本文關(guān)鍵詞：基于Copula-GJR模型的投資組合風(fēng)險(xiǎn)測(cè)度研究

  更多相關(guān)文章： Copula函數(shù) 風(fēng)險(xiǎn)預(yù)測(cè) Monte Carlo模擬 滾動(dòng)時(shí)間窗法

【摘要】：經(jīng)濟(jì)的穩(wěn)定與發(fā)展是關(guān)系到國(guó)家繁榮與社會(huì)昌盛的重要課題,對(duì)潛在風(fēng)險(xiǎn)的預(yù)測(cè)與評(píng)估也一直是金融監(jiān)管機(jī)構(gòu)以及學(xué)者關(guān)注的重點(diǎn)之一。隨著互聯(lián)網(wǎng)的發(fā)展和計(jì)算機(jī)技術(shù)的進(jìn)步,尤其是進(jìn)入70年代以來(lái),全球金融系統(tǒng)發(fā)生了巨大變化。根據(jù)世界經(jīng)合組織在2014年發(fā)布的年度報(bào)告預(yù)測(cè),隨著世界發(fā)達(dá)國(guó)家準(zhǔn)備退出2008年金融危機(jī)期間推出的經(jīng)濟(jì)刺激計(jì)劃,全球金融市場(chǎng)將面臨“巨大的動(dòng)蕩時(shí)期”。與此同時(shí),金融領(lǐng)域創(chuàng)新迭出,金融衍生產(chǎn)品爆發(fā)性增長(zhǎng),市場(chǎng)的交易速度和交易量空前增加,這些因素交織在一起,使得金融市場(chǎng)的不確定性和復(fù)雜程度都達(dá)到空前的程度。同時(shí),隨著金融市場(chǎng)一體化趨勢(shì)的增強(qiáng),不同金融體之間的波動(dòng)互相傳染,金融市場(chǎng)之間的相依性也前所未有的增強(qiáng)。技術(shù)的進(jìn)步和全球金融的一體化趨勢(shì),在一方面促進(jìn)了社會(huì)進(jìn)步,給人們的經(jīng)濟(jì)生活帶來(lái)很大的便利,在另一方面也對(duì)金融風(fēng)險(xiǎn)的管理與控制提出了更高的要求。風(fēng)險(xiǎn)管理就是金融機(jī)構(gòu)或企業(yè)在準(zhǔn)確辨識(shí)和測(cè)量市場(chǎng)風(fēng)險(xiǎn)的基礎(chǔ)上,根據(jù)其競(jìng)爭(zhēng)優(yōu)勢(shì)及風(fēng)險(xiǎn)偏好,利用各種工具和技術(shù)對(duì)風(fēng)險(xiǎn)進(jìn)行規(guī)避與防范、轉(zhuǎn)移(分散化、對(duì)沖、保險(xiǎn))和保留(風(fēng)險(xiǎn)定價(jià)和風(fēng)險(xiǎn)資本金配置)的過(guò)程。而VaR方法由于建立在嚴(yán)謹(jǐn)?shù)慕y(tǒng)計(jì)理論基礎(chǔ)之上,將資產(chǎn)的各種風(fēng)險(xiǎn)整合成一個(gè)簡(jiǎn)單的數(shù)字,具有結(jié)果清晰易懂的優(yōu)點(diǎn),目前該方法已成為金融界測(cè)量市場(chǎng)風(fēng)險(xiǎn)的主流方法。另外,由于投資組合可以有效的分散風(fēng)險(xiǎn),進(jìn)行組合資產(chǎn)風(fēng)險(xiǎn)投資相對(duì)于單一資產(chǎn)投資具有更廣泛的應(yīng)用,研究組合資產(chǎn)的風(fēng)險(xiǎn)比單一資產(chǎn)研究更有意義。但傳統(tǒng)的VaR計(jì)算方法以有效市場(chǎng)假說(shuō)(Efficient Markets Hypothesis,EMH)為前提、基于金融資產(chǎn)之間符合線性相關(guān)性進(jìn)行計(jì)量計(jì)算。然而,有大量研究表明,金融收益時(shí)間序列存在有偏、尖峰厚尾特征,收益波動(dòng)存在集聚性和杠桿效應(yīng)等,且投資組合內(nèi)部并不符合簡(jiǎn)單的線性相關(guān)關(guān)系。這表明傳統(tǒng)的VaR方法并不能準(zhǔn)確、有效的計(jì)算投資組合風(fēng)險(xiǎn),必須尋找更為貼切的模型對(duì)金融收益率分布和相關(guān)關(guān)系進(jìn)行擬合。本文基于以上事實(shí),選取時(shí)間段為2005年4月1日至2013年4月2日的中國(guó)滬深300指數(shù)(HS300),美國(guó)標(biāo)準(zhǔn)普爾指數(shù)(SP500),日本日經(jīng)225指數(shù)(NKY),英國(guó)富時(shí)100指數(shù)(FTSE)的收盤指數(shù)數(shù)據(jù),構(gòu)建一個(gè)投資組合。采用Copula函數(shù)結(jié)合Garch模型對(duì)投資組合的風(fēng)險(xiǎn)進(jìn)行測(cè)度。首先,本文經(jīng)過(guò)分析,提出構(gòu)建GJR-Skewt模型,來(lái)捕捉投資組合收益率序列的有偏特征、厚尾特征、以及杠桿效應(yīng),再利用可以刻畫(huà)厚尾分布的T-copula函數(shù)擬合組合資產(chǎn)之間的相關(guān)關(guān)系,對(duì)投資組合的未來(lái)風(fēng)險(xiǎn)進(jìn)行樣本外(out-of-sample)的動(dòng)態(tài)預(yù)測(cè)。