基于DF-GARCH模型的高维资产组合VaR度量

发布时间：2018-01-31 05:10

本文关键词： 高维资产组合动态因子GARCH模型 VaR度量　出处：《西南财经大学》2013年硕士论文　论文类型：学位论文

【摘要】：近年来,对于高维金融资产组合的VaR的度量越来越受到重视。一方面,随着全球金融的发展以及中国金融市场的不断发展与完善。以大规模金融资产为基础产生的金融产品及其衍生品越来越多,某些基金甚至是由上百种金融资产组合而成,如ETF180、ETF280、ETF300等。它们的出现不但丰富了金融市场的产品市场,同时这类大规模高维金融资产组合能较为有效、全面地结合金融市场中的各类信息。通过对这类高维金融资产组合的研究与风险评价,能比较全面的掌握金融市场的风险因素从而对其进行风险管理和监控。因此,在学术上对高维金融资产组合的VaR度量研究已经成为了一种趋势。另一方面,高维金融资产组合因其涵盖信息多、内容全面。加上自2008年全球金融危机后,通过研究高维金融资产组合来度量市场中的系统性危机也成为了一种新思路。在此背景下,准确的度量高维金融资产组合的VaR值,将其应用到现代金融市场的风险管理、风险监控以及资产组合投资等领域具有非常深刻的理论与实践意义。而国内现有文献对于上述问题研究基本上存在以下三方面的问题：(1)通常对单一变量(如市场指数、单一金融资产等)进行VaR的度量。对单一变量的VaR度量这并不能反映出现代金融市场间各市场、各资产间的相互联系与相互影响。因此,该类方法的研究对象即使是对市场指数类进行研究。它也在信息上存在损失,忽略了资产间的相互关联与影响的机制。(2)在理论研究中,对于多维度的金融资产。理论上采用多元GARCH模型或指数滑动平均模型似乎能有效的解决单一变量研究产生的问题。然而,在金融实践中无论采用何种形式的多元GARCH模型设定都无法对本文所研究的高维金融资产组合进行有效的参数估计。这是由于多元GARCH类模型具有复杂的向量与矩阵形式。当变量的维数增加时,待估参数呈指数增长从而陷入了“维数灾难”的困境。而指数滑动平均这类模型虽然兼顾了金融时间序列的时变性特征,但通过简单的滑动指数来刻画这种时变性当然具有一定的不准确性。因而,这类方法存在理论上可行而实践上难实施的问题。(3)降维思想类的方法通过对高维资产的降维,提取出重要的市场因子来刻画金融资产组合内各资产间的相互联系与影响。在大多数实证分析中,因子GARCH模型通常被使用。然而因子GARCH模型在降维过程中存在信息损失,且提取的因子个数的确定并没有统一的标准。因此,这类方法虽然能有效的对大规模的金融资产组合的波动性进行刻画。但损失的信息部分是不容忽略的。针对现有文献的不足,本文通过动态因子GARCH模型来刻画高维金融资产组合的波动性。该模型将动态因子模型与GARCH类模型进行有效的结合,来度量高维金融资产的波动性。动态因子模型将高维金融资产组合分解为受市场因素影响的市场部分(或系统部分)以及金融资产自身独立的特质部分(或异质部分)。市场部分在因子模型下的维数已远远低于大规模金融资产的维数。因此,分别对市场部分和特质部分建立合理的多元GARCH与单变量的GARCH模型就能在不损失信息的情况下较为准确的刻画金融资产组合的波动性。那么将动态因子GARCH模型下刻画的波动性应用于VaR度量中,就能解决高维金融资产组合的VaR度量问题。本文在国内外文献分析、归纳和总结的基础上进行了实证分析。选取了以沪深300指数成分股为基础的218支股票2010年1月1日至2012年12月31日为样本区间的收盘价作为研究对象。对该金融资产组合的VaR度量进行了深入的理论分析与实证研究。本文的主要内容包括选题的背景与意义,并阐述了本文的研究思路、方法、内容安排以及创新。本文对现有文献进行了梳理、总结。针对其不足,介绍了本文研究方法的优势与创新。本文研究的对象是高维金融资产的收益率序列,利用动态因子模型的方法。将可以观测的收益率序列分解为由动态因子驱动影响的公共部分与金融资产组合中各个序列的特质部分。在因子模型中,公共部分(系统部分)与特质部分(异质部分)信息是不重叠的。其中,公共部分是由潜在的不可观测的动态因子驱动影响的；而特质部分是由每支金融资产组合内的个体收益率序列自身的特质因素影响而产生的。因子模型有效的将它们分解开,这样通过少数的动态因子的变动就能对整个资产组合的公共部分(系统性部分)产生影响。因而对公共部分的波动性的刻画就可以根据得到的因子个数选取合理的多元GARCH模型来进行拟合。这样高维金融资产组合的系统性波动就被极少数的公共因子的波动刻画出来(起到非常重要的降维作用)。然后再对特质部分根据其自身收益率序列呈现的特点建立单变量的GARCH来刻画其波动。这样既使得金融资产组合的波动由系统性波动与特质性波动组成,又避免了传统因子GARCH模型的信息损失。因为后者常常只对提取的静态因子建立多元GARCH模型而忽略了特质部分的波动影响。而动态因子GARCH模型就很好的弥补了这一点。通过本文的理论分析与实证研究,得到了以下的结论：(1)对于我国以沪深300指数成分股为基础选取的218支股票构建的资产组合。可以通过3个动态因子来驱动由市场产生的对各个股票波动性的影响。但这3个动态因子并不能通过现有的理论来进行合理的解释或命名,另外这3个动态因子间的动态相关系数表明它们之间存在弱相关。(2)在刻画高维资产组合波动性方面,动态因子GARCH在对国内股票市场中构建的高维资产组合的波动性估计具有一定的效果,即动态因子GARCH模型提供了一个针对高维资产组合的波动性刻画与预测的方法。在95%与99%置信度下,对应用动态因子GARCH模型计算的VaR值与指数滑动平均模型计算的VaR值比较可知,动态因子GARCH模型计算的VaR值略小。而指数滑动平均模型计算的VaR值相对略大。在95%与99%置信度下动态因子GARCH模型与指数滑动平均模型计算的VaR值的回测检验表明。在95%置信度下,动态因子GARCH模型与指数滑动平均模型的效果均比较好。但在99%置信度下,动态因子GARCH模型比指数滑动平均模型的效果好,而指数滑动平均模型在VaR的度量上较为保守。因此,金融机构、金融监管以及风险控制部分可以考虑采用动态因子模型对高维资产组合进行风险的度量、监督和管理。本文的创新之处主要体现在以下三个方面：(1)首次在国内对超过200支金融资产的日收益率的方差协方差阵进行了估计,并将其结果用于VaR的度量。结果表明动态因子GARCH适用于国内高维金融资产的VaR度量。(2)对218支股票收益率数据的特质部分建立了TGARCH (GJR-GARCH)和GARCH模型合理的估计了特质波动部分。与传统的因子GARCH模型相比,避免了特质部分信息、的损失。(3)采用滚动预测的方法对218支股票组合进行了VaR度量,并将其结果与指数滑动平均(EWMA)的VaR度量进行了比较。结果表明动态因子GARCH模型下的VaR度量均好于指数滑动平均下的VaR度量。本文进一步的研究方向为：(1)可以将动态因子GARCH模型应用到更多的市场领域,通过这些应用更好的验证动态因子GARCH模型的适用性。(2)本文仅仅将动态因子GARCH模型的波动性估计结果运用到了VaR的度量上。而该模型的结果还可以应用到更多的领域,如投资组合决策等。
