發(fā)布時間：2018-01-07 21:03

  本文關(guān)鍵詞：基于混合分布的VaR估計及其應(yīng)用　出處：《電子科技大學》2015年碩士論文　論文類型：學位論文

  更多相關(guān)文章： 混合分布 VaR 核密度估計 NM-GARCH 極值理論

【摘要】：隨著金融衍生品的豐富和信息技術(shù)的發(fā)展,金融市場的交易范圍與交易速度大大提升,金融產(chǎn)品種類也大大增加。金融市場的交易量快速增加,不同地區(qū)金融市場間的關(guān)聯(lián)性不斷增強。當金融風險事件發(fā)生時,會迅速傳播影響到關(guān)聯(lián)地區(qū),重則引發(fā)多國性的區(qū)域金融危機。歷史上的多次大規(guī)模金融危機印證了這一點,因此金融管理機構(gòu)越來越重視金融風險管理�！栋腿麪枀f(xié)議》1996年修正案引入在險價值VaR(Value at Risk)這一概念,來對銀行資本金的風險進行度量。此后VaR得到了廣泛的應(yīng)用,成為通用的風險度量指標�，F(xiàn)有的VaR估計方法主要分為三類:參數(shù)方法,主要為各類GARCH族模型;半?yún)?shù)方法,主要為基于極值理論的估計方法;非參數(shù)方法,主要包括歷史模擬法、蒙特卡洛法等�，F(xiàn)有的VaR估計方法基本都假定收益率分布為單一分布,如傳統(tǒng)的正態(tài)分布、t分布等,而非混合分布。相較單一分布,混合分布擁有多個子分布,能夠更為靈活地生成非對稱分布與厚尾分布,更準確地刻畫金融收益率的非對稱特征與高峰厚尾特征。本文將收益率分布假定為混合分布,提出了一種基于混合分布的VaR非參數(shù)估計方法及參數(shù)化的NM-GARCH-POT模型。在基于混合分布的VaR非參數(shù)估計方法中,假定不同市場行情下的收益率服從不同的子分布,通過檢驗日內(nèi)收盤價序列的平穩(wěn)性來對子分布進行分類。使用基于Bootstrap的核密度估計方法估計子分布的概率密度。最后利用子分布概率密度函數(shù)與子分布出現(xiàn)概率,使用蒙特卡洛模擬法得到總體分布的VaR估計值。根據(jù)子分布出現(xiàn)概率是否為條件概率的不同,分別構(gòu)建了無條件混合分布模型(u-MD)與條件混合分布模型(c-MD)。實證結(jié)果表明u-MD模型與c-MD模型都是有效的VaR估計模型,相較GARCH族模型有更好的空頭估計效果,在不同數(shù)據(jù)上有更穩(wěn)定的估計表現(xiàn)。參數(shù)化的NM-GARCH-POT模型假定隨機擾動項服從有兩個子分布的混合正態(tài)分布。首先使用NM-GARCH模型對收益率序列進行建模,估計收益率樣本的條件均值與條件方差并計算得到標準化殘差。然后使用POT模型對標準化殘差建模,估計出標準化殘差的分位數(shù)。最后通過公式計算得到收益率的VaR。實證結(jié)果表明NM-GARCH-POT模型能夠準確地表述收益率分布尾部,是一種有效的VaR估計方法。
[Abstract]:With the development of financial derivatives and rich information technology, transaction scope and financial market transaction speed is greatly improved, the variety of financial products has greatly increased. The rapid increase in the trading volume of the financial market, the financial markets association between different regions is growing. When the financial risk event occurs, will affect the rapid spread of related areas, heavy it triggered the financial crisis in the history of the region. Many large-scale financial crisis proved this point, so the financial management institutions should pay more attention to financial risk management. The Basel accord >1996 amendment into the value at risk VaR (Value at Risk) this concept, to the risk of Bank capital measurement. Since the VaR has been widely used as a general risk measurement index. The existing VaR estimation method is mainly divided into three categories: parametric methods, mainly for all types of semi parametric GARCH models; The main method for estimation method based on extreme value theory; non parametric methods, including historical simulation method, Monte Carlo method. The existing VaR estimation method basically assumes that the rate of return distribution for a single distribution, such as the traditional normal distribution, t distribution, and non mixed distribution. Compared with the single phase distribution, with mixed distribution the sub distribution can be more flexible to generate asymmetric distribution and heavy tailed distribution, more accurately describe the characteristics of asymmetric features with high peak and thick tail of the financial rate of return. The rate of return distribution is assumed for the mixed distribution, based on the mixed VaR distribution NM-GARCH-POT model method and non parametric parameters estimated. In the non parameter estimation method in mixed distribution based on the VaR assumption in different market conditions yields obey different sub distribution, through the stationary test days closing price series to sub distribution points Use the Bootstrap class. The kernel density estimation method to estimate the probability density distribution. Finally based on the sub sub distribution probability density function and probability distribution, using Monte Carlo simulation method to obtain the overall distribution of VaR estimates. According to the distribution of probability is a conditional probability, respectively established the unconditional mixture distribution model (u-MD) and conditions of mixed distribution model (c-MD). The empirical results show that the u-MD model and c-MD model are effective VaR estimation model, compared with the GARCH model has a better estimation effect is short, estimation performance is more stable in different data. We assume that the random perturbation obey mixed two sub distribution of normal distribution of NM-GARCH-POT model parametric. First use the NM-GARCH model of the return series, and the estimation of the conditional mean conditional yield variance of sample and calculate the standard residuals Then, we use POT model to model standardized residuals, estimate the quantile residuals of standardized residuals. Finally, we get the VaR. rate of return through formula calculation. The empirical results show that NM-GARCH-POT model can accurately represent the tail of yield distribution, and it is an effective VaR estimation method.

