长记忆条件下中国股市VaR估计模型的比较研究

发布时间：2020-06-06 04:10

【摘要】： VaR(Value at Risk)是一种利用统计技术来度量市场风险的方法。一些权威金融研究机构的调查表明,自二十世纪80年代以来,VaR己经为众多商业银行、投资银行、非金融公司、机构投资者及监管机构所使用和关注。许多金融机构都将VaR作为防范金融风险的第一道防线,并且开发了利用VaR进行风险管理的软件。监管机构则利用VaR技术作为金融监管的工具,如在巴塞尔委员会发布的巴塞尔银行业有效监管核心原则及欧盟的资本充足度法案中,VaR成为其监管市场风险的重要工具。 由于GARCH族模型能够较好地刻画收益的动态变化特征,捕捉股市的丛集性效应、非对称特征,所以近年来计算VaR的参数方法多集中于用各类GARCH模型结合能捕捉股市收益的厚尾特征的t-分布、GED分布进行计算。 本文首先介绍VaR的概念、计算方法及VaR模型的准确性检验;接着回顾传统的GARCH类波动模型到FIGARCH模型的转变,之后介绍了长记忆的概念及检验方法。在实证分析这一章,首先对上证综合指数、深圳成份指数、香港恒生指数进行了一个长记忆性检验,在收益波动率序列中我们发现了高度显著的长记忆性。然后我们用GARCH(1,1)、FIGARCH(1,d,1)和FIEGARCH(1,d,1)模型计算各指数在三个置信水平下的VaR值。我们用返回检验法检验对各模型的预测效果进行了比较,但是从LR统计量考虑,我们不能拒绝GARCH、FIGARCH、或FEGARCH模型,它们都能对较好地对风险作出估计,因此本文采用评分法评估各模型的优劣,按各模型实际失败率p *与期望失败率p绝对差的大小,我们计算出各指数的9个模型的排序情况,并算出平均排序,平均排序最小的模型其准确性总的来说是最高的。评分法便于综合评价各模型的优劣。 实证结果表明在估计95%置信度下的VaR值时基于GED分布的FIGARCH(1,d,1)模型表现最佳。而在97.5%及99%置信水平下,基于GED分布的FIEGARCH(1,d,1)模型表现出了最好的预测能力。 我们发现FIGARCH和FIEGARCH模型在估计中国股市的VaR值时要比GARCH模型表现优越。这表明考虑非对称性和长期记忆特征对于估计中国股市指数的VaR值来说是非常有价值的。考虑长期记忆特征有助于提高波动模型的实际预测能力,同时条件分布的选取对预测能力也有显著影响。
【图文】：

都服从标准正态分布。取样本长度 T 为 10000，严格按照两行模拟。1 为做一次模拟试验，得到的两类过程的自相关函数曲线。从长期记忆模型自相关函数呈现缓慢的衰减趋势，而短期记忆2 为做一次模拟试验，样本部分和方差与聚合样本数之间的曲们可以看到，FIWN 过程呈现出幂指函数发散趋势，而 AR(1性函数。本的谱密度离散程度比较大，为了起到平滑作用，本文采用 平均谱密度的方法，并将平均谱密度与圆频率间的曲线绘于可以看到，FIWN 过程的谱密度在低频处是以双曲函数形式衰程的谱密度却基本上保持常数值不变。

