【摘要】： 經(jīng)濟(jì)全球化、衍生產(chǎn)品的大量出現(xiàn)使得金融市場(chǎng)呈現(xiàn)出前所未有的波動(dòng)性,金融市場(chǎng)的風(fēng)險(xiǎn)管理已尤顯重要。風(fēng)險(xiǎn)價(jià)值(VaR)是金融風(fēng)險(xiǎn)管理中應(yīng)用最廣泛的一種工具,它簡(jiǎn)單地用一個(gè)分位數(shù)來(lái)衡量風(fēng)險(xiǎn)的大小。傳統(tǒng)上,VaR的計(jì)算方法一般都要對(duì)金融收益服從哪種類型的分布進(jìn)行假設(shè),在這個(gè)基礎(chǔ)上才能得到一定置信水平下的分位數(shù)值,然而假設(shè)的有效性是否能得到保證受到質(zhì)疑,所以傳統(tǒng)的VaR計(jì)算方法存在模型風(fēng)險(xiǎn)。 極值理論(EVT)作為次序統(tǒng)計(jì)學(xué)的一門分支,近年來(lái)已被廣泛地應(yīng)用于金融風(fēng)險(xiǎn)的定量分析中。它不同于傳統(tǒng)VaR方法的是不需要事先假設(shè)樣本的分布情況,而以樣本極值為研究對(duì)象,建立總體分布尾部的模型。樣本極值就是樣本中超出偏離中心數(shù)值一定程度的數(shù)據(jù),也就是發(fā)生超額損失的一些異常值。由極值理論得到總體分布的尾部特征后,給一特定的尾部概率,就能得到風(fēng)險(xiǎn)價(jià)值VaR。由于金融資產(chǎn)收益的厚尾分布,傳統(tǒng)的VaR通常低估風(fēng)險(xiǎn),而極值理論方法能更準(zhǔn)確地估計(jì)風(fēng)險(xiǎn)。 極值理論給出了關(guān)于樣本極值的極限分布與其本身的分布相互獨(dú)立的一個(gè)最有用的結(jié)論——所有不同的樣本分布都具有相同的極限分布,區(qū)別僅在于參數(shù)的不同。所以極值理論可以在總體分布未知的情況下,依靠樣本數(shù)據(jù),得到總體中極值的變化性質(zhì),建立極值模型,具有超越樣本的估計(jì)能力。 本文對(duì)上海證券交易所的數(shù)據(jù)進(jìn)行了實(shí)證分析。在對(duì)上證綜合指數(shù)的實(shí)證分析中,發(fā)現(xiàn)金融時(shí)間序列除了具有厚尾性,還具有條件異方差性,即波動(dòng)率具有不斷變化地特征,并不是通常假設(shè)的方差恒定。異方差性違背了傳統(tǒng)極值理論中樣本時(shí)間序列具有獨(dú)立性的假設(shè)。所以引入GARCH族模型消除時(shí)間序列的條件異方差性,得到具有獨(dú)立同分布的樣本數(shù)據(jù),再采用極值理論計(jì)算其風(fēng)險(xiǎn)價(jià)值。 GARCH族模型認(rèn)為收益率的方差可預(yù)測(cè),條件方差不僅取決于最新的信息,也取決于以前的條件方差。GARCH族模型,為VaR的估計(jì)提供了更加有效的樣本數(shù)據(jù),它克服了樣本時(shí)間序列之間的異方差性,得到符合我們假設(shè)的獨(dú)立同分布的樣本數(shù)據(jù)。由于GARCH模型采用了動(dòng)態(tài)的條件均值和條件方差去計(jì)算VaR,也通常被稱為動(dòng)態(tài)VaR方法。 本文正是利用GARCH模型和極值理論去研究金融市場(chǎng)風(fēng)險(xiǎn)價(jià)值。借助Eviews軟件對(duì)上證綜合指數(shù)數(shù)據(jù)的進(jìn)行分析,通過(guò)對(duì)極值動(dòng)態(tài)VaR模型和一般的動(dòng)態(tài)VaR模型計(jì)算結(jié)果比較,發(fā)現(xiàn)GARCH(1,1)-EVT模型較GARCH(1,1)-t模型在有效控制風(fēng)險(xiǎn)的同時(shí)能節(jié)省資金的投入,GARCH(1,1)-EVT模型更適合在高置信水平下的風(fēng)險(xiǎn)度量,在置信水平較高(99%以上)的情況下估計(jì)結(jié)果比較穩(wěn)定。對(duì)GARCH族模型的極值理論VaR預(yù)測(cè)效果比較中,得到EGARCH(1,1)-EVT和GARCH(1,1)-M-EVT模型對(duì)收益分布的上尾部VaR預(yù)測(cè)結(jié)果好于GARCH(1,1)-EVT,其中GARCH(1,1)-M-EVT模型對(duì)上尾VaR的估計(jì)效果更好;而對(duì)下尾部VaR的預(yù)測(cè)三者效果相當(dāng)。 【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2009
【分類號(hào)】：F224;F830.9