然后,本文根據(jù)歷史數(shù)據(jù)提取有效的參數(shù),采用蒙特卡羅模擬法(montecarlosimulation,mc),生成符合參數(shù)之間相關(guān)關(guān)系的偽隨機(jī)數(shù),再通過(guò)gjr-skewt模型逆向求出殘差的分布,并對(duì)樣本外的天數(shù)進(jìn)行var的預(yù)測(cè)。同時(shí),本文采用向前一天預(yù)測(cè)法(one-day-aheadforecast)的滾動(dòng)時(shí)間窗法,以提高var的預(yù)測(cè)精度。再次,本文以相同的算法,計(jì)算了另外幾組波動(dòng)率模型(即:garch-guassian、gjr-guassian、garch-skewt)作為邊緣分布時(shí)的var預(yù)測(cè)效果,作為比較研究。最后,本文對(duì)實(shí)證的結(jié)果進(jìn)行了深入的分析,并根據(jù)分析結(jié)果進(jìn)行了進(jìn)一步的政策建議。本文主要從四個(gè)部分來(lái)展開(kāi)敘述。第一部分,前言部分。描述金融市場(chǎng)的大致情況,得出金融市場(chǎng)的波動(dòng)性和脆弱性加劇,不同市場(chǎng)相依關(guān)系加強(qiáng)的現(xiàn)狀,進(jìn)而提出金融風(fēng)險(xiǎn)管理的重要性。在此基礎(chǔ)上,論文選取投資組合風(fēng)險(xiǎn)計(jì)算為研究對(duì)象,闡述本研究的理論和現(xiàn)實(shí)意義。第二部分,研究文獻(xiàn)綜述部分。對(duì)國(guó)內(nèi)外關(guān)于投資組合風(fēng)險(xiǎn)管理的諸多研究成果進(jìn)行梳理,提煉出投資組合風(fēng)險(xiǎn)管理理論與實(shí)證研究的發(fā)展?fàn)顩r,以期達(dá)到對(duì)投資組合風(fēng)險(xiǎn)管理研究有一個(gè)清晰明確的脈絡(luò)和認(rèn)知。第三部分,理論可靠性分析部分。詳細(xì)說(shuō)明在險(xiǎn)價(jià)值理論和計(jì)算方法,copula函數(shù)以及相應(yīng)的邊緣分布garch函數(shù)的理論介紹,copula方法下計(jì)算在險(xiǎn)價(jià)值的蒙特卡洛模擬方法和具體的實(shí)現(xiàn)步驟,最后是對(duì)模型的檢驗(yàn)。第四部分,實(shí)證分析部分。選取不同國(guó)家典型股票指數(shù)收益的波動(dòng)數(shù)據(jù)構(gòu)成投資組合進(jìn)行實(shí)證,并對(duì)實(shí)證結(jié)果結(jié)合金融風(fēng)險(xiǎn)市場(chǎng)的現(xiàn)實(shí)情況給于深入分析。選取不同分布的garch和gjr模型進(jìn)行相同的試驗(yàn),將試驗(yàn)結(jié)果進(jìn)行對(duì)比,得到有益的結(jié)論。最后對(duì)模型的可靠性進(jìn)行可靠性檢驗(yàn),以驗(yàn)證前述數(shù)學(xué)模型是否有效。第五部分,政策建議。依據(jù)理論分析和實(shí)證結(jié)論,落腳于我國(guó)金融市場(chǎng)的實(shí)際情況,對(duì)金融監(jiān)管部門和金融市場(chǎng)參與者提出相應(yīng)的政策建議。研究結(jié)果表明:首先,從時(shí)間序列上來(lái)看,滬深300指數(shù)(hs300)、美國(guó)標(biāo)準(zhǔn)普爾指數(shù)(sp500)、日本日經(jīng)225指數(shù)(nky),英國(guó)富時(shí)100指數(shù)(ftse)日收益率波動(dòng)圖,從圖中可以看出滬深300指數(shù)(hs300)、美國(guó)標(biāo)準(zhǔn)普爾指數(shù)(sp500)、日本日經(jīng)225指數(shù)(nky),英國(guó)富時(shí)100指數(shù)(ftse)日收益率的波動(dòng)表現(xiàn)出明顯的時(shí)變性、突發(fā)性和集簇性特征,均不滿足正態(tài)分布假設(shè),而是存在顯著的“尖峰胖尾”特征以及杠桿效應(yīng)。其次,單資產(chǎn)擬合模型gjr-skewt模型與另外幾組單資產(chǎn)擬合模型garch-skewt、garch-guassian、gjr-guassian相比,能更為有效的擬合樣本股票指數(shù)的這些特征,在樣本國(guó)際投資組合的var預(yù)測(cè)能力上表現(xiàn)優(yōu)異。再次,在殘差服從正態(tài)分布假設(shè)下,能刻畫(huà)杠桿效應(yīng)的gjr模型并沒(méi)有明顯表現(xiàn)出優(yōu)于普通garch模型的var預(yù)測(cè)能力,這說(shuō)明充分描述條件收益的尖峰厚尾和有偏特征對(duì)var的預(yù)測(cè)精度有著更為重要的影響,因此,能描述條件收益尖峰厚尾和有偏特征的garch-skewt模型相對(duì)也不失為一個(gè)較好的模型;Garch-Guassian模型預(yù)測(cè)出的VaR失敗次數(shù)與期望失敗次數(shù)相比過(guò)少,說(shuō)明此模型與實(shí)際市場(chǎng)的風(fēng)險(xiǎn)背離程度較大,有低估風(fēng)險(xiǎn)的傾向。
【關(guān)鍵詞】：Copula函數(shù) 風(fēng)險(xiǎn)預(yù)測(cè) Monte Carlo模擬 滾動(dòng)時(shí)間窗法
【學(xué)位授予單位】：成都理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：F224;F830.9
【目錄】：