长期记忆和短期记忆过程的部分和方差增长速度比较
【学位授予单位】：湘潭大学
【学位级别】：硕士
【学位授予年份】：2007
【分类号】：F832.51;F224

【相似文献】

相关期刊论文 前10条

1 崔海蓉;何建敏;胡小平;;FIEGARCH-EVT-ES风险测度及在期货市场的应用[J];南京航空航天大学学报(社会科学版);2011年02期

2 林宇;黄登仕;魏宇;;胖尾分布及长记忆下的动态EVT-VaR测度研究[J];管理科学学报;2011年07期

3 刘湘云;卞悦;;我国农产品期货的长记忆研究:基于GPH与修正R/S实证检验[J];南京财经大学学报;2011年03期

4 阿荣;张宏伟;徐赐文;;模型FI-EGARCH-M的建立及实证分析[J];数学的实践与认识;2011年09期

5 许文坤;张卫国;;金融时间序列分形维参数估计方法比较及应用[J];系统工程;2011年07期

6 曾祥顺;;股票市场波动性研究述评[J];China's Foreign Trade;2011年16期

7 陈春春;胡日东;;基于半参数LM-ARMAX模型的股价波动成因分析[J];金融理论与实践;2011年07期

8 卢旺;;基于FIAPARCH-skt的纽约黄金期货波动分析[J];经营管理者;2011年17期

9 黄金;;基于GARCH类模型的人民币汇率波动性研究[J];知识经济;2011年17期

10 ;[J];;年期

相关会议论文 前9条

1 许友传;;金融时间序列R/S长记忆性检验的有效性[A];第十二届中国管理科学学术年会论文集[C];2010年

2 李锬;齐中英;雷莹;;有限理性、异质信念与商品期货价格波动[A];第九届中国管理科学学术年会论文集[C];2007年

3 夏南新;;中国黑市汇率长记忆性的ARFIMA-FIGARCH模型研究[A];中国社会科学院第三届中国经济论坛论文集（下）[C];2007年

4 李汉东;张世英;;随机波动模型的波动持续性研究[A];Systems Engineering, Systems Science and Complexity Research--Proceeding of 11th Annual Conference of Systems Engineering Society of China[C];2000年

5 王鹏;魏宇;;我国金属期货市场波动的典型事实及风险计量模型研究[A];第六届（2011）中国管理学年会——金融分会场论文集[C];2011年

6 范为;房四海;;金融危机中的黄金定价模型[A];第六届（2011）中国管理学年会——金融分会场论文集[C];2011年

7 李海英;;机构投资者、股价稳定性与中小投资者利益保护[A];中国会计学会财务成本分会2011年年会暨第二十四次理论研讨会论文集[C];2011年

8 李海英;;机构投资者、股价稳定性与中小投资者利益保护[A];中国会计学会2011学术年会论文集[C];2011年

9 高伟;;隐分辨模型的功率谱分析[A];第十二届中国青年信息与管理学者大会论文集[C];2010年

相关重要报纸文章 前1条

1 方正期货研究所 颜涵;分形市场理论在商品期货市场的应用[N];期货日报;2011年

相关博士学位论文 前10条

1 张晓伟;水文动力系统自记忆特性及其应用研究[D];西安理工大学;2009年

2 肖炜麟;具有长记忆性的权证定价方法研究[D];华南理工大学;2010年

3 徐立霞;一类时间序列的频域分析及其应用[D];华中科技大学;2006年

4 李美洲;门限及分数维协整分析及其在经济中的应用[D];暨南大学;2008年

5 邓露;长记忆理论及其在金融市场建模中的应用[D];南开大学;2009年

6 燕爱玲;河川径流时间序列的分形特征研究[D];西安理工大学;2007年

7 于栋华;金融市场中的时间变换方法及其应用[D];上海交通大学;2007年

8 余俊;证券市场的分形特征研究[D];青岛大学;2008年

9 江洲;基于分布特征与宏观经济因素的证券市场收益率描述与预测[D];湖南大学;2008年

10 曹广喜;基于分形分析的我国股市波动性研究[D];河海大学;2007年

相关硕士学位论文 前10条

1 吴大勤;金融时间序列的长记忆与分形协整关系研究[D];东南大学;2006年

2 石纪信;基于长记忆性的中国股票市场波动行为分析[D];中国科学技术大学;2011年

3 卞悦;我国农产品期货长记忆性研究[D];广东商学院;2012年

4 曾艳;中美股市的长记忆性及联动性研究[D];华南理工大学;2012年

5 李伟;长记忆条件下中国股市VaR估计模型的比较研究[D];湘潭大学;2007年

6 胡焰林;中国股市量价关系的长记忆性及非线性时变相关研究[D];浙江工业大学;2012年

7 宋晓琴;中国股市收益序列的异方差性和长记忆性研究[D];中央民族大学;2010年

8 罗来东;股票市场收益率波动长记忆性实证研究[D];西南财经大学;2005年

9 姜仁娜;一类双截尾模型的MCMC算法及证券的长记忆性分析[D];清华大学;2004年

10 魏莉娅;基于高频数据的基金市场长记忆性研究[D];电子科技大学;2007年

，

本文编号：2699143