本文關鍵詞：基于高頻數(shù)據(jù)的條件極值動態(tài)VaR估計研究

  更多相關文章： 最優(yōu)頻率選擇 高頻數(shù)據(jù) 極值理論 POT BSP-HAR-RV BSP-RM-RV-POT

【摘要】：自從布雷頓森林體系崩潰，發(fā)達國家金融機構的倒閉和巨虧案例,尤其是2008年以來由美國次貸危機引起的全球金融危機，金融機構面臨著巨大的市場風險。風險管理的核心是風險測量。目前，靈敏度的分析方法、波動性測量方法、VaR在險價值法、壓力試驗法和基于極值理論的方法是金融風險管理中市場風險測量的主要工具。傳統(tǒng)的風險測量和計算方法，如在險價值（Value at Risk)，在對收益分布尾部特征估計方面存在一定不足。于是學者引入極值理論，從一個新的角度對極端的市場條件下的金融機構損失進行估計。與此同時大數(shù)據(jù)時代帶來的信息風暴改變著我們的思維、生活和工作，也對數(shù)據(jù)處理方法、統(tǒng)計指標和擬合分布的選擇也提出了更高的要求。學者們漸漸地開始在高頻數(shù)據(jù)的基礎上，對金融市場風險如何更好地測量進行研究。 本文在條件極值分布的前提下，動態(tài)估計高頻數(shù)據(jù)的VaR。第一步，建立BSP-HAR-RV這樣一個模型對最優(yōu)頻率進行選擇。我國的股票交易市場高頻數(shù)據(jù)頻率為每分鐘，通過繪出平均雙冪變差已實現(xiàn)波動率散點圖，在考慮測量產生的誤差時，也考慮市場的微觀結構會帶來的影響，對最優(yōu)頻率進行挑選。模型中選取雙冥變差RV作為指標，有效預計到金融數(shù)據(jù)中可能出現(xiàn)的跳躍點，頻率范圍定為[1,240]，作出了平均雙冥變差已實現(xiàn)波動率散點圖，選取最優(yōu)頻率。本文還建立了BSP-RM-RV-POT模型對金融高頻時間序列進行動態(tài)VaR估計。為了求得收益分布的下側分位數(shù)，首先求出樣本的對數(shù)收益率，然后收益率序列取負號，在負收益率分布的基礎上建立模型。在引入“已實現(xiàn)波動率RV”后，再引入“已實現(xiàn)均值RM”，從自回歸模型中得出殘差序列。在這個基礎上，在條件極值理論的支持下對擾動項序列進行POT估計。 研究結果表明，在最優(yōu)頻率下，，模型擬合的參數(shù)都通過了顯著性檢驗，擬合結果能夠預測波動率變化趨勢。在與5min、10min兩種頻率的對比結果來看，頻率f=10min時的變量的顯著性水平最好，均為0.01，與最優(yōu)頻率f=11min的結果相比，周已實現(xiàn)波動率的顯著性水平為0.10。但是從模型的總體情況來看，最優(yōu)頻率模型的結果的殘差標準誤差為0.0004895，比在頻率f=5min、f=10min下抽樣的樣本所得到的模型，其 殘差的標準誤差都要小，結果更優(yōu)。由此可以得出在最優(yōu)頻率下抽取的樣本可以提高模型的精度。本文建立BSP-RM-RV-POT對金融高頻時間序列，進行動態(tài)VaR估計，對RM和RV的自回歸序列計算得到殘差序列，通過General Parent Distribution對殘差序列來擬合，得到GPD模型擬合圖。從GPD模型診斷的四副圖看出，該模型的估計結果是適當?shù)模丛诔浞挚紤]到時間對均值序列的影響之后，模型的仍然可以應用于VaR的動態(tài)估計。
【關鍵詞】：最優(yōu)頻率選擇 高頻數(shù)據(jù) 極值理論 POT BSP-HAR-RV BSP-RM-RV-POT
【學位授予單位】：中北大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：F224;F830.9
【目錄】：

