基于分位数自回归的金融风险计量研究

发布时间：2025-02-11 18:35

　　金融市场在迅猛发展的同时,其风险也在不断增大。近年来,金融风险时有发生,如2007年至2009年的全球金融危机,2010年开始全面爆发的欧洲债务危机等。自这些金融风险发生以来,人们逐渐意识到:金融市场内部不确定性的影响因素日益增多,市场复杂性在也日益明显(如非线性和异质性等)。时间序列分析在金融计量中占据重要地位,本文在汲取国内外本领域最新研究成果基础上,着眼于解决金融系统中非线性与异质性等复杂性问题,选取“基于分位数自回归的金融风险计量研究”这一课题,将时间序列分析拓展到分位数回归框架下,研究一元时间序列的非线性分位数自回归以及多元时间序列的分位数向量自回归,进而给出相应的金融风险计量模型与方法。本文主要采取数理分析、人工智能、数值模拟和实证研究相结合的方法,从以下两个方面开展研究:第一,在理论建模方面,对经典的分位数回归模型进行拓展,给出新的金融风险计量工具与方法;第二,在应用研究方面,将新的金融风险计量方法应用于金融风险管理,提高金融风险管理的效率。本文研究特色体现在两个方面。第一,在分位数回归框架下开展研究,能够充分发挥分位数回归揭示响应变量完整分布特征与异质效应的能力,提高对尾...

【文章页数】：140 页

【学位级别】：博士

【部分图文】：

图３．１ＱＡＲＮＮ模型的原理图

值得注意，在神经网络模型运行初期，需要初始化迭代项来训练神经网络模??型，因此本节通过计算前个观测值对应分位点的经验分位数来初始化迭代项，??其中／ｎ—般设为样本总量的１／１０。基于图３．１给出的ＱＡＲＮＮ模型原理图，给定??预测变量⑴，以及—个由ＱＡＲＮＮ输出的预测值＆⑴。??....

图３．２ＱＡＲＮＮ方法估计的１

ＦＴＳＥ１００?（１，１，３）?０．１７７?－１．５００?（２，１，３）?０．４４７?－０．８７４?（２，１，３）?０．６５８?－０．４１９??３．３．３?ＶａＲ风险测度??图３．１报告基于参数个数／７?＝?ｌ，ｇ?＝?ｌ，Ａ：?＝?３时ＱＡＲＮＮ方法拟合的１％分位数，??５％分....

图４．１ＮＣＡＲＥ模型的原理图??Ｆｉｇ４．１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｓｈｏｗｉｎｇ?ａＮＣＡＲＥ?ｍｏｄｅｌ?ｗｉｔｈ?ｔｗｏ?ｐｒｅｄｉｃｔｏｒｓ??

Ｙ?三卜（＾，（以°）／，（６（５，（６（°）丫为待估参数，，）？），＜），．．．，４）），为权重向??量；６Ｗ为阈值向量。??当使用式（２．３５）的检验损失函数来训练图４．１的神经网络框架时，输出值为条??件Ｅｘｐｅｃｔｉｌｅｓ的估计值。显然可见，ＮＣＡＲＥ模型可以在没有确定函....

图４．６三段样本区间内ＶａＲ和ＥＳ的推荐模型??Ｆｉｇ４．６Ｔｈｅ?ｏｐｔｉｍａｌ?ｎｕｍｂｅｒｓ?ｏｆ?ｅａｃｈ?ｍｏｄｅｌ?ｆｏｒ??

图４．６三段样本区间内ＶａＲ和ＥＳ的推荐模型??Ｆｉｇ４．６Ｔｈｅ?ｏｐｔｉｍａｌ?ｎｕｍｂｅｒｓ?ｏｆ?ｅａｃｈ?ｍｏｄｅｌ?ｆｏｒ?ＶａＲ?ａｎｄ?ＥＳ?ｅｖａｌｕａｔｉｏｎ?ｏｆ?ｓｉｘ?ｓｔｏｃｋ?ｉｎｄｉｃｅｓ??ａｔ?ｔｗｏ?ｃｏｎｆｉｄｅｎｃｅ?ｌｅｖｅｌｓ?ｆｏｒ....

本文编号：4033685