基于自适应数据分解方法的VaR模型研究

发布时间：2021-11-09 15:48

　　经济全球化的加速,使得金融市场的开放性越来越强,金融市场的风险也随之持续增加,这使得风险度量变得越来越重要,如何构建科学有效的风险度量方法一直是广大学者关注的热点和难点问题。本文以构建风险价值模型为研究目标,提出了基于自适应分解方法的VaR估计模型。文中将标准普尔500指数的日收盘价作为数据源,分别利用经验模态分解、整体经验模态分解和局部均值分解进行数据处理,结合GARCH类模型。同时,与传统的GARCH模型进行比较。通过比较分析发现本文所给出的基于LMD且在残差序列服从广义误差分布条件下的ARIMA-GARCH模型的VaR估计效果最优。本文的具体工作如下:首先,将原始数据进行对数收益率处理;然后分别用EMD、EEMD、LMD进行数据分处理,并对分解后的各个分量进行包括描述性统计、正态性和周期性的多尺度分析,为后续建立合理的VaR模型奠定基础;其次,在假设残差序列分别服从正态分布、T分布和广义误差分布的前提下对各个分量分别建立使得各参数显著的ARIMAGARCH模型,从而得到各分量的条件方差序列;接下来求取不同置信水平下的分位数,从而得到整合的条件方差,计算求得S&P500指数... 

【文章来源】：长春工业大学吉林省

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

IMF1-IMF4正态性检验QQ图

第3章基于自适应分解方法的金融数据多尺度分析24分布拟合最终形态大体可以看作一条直线时可以认为该数据近似服从正态分布，反之则认为该数据不服从正态分布。下图3.5是用正态分布绘制由EEMD分解后的IMF1-IMF4的Q-Q图，显然可以看出这些序列的数据点并没有很好的拟合到一条直线上。本文对所有分量都进行了正态性分析，但不在文中赘述。通过正态性分析，可得出通过EEMD处理后的12个IMF均不服从正态分布的结论。这与上一小节描述性统计分析中J-B检验的结果一致。图3.5IMF1-IMF4正态性检验QQ图3.3.3周期性分析在对S&P500的对数收益率序列进行EEMD处理后，将继续就其周期性做进一步的研究。与3.2.2节中的计算方法一样，通过使用MATLAB编程计算每个分量的极值点个数，然后用平均周期法计算每个序列的周期。其所得结果见3-4。从表3-4可看出经过EEMD方法处理后的S&P500日收盘价对数收益率各分量

第3章基于自适应分解方法的金融数据多尺度分析28分解后的7个序列均不服从正态分布。这与上一小节描述性统计分析中J-B检验的结果一致。图3.7PF1-PF4正态性检验QQ图3.4.3周期性分析在对S&P500的对数收益率序列进行LMD处理后，将继续就其周期性做进一步的研究。（1）运用MATLAB软件编程计算出通过LMD处理后各PF分量的极值点(极大值点和极小值点)的个数；（2）采用在3.2.3节中给出的平均周期法原理来计算各PF的周期性；（3）运用公式计算并分析该序列的变化规律[53]。其所得结果见3-6。从表3-6可看出经过LMD方法处理后的S&P500日收盘价对数收益率各分量的周期性变化并不相同。其中，PF1和趋势项的周期分别为1.4625和1.78，大约为一天；PF2的周期值为6.3003，大约为一周；PF3的值为22.2063；PF4和PF5的周期为83.9322和88.4286，大约为三个月，即一个季度；PF6的周期为130.3158，大约为


本文编号：3485638