• 摘要4-6
• Abstract6-12
• 1 引言12-23
• 1.1 研究背景及意義12-14
• 1.2 國內外研究現(xiàn)狀14-19
• 1.2.1 VaR 相關方法研究現(xiàn)狀14-15
• 1.2.2 最優(yōu)抽樣頻率研究15-16
• 1.2.3 高頻金融時間序列波動率研究16-17
• 1.2.4 條件極值分布與動態(tài) VaR 研究17-19
• 1.3 研究內容與主要創(chuàng)新點19-20
• 1.3.1 研究內容19-20
• 1.3.2 主要創(chuàng)新點20
• 1.4 研究方法與技術路線圖20-22
• 1.4.1 研究方法20-21
• 1.4.2 技術路線圖21-22
• 1.5 本章小結22-23
• 2 相關概念和理論概述23-38
• 2.1 VaR 的相關概念23-28
• 2.1.1 VaR 的概念23
• 2.1.2 VaR 估計23-24
• 2.1.3 VaR 的度量方法24-28
• 2.2 HAR-RV 理論28-35
• 2.2.1 已實現(xiàn)波動率模型28-30
• 2.2.2 異質市場假說理論30-32
• 2.2.3 HAR-RV 模型32-35
• 2.3 條件分布與無條件分布35
• 2.3.1 無條件分布35
• 2.3.2 條件分布35
• 2.4 金融高頻數(shù)據(jù)35-37
• 2.4.1 金融高頻數(shù)據(jù)的概念35-36
• 2.4.2 金融高頻數(shù)據(jù)的統(tǒng)計特征36-37
• 2.5 本章小結37-38
• 3 模型應用38-47
• 3.1 基于 BSP-HAR-RV 模型的最優(yōu)抽樣頻率研究38-42
• 3.1.1 已實現(xiàn)波動率 (Realized Volatility，RV)38
• 3.1.2 HAR-RV 模型（ Heterogeneous Autoregressive model for Realized volatility，HAR-RV）38-39
• 3.1.3 雙冪變差已實現(xiàn)波動率39-41
• 3.1.4 BSP-HAR-RV 模型預測分析和參數(shù)估計41-42
• 3.2 基于條件極值分布的高頻數(shù)據(jù) VaR 動態(tài)估計模型42-45
• 3.2.1 條件極值分布42
• 3.2.2 條件均值的 RM（Realized Mean）估計和條件波動率（RV）42-44
• 3.2.3 基于條件極值理論的尾部估計44-45
• 3.2.4 VaR 值的計算45
• 3.3 本章小結45-47
• 4 實證分析47-56
• 4.1 數(shù)據(jù)選取47
• 4.2 BSP-HAR-RV 模型47-52
• 4.2.1 數(shù)據(jù)基本統(tǒng)計特征分析47-48
• 4.2.2 VSP-HAR-RV 模型構建48-52
• 4.3 BSP-RM-RV-POT 模型52-55
• 4.3.1 數(shù)據(jù)準備52
• 4.3.2 參數(shù)估計52-54
• 4.3.3 模型診斷54
• 4.3.4 Kupiec 失敗率檢驗54-55
• 4.4 本章小結55-56
• 5 結論及研究展望56-59
• 5.1 結論56-57
• 5.2 研究展望57-59
• 附錄：R 語言程序代碼：59-62
• 參考文獻62-69
• 攻讀碩士期間發(fā)表的論文及所取得的研究成果69-70
• 致謝70-71

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 吳光旭,程乾生,潘家柱;中國股票市場風險值的非參數(shù)估計[J];北京大學學報(自然科學版);2004年05期

2 劉寧;夏恩君;張慶雷;;基于非對稱GARCH與極值理論的商業(yè)銀行信用風險度量模型[J];北京理工大學學報;2012年05期

3 唐勇;池云果;;基于已實現(xiàn)波動率的長記憶性分析[J];福州大學學報(哲學社會科學版);2010年05期

4 徐正國,張世英;調整"已實現(xiàn)"波動率與GARCH及SV模型對波動的預測能力的比較研究[J];系統(tǒng)工程;2004年08期

5 牛昂;VALUE AT RISK: 銀行風險管理的新方法[J];國際金融研究;1997年04期

6 鄭文通;金融風險管理的VAR方法及其應用[J];國際金融研究;1997年09期

7 王春峰,李剛;基于分布擬合法的VaR估計[J];管理工程學報;2002年04期

8 王志誠;周春生;;金融風險管理研究進展:國際文獻綜述[J];管理世界;2006年04期

9 張偉;李平;曾勇;;中國股票市場個股已實現(xiàn)波動率估計[J];管理學報;2008年02期

10 李勝歌;張世英;;金融高頻數(shù)據(jù)的最優(yōu)抽樣頻率研究[J];管理學報;2008年06期

本文編號：596687