出不同终期财富所对应的最优投资策略.