基于双线性GARCH-CVaR模型的人民币汇率风险测度研究
发布时间：2022-01-12 03:38
随着中国在国际上地位的不断提高,中国与世界上其他国家和地区之间的贸易往来逐渐加大,人民币在国际经济舞台上也扮演者越来越重要的作用。人民币汇率作为重要的经济调节变量和政策调整工具,同时也是统筹国内国际经济平衡发展的重要枢纽。汇率数据的波动给相应的投资活动带来了风险,准确地对汇率投资风险进行测度将会有助于投资主体做出正确的决策。为适应不同时期的经济发展,需要对汇率制度做出相应的调整,在不同的汇率制度下会导致汇率数据出现不一样的波动情况,新的人民币汇率制度下加大了汇率数据的波动范围,汇率变化包含的不确定性因素更多,投资风险也进一步加大,对汇率风险的准确测度就更为重要。文章在金融时间序列和汇率风险相关理论的基础上,结合ARCH族模型、风险价值（VaR）和条件风险价值（CVaR）模型对汇率数据进行拟合分析,在综合比较两种方法的基础上得出条件风险价值方法能够更加准确地对投资存在的风险进行测度,并根据结果从不同的方面对投资主体提出了相关建议。文章内容主要包括以下两个方面:第一,利用人民币对美元汇率中间价历史数据在不同分布下建立了ARCH族模型。在综合对比分析几种模型后给出了模型的参数估计值,根据AI...
【文章来源】：兰州理工大学甘肃省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
技术路线图
基于双线性GARCH-CVaR模型的人民币汇率风险测度研究24图3.1人民币对美元汇率中间价数据对数收益率波动序列从图3.1中可以看出，该收益率序列符合金融时间序列的相关特征，金融资产的收益率波动序列中包含着金融学规律，从图中可以看出，该收益率波动序列存在波动率聚集现象，即表现出在一段时间内较高，在另一段时间内低；波动率是以连续的方式随时间进行变化的，一般很少出现波动率跳跃的现象；波动率不会发散到无穷，而是在某一个固定的范围内进行波动，从统计学的角度来说就是波动率一般都是平稳的时间序列，同时还可以从图中发现，一般情况下，负的波动冲击要比正的冲击影响要大，上下波动不是“对称”的，这种现象称为“杠杆效应”，造成这种现象的原因主要是投资主体对风险的喜好程度不同，大多都表现出风险厌恶型，检验是否符合金融时间序列数据的特征，还需要对其进行基本的描述性统计，如图3.2所示。图3.2收益率序列的描述性统计分析从图3.2中可以得到，该收益率序列偏度系数为0.850620，偏度系数不为0，说明该序列属于有偏分布，同时其J-B统计量为1047.947，远远大于0，且其伴随概率P值接近于0，因此可以得出该序列不具备正态分布特征。峰度系数为9.974538，明显大于3，具有“尖峰”特征，由此可知该收益率序列具备“尖峰厚尾”非正态的特征。金融风险的风险来自于金融资产价格的波动，因此需要检测收益率序列是否平稳，从而可以
基于双线性GARCH-CVaR模型的人民币汇率风险测度研究24图3.1人民币对美元汇率中间价数据对数收益率波动序列从图3.1中可以看出，该收益率序列符合金融时间序列的相关特征，金融资产的收益率波动序列中包含着金融学规律，从图中可以看出，该收益率波动序列存在波动率聚集现象，即表现出在一段时间内较高，在另一段时间内低；波动率是以连续的方式随时间进行变化的，一般很少出现波动率跳跃的现象；波动率不会发散到无穷，而是在某一个固定的范围内进行波动，从统计学的角度来说就是波动率一般都是平稳的时间序列，同时还可以从图中发现，一般情况下，负的波动冲击要比正的冲击影响要大，上下波动不是“对称”的，这种现象称为“杠杆效应”，造成这种现象的原因主要是投资主体对风险的喜好程度不同，大多都表现出风险厌恶型，检验是否符合金融时间序列数据的特征，还需要对其进行基本的描述性统计，如图3.2所示。图3.2收益率序列的描述性统计分析从图3.2中可以得到，该收益率序列偏度系数为0.850620，偏度系数不为0，说明该序列属于有偏分布，同时其J-B统计量为1047.947，远远大于0，且其伴随概率P值接近于0，因此可以得出该序列不具备正态分布特征。峰度系数为9.974538，明显大于3，具有“尖峰”特征，由此可知该收益率序列具备“尖峰厚尾”非正态的特征。金融风险的风险来自于金融资产价格的波动，因此需要检测收益率序列是否平稳，从而可以
【参考文献】：
期刊论文
[1]汇改提高了人民币国际化水平吗？——基于“7·21”汇改和“8·11”汇改的视角[J]. 王雪,胡明志. 国际金融研究. 2019(08)
[2]加入SDR后人民币汇率波动规律研究——基于ARIMA-GARCH模型的实证分析[J]. 孙少岩,孙文轩. 经济问题. 2019(02)
[3]人民币汇率制度改革:基于国际规律的视角[J]. 陈中飞,王曦,刘宛昆. 国际金融研究. 2018(12)
[4]人民币纳入SDR后的汇率制度选择[J]. 李春雷,刘铮. 世界经济研究. 2018(11)
[5]有管理浮动汇率向清洁浮动汇率转变的国际经验与政策启示[J]. 陈德敏,谢斐. 重庆大学学报(社会科学版). 2019(03)
[6]人民币汇率市场化改革四十年:进程、经验与展望[J]. 丁志杰,严灏,丁玥. 管理世界. 2018(10)
