【摘要】：VaR是一種用于量化市場風險的方法,它以概率論為基礎(chǔ),運用現(xiàn)代統(tǒng)計分析技術(shù),自產(chǎn)生以來不斷被優(yōu)化改進,得到了長足的發(fā)展。它的核心內(nèi)容是對波動率的估計。大量的實證研究表明,金融資產(chǎn)的收益率序列存在“尖峰厚尾”、“波動集聚性”和“杠桿效應(yīng)”等特征,用一般參數(shù)分布假設(shè)下的時間序列模型(例如GARCH類模型)來測量金融風險時,其擬合的波動率與實際相差較大。非參數(shù)統(tǒng)計的最大優(yōu)點在于它無需對數(shù)據(jù)的分布類型做出假定,核密度估計的方法可以充分捕捉到金融數(shù)據(jù)的統(tǒng)計特征。本文主要運用現(xiàn)代非參數(shù)統(tǒng)計方法對傳統(tǒng)VaR模型進行改進,使其能更有效的測量市場風險。 (1)對非參數(shù)核密度估計和局部線性估計理論進行了系統(tǒng)的歸納、整理、總結(jié)。針對非參數(shù)回歸中的多重共線性問題,對比參數(shù)統(tǒng)計推斷中的處理方法,提出了主成分局部線性估計方法,給出了模擬驗證和實例分析。 (2)介紹了被廣泛使用的VaR風險測量方法,以及模型的兩種常用的檢驗方法,即Kupiec失敗率檢驗法和分位損失檢驗�；趨�(shù)GARCH方法和非參數(shù)局部線性估計原理,推導出非參數(shù)GARCH方法計算股市收益率的VaR步驟。通過對上證綜合指數(shù)的實證分析,并與相關(guān)參數(shù)方法進行比較,得出結(jié)論:上證綜合指數(shù)的收益率序列有強烈的GARCH效應(yīng),基于非參數(shù)GARCH方法得到的VaR在給定的顯著性水平下能更有效地度量股市的風險。 (3)從歷史模擬法這種非參數(shù)VaR模型的基本思路出發(fā),使用成交量作為權(quán)重對收益率進行加權(quán),并考慮方差的時變性,提出了一種以對金融資產(chǎn)收益率分布核密度估計為基礎(chǔ)的VaR模型。使用銅期貨合約數(shù)據(jù),將改進方法與普通歷史模擬法、加權(quán)歷史模擬法、過濾歷史模擬法做了對比,結(jié)果證明該方法保留了歷史模擬法的優(yōu)點,并能有效預測未來發(fā)生的極端情況。 最后,對本文的工作進行了總結(jié),提出了進一步研究的方向。
【學位授予單位】：溫州大學
【學位級別】：碩士
【學位授予年份】：2011
【分類號】：F224;F832.51
【圖文】：

主成分局部線性回歸擬合圖

[34]。圖3-2 正態(tài)性檢驗圖從圖3-2左邊的直方圖可以看出，收益率序列是非對稱的，而且其“左尾”拖得比較長，同時偏度(Skewness )為 - 0.231977< 0，從而也表明序列是呈現(xiàn)左偏分布。峰度(Kurtosis )為6.04023，大于正態(tài)分布假設(shè)的3，從而表明其分布呈“尖峰厚尾”特征。收益率序列的J-B統(tǒng)計量（為764.5421）非常大，其相應(yīng)的概率值（近似為0）非常小，從而說明上證指數(shù)日收益率序列明顯不服從正態(tài)分布。（2）ARCH 效應(yīng)檢驗本文對上證指數(shù)日收益率數(shù)據(jù)能否應(yīng)用 GARCH 模型，需要對數(shù)據(jù)進行 ARCH 效應(yīng)的檢測

29圖3-3 收益率序列的相關(guān)圖從圖3-3可以看出，收益率序列的自相關(guān)函數(shù)和偏相關(guān)函數(shù)絕大多數(shù)都超出95%的置信區(qū)間，Q 統(tǒng)計量的值非常顯著，相應(yīng)的概率值都小于0.001，因此可以認為殘差平方序列存在自相關(guān)性，即殘差序列存在高階ARCH效應(yīng)。表3-2 殘差序列的ARCH LM檢驗ARCH 檢驗F-統(tǒng)計量 16.33286 顯著概率 0.000000Obs*R-squared 151.3806 顯著概率 0.000000表3-2 所示為殘差序列的ARCH LM 檢驗，F(xiàn) 統(tǒng)計量為16.33286 其概率值非常小，從而表明檢驗輔助回歸方程中的所有滯后殘差平方項是聯(lián)合顯著的

【引證文獻】

相關(guān)碩士學位論文 前1條

1 方曉虎;混合Copula函數(shù)及其在金融分析中的應(yīng)用[D];溫州大學;2012年

本文編號：2752335