【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：F224

【相似文獻】

相關(guān)期刊論文 前10條

1 王承煒,吳沖鋒,朱戰(zhàn)宇;混合分布理論研究[J];上海交通大學學報;2004年03期

2 朱永安,石禮英;基于混合分布假說的股市價量關(guān)系研究[J];集美大學學報(哲學社會科學版);2003年03期

3 趙國慶;魏軍;;基于信息傳播的混合GARCH模型[J];統(tǒng)計研究;2006年08期

4 陳強,侯建強;中國股市波動性與交易量的關(guān)系——基于混合分布假說的實證研究[J];蘭州商學院學報;2004年04期

5 陳強,侯建強;中國股市波動性與交易量的關(guān)系:基于混合分布假說的實證研究[J];云南財貿(mào)學院學報;2004年05期

6 王濤;蔡建峰;;航空復(fù)雜產(chǎn)品項目活動時間混合分布估算模型的改進[J];運籌與管理;2012年04期

7 何興強,劉醒云;我國股市波動非對稱性和混合分布假定的經(jīng)驗分析[J];南開經(jīng)濟研究;2005年03期

8 趙雪妮;張茂軍;王文華;;基于單因子混合分布的BDS定價模型[J];桂林電子科技大學學報;2013年06期

9 楊彬;滬市A股交易量與收益率及波動性的關(guān)系——基于混合分布模型的實證研究[J];統(tǒng)計與決策;2005年08期

10 楊瑞成;秦學志;陳田;周穎穎;;基于混合分布單因子模型的CDO定價問題[J];數(shù)理統(tǒng)計與管理;2009年06期

相關(guān)會議論文 前2條

1 張鋒;王盼;陳志軍;;陜北侏羅紀煤田中雞勘查區(qū)煤層厚度的混合分布特征[A];第十二屆全國數(shù)學地質(zhì)與地學信息學術(shù)研討會論文集[C];2013年

2 胡軍;周任軍;胡敏;;發(fā)電資產(chǎn)分配的WCVaR風險度量方法[A];中國高等學校電力系統(tǒng)及其自動化專業(yè)第二十四屆學術(shù)年會論文集（中冊）[C];2008年

相關(guān)碩士學位論文 前5條

1 肖佳文;基于混合分布的VaR估計及其應(yīng)用[D];電子科技大學;2015年

2 楊建設(shè);一類特殊混合分布的參數(shù)估計[D];武漢科技大學;2009年

3 高偉;混合分布下恒加試驗的統(tǒng)計分析[D];西北工業(yè)大學;2004年

4 劉斌才;混合分布假說在我國股票市場的實證檢驗[D];東北財經(jīng)大學;2005年

5 陳含;孤立性囊腫腎臟的混合分布超聲仿真研究[D];云南大學;2015年

，

本文編號：1394202