• 摘要4-7
• Abstract7-13
• 第1章 引言13-22
• 1.1 研究背景13-15
• 1.2 研究意義15
• 1.2.1 理論意義15
• 1.2.2 現(xiàn)實(shí)意義15
• 1.3 投資組合風(fēng)險(xiǎn)研究現(xiàn)狀15-19
• 1.3.1 國(guó)外關(guān)于投資組合的研究15-17
• 1.3.2 國(guó)內(nèi)關(guān)于投資組合的研究17-18
• 1.3.3 文獻(xiàn)總結(jié)18-19
• 1.4 本文思路、方法及創(chuàng)新點(diǎn)19-22
• 1.4.1 研究思路19-20
• 1.4.2 本文研究方法20
• 1.4.3 研究創(chuàng)新點(diǎn)20-22
• 第2章 在險(xiǎn)價(jià)值理論22-27
• 2.1 風(fēng)險(xiǎn)評(píng)估常用統(tǒng)計(jì)量22-23
• 2.2 VaR理論簡(jiǎn)介23-24
• 2.3 VaR的計(jì)算方法24-27
• 第3章 投資組合風(fēng)險(xiǎn)測(cè)度的理論模型27-34
• 3.1 單金融資產(chǎn)分布的擬合模型27-29
• 3.1.1 Garch模型27
• 3.1.2 GJR-skewt模型27-29
• 3.1.3 單一資產(chǎn)模型的估計(jì)方法29
• 3.2 多元資產(chǎn)的聯(lián)合分布擬合--Copula模型29-31
• 3.2.1 Copula函數(shù)簡(jiǎn)介29-31
• 3.2.2 Copula函數(shù)的優(yōu)越性質(zhì)31
• 3.3 基于Copula函數(shù)下的VaR蒙特卡洛模擬算法31-32
• 3.4 基于模型預(yù)測(cè)效果的Kupiec LR檢驗(yàn)32-34
• 第4章 投資組合風(fēng)險(xiǎn)測(cè)度的實(shí)證分析34-45
• 4.1 數(shù)據(jù)的選取與統(tǒng)計(jì)分析34-36
• 4.2 GJR-skewt模型的參數(shù)估計(jì)36-38
• 4.3 Copula函數(shù)下的Va R蒙特卡洛模擬結(jié)果38-40
• 4.4 模型實(shí)證結(jié)果的Kupiec LR檢驗(yàn)與分析40-45
• 結(jié)論45-48
• 致謝48-49
• 參考文獻(xiàn)49-51
• 攻讀學(xué)位期間取得學(xué)術(shù)成果51

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前4條

1 龔金國(guó);史代敏;;時(shí)變Copula模型的非參數(shù)推斷[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;2011年07期

2 王沁;王璐;程世娟;;基于時(shí)變Copula模型的滬深股市相依分析[J];統(tǒng)計(jì)與決策;2010年19期

3 林宇;魏宇;黃登仕;;基于GJR模型的EVT動(dòng)態(tài)風(fēng)險(xiǎn)測(cè)度研究[J];系統(tǒng)工程學(xué)報(bào);2008年01期

4 戰(zhàn)雪麗;張世英;;基于Copula-SV模型的金融投資組合風(fēng)險(xiǎn)分析[J];系統(tǒng)管理學(xué)報(bào);2007年03期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 李偉;基于金融波動(dòng)模型的Copula函數(shù)建模與應(yīng)用研究[D];西南財(cái)經(jīng)大學(xué);2008年

，

本文編號(hào)：762371