证券市场极端风险价值（VaR）计算方法研究与实证分析

发布时间：2020-03-23 05:26

【摘要】： 近年来,金融市场的波动日益剧烈,一些金融危机事件接连发生,这些都对风险管理提出了挑战,需要更加适合的模型方法来处理这些情况。实际研究表明传统的正态分布模型假设严重低估了风险,为了更加精确的度量风险,很多学者提出用在工程和寿险精算上得到广泛使用的极值理论来度量市场风险。极值分布不需要对整个回报分布做任何假设,而是让数据说话,仅仅拟合分布的尾部,很适合度量风险。由于采用基于极值理论的广义Pareto分布来研究市场风险在最近得到了广泛讨论,所以本文拟采用它来研究中国股市。 本文在极值理论研究的基础上,探讨怎样用改进的历史模拟法来更加精确的估计中国股市所面临的金融风险。其中核心的部分就是:目前对EVT理论的运用一般都是选取POT模型,在POT模型中一个重要的问题就是阈值的选取,该值的大小影响VaR值的准确性。阈值的选取方法目前常用的有三种,一种是超额限望图,二是Hill图,另一种是与正态比较法。这三种阈值选取方法在实际应用中都有很多不足之处。为了寻找其他阈值选取方法,本文创新性的应用格列汶科定理对历史模拟法进行改进,以提高历史模拟法的计算准确性;并利用该方法来确定POT模型中的阈值,以此新方法计算金融市场的风险价值(VaR)。并且考虑到金融收益不相关或者弱相关的特性,即考虑到收益极值表现出来的波动聚类现象——幅度较大的波动会相对聚集在某一时间段里,而小幅度波动会相对聚集在另一段时间上,故引入了ARMA-AGARCH模型过滤收益率数据的波动性和相关性。最后通过对上证指数进行数值模拟研究,使用改进的POT模型计算金融市场的风险价值(VaR),取得了比较理想的研究成果。
【图文】：

2 用 ARMA－GARCH 模型过滤收益率数据进一步分析数据的自相关和偏相关（见图 6.4），发现滞后 10 期的 Q 统计9％的置信水平下拒绝原假设，序列中存在明显的自相关现象，利用 AIC 定选择AR(3)模型可以解释这一现象。这样，我们就可以直接用 tR序列对常数项作最小二乘回归得到残差项 tε，差序列 tε进行 ARCH 效应的 LM 检验（见表 6.3），发现当q取比较大的值伴概率仍然有p =0.044476，小于显著水平0.05，，拒绝原假设，残差序列 ARCH 效应，即有 GARCH 效应。
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2008
【分类号】：F830.91;F224

【引证文献】

相关硕士学位论文 前1条

1 司波;长江流域短历时强降水极值分布的研究[D];南京信息工程大学;2012年

本文编号：2596260