[Abstract]:On the one hand , with the development of global finance and the continuous development and perfection of China ' s financial market , the financial product and its derivatives have become more and more developed with the development of global finance and the continuous development and perfection of China ' s financial market . There are three main problems in the research of the above - mentioned problems : ( 1 ) the VaR measure of the single variable ( such as market index , single financial asset , etc . ) can be effectively solved . In this paper , the volatility of high - dimensional financial assets is characterized by the dynamic factor model . The dynamic factor model combines high - dimensional financial assets into the market part ( or system part ) affected by market factors and the independent character part ( or heterogeneous part ) of financial assets . This paper makes an empirical analysis on the basis of literature analysis , induction and summary at home and abroad . The stock price of 218 shares based on Shanghai - Shenzhen - 300 index is selected as the research object from Jan . 1 , 2010 to Dec . 31 , 2012 . The VaR measure of this financial asset portfolio is analyzed theoretically and empirically . The main content of this paper includes the background and significance of the selection , and expounds the research thoughts , methods , content arrangement and innovation of this paper . This paper reviews the existing literature and summarizes the advantages and innovations of the research methods in this paper . This paper studies the yield sequence of high - dimensional financial assets , and uses the method of dynamic factor model . The observable yield sequence is decomposed into the characteristic part of each sequence in the combination of public and financial assets driven by dynamic factor . Based on the theoretical analysis and the empirical research , the following conclusions are obtained : ( 1 ) The effect of the dynamic factors and the index sliding average model on the volatility of the high - dimensional asset portfolio , which is based on the Shanghai - Shenzhen - 300 index , is better than that of the exponential sliding - average model . The innovation in this paper is mainly embodied in the following three aspects : ( 1 ) The variance covariance matrix of more than 200 financial assets is estimated at home for the first time , and the results are used to measure VaR . The research direction of this paper is : ( 1 ) The applicability of the dynamic - factor ARCH model can be applied to more market fields , and the applicability of the model is better validated by these applications . ( 2 ) The results of the volatility estimation of the dynamic - factor ARCH model can be applied to VaR measure only . The results of this model can also be applied to more fields , such as decision - making of investment portfolio .

【学位授予单位】：西南财经大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：F830.9;F224

【参考文献】