[7]人民币汇率与股市的风险溢出效应再检验——基于马尔科夫转换GARCH模型和混合时变copula模型的研究[J]. 赵放,刘雅君. 财经论丛. 2018(09)
[8]基于ARCH模型的猪肉价格波动短期特征分析[J]. 郭刚奇. 经济问题. 2017(11)
[9]中国主板与创业板市场风险比较分析——基于GARCH-VAR方法[J]. 任继勤,单晓彤,梁策. 财贸研究. 2015(03)
[10]中国期货市场非交易时段的VaR与ES测度研究[J]. 张舒,仲伟俊,梅姝娥. 东南大学学报(哲学社会科学版). 2013(05)
本文编号：3584028
【文章来源】：兰州理工大学甘肃省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
技术路线图
基于双线性GARCH-CVaR模型的人民币汇率风险测度研究24图3.1人民币对美元汇率中间价数据对数收益率波动序列从图3.1中可以看出，该收益率序列符合金融时间序列的相关特征，金融资产的收益率波动序列中包含着金融学规律，从图中可以看出，该收益率波动序列存在波动率聚集现象，即表现出在一段时间内较高，在另一段时间内低；波动率是以连续的方式随时间进行变化的，一般很少出现波动率跳跃的现象；波动率不会发散到无穷，而是在某一个固定的范围内进行波动，从统计学的角度来说就是波动率一般都是平稳的时间序列，同时还可以从图中发现，一般情况下，负的波动冲击要比正的冲击影响要大，上下波动不是“对称”的，这种现象称为“杠杆效应”，造成这种现象的原因主要是投资主体对风险的喜好程度不同，大多都表现出风险厌恶型，检验是否符合金融时间序列数据的特征，还需要对其进行基本的描述性统计，如图3.2所示。图3.2收益率序列的描述性统计分析从图3.2中可以得到，该收益率序列偏度系数为0.850620，偏度系数不为0，说明该序列属于有偏分布，同时其J-B统计量为1047.947，远远大于0，且其伴随概率P值接近于0，因此可以得出该序列不具备正态分布特征。峰度系数为9.974538，明显大于3，具有“尖峰”特征，由此可知该收益率序列具备“尖峰厚尾”非正态的特征。金融风险的风险来自于金融资产价格的波动，因此需要检测收益率序列是否平稳，从而可以
基于双线性GARCH-CVaR模型的人民币汇率风险测度研究24图3.1人民币对美元汇率中间价数据对数收益率波动序列从图3.1中可以看出，该收益率序列符合金融时间序列的相关特征，金融资产的收益率波动序列中包含着金融学规律，从图中可以看出，该收益率波动序列存在波动率聚集现象，即表现出在一段时间内较高，在另一段时间内低；波动率是以连续的方式随时间进行变化的，一般很少出现波动率跳跃的现象；波动率不会发散到无穷，而是在某一个固定的范围内进行波动，从统计学的角度来说就是波动率一般都是平稳的时间序列，同时还可以从图中发现，一般情况下，负的波动冲击要比正的冲击影响要大，上下波动不是“对称”的，这种现象称为“杠杆效应”，造成这种现象的原因主要是投资主体对风险的喜好程度不同，大多都表现出风险厌恶型，检验是否符合金融时间序列数据的特征，还需要对其进行基本的描述性统计，如图3.2所示。图3.2收益率序列的描述性统计分析从图3.2中可以得到，该收益率序列偏度系数为0.850620，偏度系数不为0，说明该序列属于有偏分布，同时其J-B统计量为1047.947，远远大于0，且其伴随概率P值接近于0，因此可以得出该序列不具备正态分布特征。峰度系数为9.974538，明显大于3，具有“尖峰”特征，由此可知该收益率序列具备“尖峰厚尾”非正态的特征。金融风险的风险来自于金融资产价格的波动，因此需要检测收益率序列是否平稳，从而可以
【参考文献】：
期刊论文
[1]汇改提高了人民币国际化水平吗？——基于“7·21”汇改和“8·11”汇改的视角[J]. 王雪,胡明志. 国际金融研究. 2019(08)
[2]加入SDR后人民币汇率波动规律研究——基于ARIMA-GARCH模型的实证分析[J]. 孙少岩,孙文轩. 经济问题. 2019(02)
[3]人民币汇率制度改革:基于国际规律的视角[J]. 陈中飞,王曦,刘宛昆. 国际金融研究. 2018(12)
[4]人民币纳入SDR后的汇率制度选择[J]. 李春雷,刘铮. 世界经济研究. 2018(11)
[5]有管理浮动汇率向清洁浮动汇率转变的国际经验与政策启示[J]. 陈德敏,谢斐. 重庆大学学报(社会科学版). 2019(03)
[6]人民币汇率市场化改革四十年:进程、经验与展望[J]. 丁志杰,严灏,丁玥. 管理世界. 2018(10)
[7]人民币汇率与股市的风险溢出效应再检验——基于马尔科夫转换GARCH模型和混合时变copula模型的研究[J]. 赵放,刘雅君. 财经论丛. 2018(09)
[8]基于ARCH模型的猪肉价格波动短期特征分析[J]. 郭刚奇. 经济问题. 2017(11)
[9]中国主板与创业板市场风险比较分析——基于GARCH-VAR方法[J]. 任继勤,单晓彤,梁策. 财贸研究. 2015(03)
[10]中国期货市场非交易时段的VaR与ES测度研究[J]. 张舒,仲伟俊,梅姝娥. 东南大学学报(哲学社会科学版). 2013(05)
本文编号：3584028
本文链接：https://www.wllwen.com/guanlilunwen/huobilw/3584028.html