【圖文】：

2· 2.2VaR動(dòng)態(tài)模型靜態(tài)模型的一個(gè)主要缺陷在于沒(méi)有考慮收益波動(dòng)的時(shí)變性，即每個(gè)時(shí)刻的均值和標(biāo)準(zhǔn)差都是恒定的，如圖2一2。實(shí)際上在金融時(shí)間序列里，收益的波動(dòng)不僅隨時(shí)間變動(dòng)，而且常常會(huì)出現(xiàn)波動(dòng)聚集現(xiàn)象〔29]，即一次大的波動(dòng)后伴隨著較大幅度的波動(dòng);一次較小的波動(dòng)后伴隨著較小幅度的波動(dòng);在統(tǒng)計(jì)學(xué)上，這樣的序列，，稱為具有異方差現(xiàn)象，如圖2一3。2003年諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)獲得者Engle[30』于 1982年提出自回歸條件異方差模型(徹 toRegressiveconditionalHeterosk咬沮asticityModel，簡(jiǎn)稱ARCH模型)，刻畫了時(shí)間序列的異方差性。Boflerslev[31〕于 1986年又把高階回歸的ARCH擴(kuò)展成GARCH(P

該定理相當(dāng)于極值情形下的中心極限定理。圖3一3依次為標(biāo)準(zhǔn)Frechct、Weibull、Gu擾lbel密度函數(shù)分布圖從圖3一3可以看出Frechet分布是用來(lái)描述那些極值無(wú)上界而有下界的分布，Weibull分布式用來(lái)描述極值分布有上界而沒(méi)下界的分布，G瓏nl允1分布描述無(wú)上界也沒(méi)下界的分布。我們通常見(jiàn)到的很多分布函數(shù)都可以根據(jù)它們尾部的狀況劃分到上面的三種極值分布中去。例如:學(xué)生t分布、Par杖o分布、對(duì)數(shù)Gamma分布、Cauchy分布可以劃分到F找尤het分布中去，它們都具有比較厚的尾部;正態(tài)分布、Goma分布和對(duì)數(shù)正態(tài)分布的尾部都收斂到Gmnl咒1分布，它們的尾部比較薄。一一一~、一，一‘，‘一~，一一~._二，____、____~*么、

【引證文獻(xiàn)】

相關(guān)會(huì)議論文 前1條

1 郭君;黃崇福;;自然災(zāi)害風(fēng)險(xiǎn)研究進(jìn)展的一個(gè)調(diào)查[A];風(fēng)險(xiǎn)分析和危機(jī)反應(yīng)的創(chuàng)新理論和方法——中國(guó)災(zāi)害防御協(xié)會(huì)風(fēng)險(xiǎn)分析專業(yè)委員會(huì)第五屆年會(huì)論文集[C];2012年

本文編號(hào)：2712249