構(gòu)建非參數(shù)、集成性的分位數(shù)回歸森林算法,對上證綜指和標普500指數(shù)的VaR進行了估計;同時構(gòu)建了其他一些主流的方法,包括歷史模擬、GARCH族方法、彈性網(wǎng)絡、門限分位數(shù)回歸、CAViaR等,進行檢驗和對比.通過對不同置信水平下的VaR估計進行多種檢驗,驗證了該方法的有效性和穩(wěn)健性.進一步,基于分位數(shù)回歸森林模型定義了一種特征重要性度量方法,評估了各個因素對于風險值的影響權(quán)重大小,發(fā)現(xiàn)過去一日收益率對上證綜指的風險值影響較大,而波動率對標普500指數(shù)的風險值影響較大,整體來看兩國股市間的風險傳導性較弱;并引入偏相依關(guān)系,動態(tài)地分析了各個因素在不同水平下對于風險值的作用方向,一定程度上彌補了機器學習算法在金融應用中一直存在的"黑箱性"問題.

【文章頁數(shù)】：10 頁

【文章目錄】：
0 引言
1 相關(guān)VaR估計方法
    1.1 分位數(shù)回歸森林方法
    1.2 其他分位數(shù)估計方法
2 實證分析
    2.1 變量選取
    2.2 VaR估計的回測檢驗方法
    2.3 95%置信度的VaR估計
    2.4 99%置信度的VaR估計
3 風險因素分析
    3.1 變量重要性度量
    3.2 偏相依關(guān)系分析
4 結(jié)論



本文編號：3815561