經(jīng)濟(jì)全球化的加速,使得金融市場的開放性越來越強(qiáng),金融市場的風(fēng)險也隨之持續(xù)增加,這使得風(fēng)險度量變得越來越重要,如何構(gòu)建科學(xué)有效的風(fēng)險度量方法一直是廣大學(xué)者關(guān)注的熱點和難點問題。本文以構(gòu)建風(fēng)險價值模型為研究目標(biāo),提出了基于自適應(yīng)分解方法的VaR估計模型。文中將標(biāo)準(zhǔn)普爾500指數(shù)的日收盤價作為數(shù)據(jù)源,分別利用經(jīng)驗?zāi)B(tài)分解、整體經(jīng)驗?zāi)B(tài)分解和局部均值分解進(jìn)行數(shù)據(jù)處理,結(jié)合GARCH類模型。同時,與傳統(tǒng)的GARCH模型進(jìn)行比較。通過比較分析發(fā)現(xiàn)本文所給出的基于LMD且在殘差序列服從廣義誤差分布條件下的ARIMA-GARCH模型的VaR估計效果最優(yōu)。本文的具體工作如下:首先,將原始數(shù)據(jù)進(jìn)行對數(shù)收益率處理;然后分別用EMD、EEMD、LMD進(jìn)行數(shù)據(jù)分處理,并對分解后的各個分量進(jìn)行包括描述性統(tǒng)計、正態(tài)性和周期性的多尺度分析,為后續(xù)建立合理的VaR模型奠定基礎(chǔ);其次,在假設(shè)殘差序列分別服從正態(tài)分布、T分布和廣義誤差分布的前提下對各個分量分別建立使得各參數(shù)顯著的ARIMAGARCH模型,從而得到各分量的條件方差序列;接下來求取不同置信水平下的分位數(shù),從而得到整合的條件方差,計算求得S&P500指數(shù)... 

【文章來源】：長春工業(yè)大學(xué)吉林省

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

IMF1-IMF4正態(tài)性檢驗QQ圖

第3章基于自適應(yīng)分解方法的金融數(shù)據(jù)多尺度分析24分布擬合最終形態(tài)大體可以看作一條直線時可以認(rèn)為該數(shù)據(jù)近似服從正態(tài)分布，反之則認(rèn)為該數(shù)據(jù)不服從正態(tài)分布。下圖3.5是用正態(tài)分布繪制由EEMD分解后的IMF1-IMF4的Q-Q圖，顯然可以看出這些序列的數(shù)據(jù)點并沒有很好的擬合到一條直線上。本文對所有分量都進(jìn)行了正態(tài)性分析，但不在文中贅述。通過正態(tài)性分析，可得出通過EEMD處理后的12個IMF均不服從正態(tài)分布的結(jié)論。這與上一小節(jié)描述性統(tǒng)計分析中J-B檢驗的結(jié)果一致。圖3.5IMF1-IMF4正態(tài)性檢驗QQ圖3.3.3周期性分析在對S&P500的對數(shù)收益率序列進(jìn)行EEMD處理后，將繼續(xù)就其周期性做進(jìn)一步的研究。與3.2.2節(jié)中的計算方法一樣，通過使用MATLAB編程計算每個分量的極值點個數(shù)，然后用平均周期法計算每個序列的周期。其所得結(jié)果見3-4。從表3-4可看出經(jīng)過EEMD方法處理后的S&P500日收盤價對數(shù)收益率各分量

第3章基于自適應(yīng)分解方法的金融數(shù)據(jù)多尺度分析28分解后的7個序列均不服從正態(tài)分布。這與上一小節(jié)描述性統(tǒng)計分析中J-B檢驗的結(jié)果一致。圖3.7PF1-PF4正態(tài)性檢驗QQ圖3.4.3周期性分析在對S&P500的對數(shù)收益率序列進(jìn)行LMD處理后，將繼續(xù)就其周期性做進(jìn)一步的研究。（1）運(yùn)用MATLAB軟件編程計算出通過LMD處理后各PF分量的極值點(極大值點和極小值點)的個數(shù)；（2）采用在3.2.3節(jié)中給出的平均周期法原理來計算各PF的周期性；（3）運(yùn)用公式計算并分析該序列的變化規(guī)律[53]。其所得結(jié)果見3-6。從表3-6可看出經(jīng)過LMD方法處理后的S&P500日收盤價對數(shù)收益率各分量的周期性變化并不相同。其中，PF1和趨勢項的周期分別為1.4625和1.78，大約為一天；PF2的周期值為6.3003，大約為一周；PF3的值為22.2063；PF4和PF5的周期為83.9322和88.4286，大約為三個月，即一個季度；PF6的周期為130.3158，大約為


本文編號：3485638