基于极值理论的风险价值（VaR）方法及对沪深300指数的实证分析

发布时间：2020-07-08 19:41

【摘要】： 近年来,受经济全球化和金融自由化、竞争与放松管制以及金融创新与技术进步等因素的影响,金融市场规模迅速扩大和效率明显提高的同时,金融市场的波动性和风险明显增加,极端事件出现的频率越来越高,极端事件造成的损失也非常巨大,严重时导致金融机构倒闭,甚至导致整个国家乃至全球的金融危机。如2007年的这场始于美国次贷危机其后席卷全球的金融危机。在这些情况下,传统的VaR方法在对极端风险反应方面表现一定的不足。本文意图解决在极端情况下如何度量沪深300指数的风险价值问题。文章主要分为两大部分-理论研究部分和实证研究部分。 在理论研究部分,通过对于VaR方法和极值理论的借鉴与回顾,客观地评价各种VaR方法的优缺点及适应性及其方法,然后得到了EGARCH-M-EVT模型。再在此基础上对沪深300指数进行实证研究。 在实证研究部分,文章首先对收益率序列的统计特征和分布进行实证分析,以便选择合理的VaR估计模型作为参考。通过正态性、自相关性、稳定性以及ARCH效应的实证分析,发现沪深300指数不满足正态分布,基本不存在自相关性,而且是稳定的序列,但是收益分布存在明显的波动集聚性。然后选取了几个常用的VaR估计方法包括历史模拟法、蒙特卡罗模拟法、正态方法(简单加权平均和指数加权平均法)、GARCH类方法与基于极值理论的风险价值方法(EVT方法和EGARCH-M-EVT方法),针对沪深300指数进行实证研究,对各种方法得出的风险进行准确性检验,得出结论。通过研究发现,可以用EGARCH-M-EVT模型来度量沪深300指数的风险价值,相比于其他传统的VaR方法得到的VaR值要保守些,能够反应市场的极端风险状况。
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2009
【分类号】：F224;F832.51
【图文】：

图 4.3 QQ 图Fig.4.3 QQ Chart表 4.1 沪深 300 指数收益率基本统计分析Table4.1 Basic statistial characteristics of Shanghai-Shenzhen 300 index’s return均值 最大值 最小值 标准差 偏度 峰度 J0.0008 0.0893－0.09690.0224－0.37475.0827 益率序列相关性检验和稳定性检验用 GARCH 模型，首先要考虑收益序列的相关性和稳定性。我们相关图来判别序列的相关性（图 4.3），用 ADF 检验判别序列的稳图 4.3 中，可以看出，收益序列在 10 阶内，自相关和偏相关数基内，收益序列基本不存在相关性。对该序列进行的 ADF 检验，从30. 15009，都小于在 1%，5%，10%处的临界值，且 P 值为 0，从列也是平稳的。

【引证文献】

相关硕士学位论文 前2条

1 曹丹;基于极值理论的动态极端风险度量及其应用研究[D];浙江财经学院;2011年

2 范存磊;基于近年股市波动的风险测度实证研究[D];西南交通大学;2010年

本文编号：2746958