基于GARCH-CVaR的互联网金融市场风险度量及监管研究

发布时间：2020-11-13 12:50

　　 互联网已经全面、深入地渗透并深刻影响和改变着经济社会发展各领域,互联网与金融的有机结合催生了满足群众财富保值增值需求和弱势群体融资需求的互联网金融。由于互联网金融法律法规不够健全,也没有建立适应互联网金融特点的风险防范和监管体系,互联网金融行业各种风险问题日益凸显出来。加强风险防范和监管成为了促进互联网金融持续健康发展和保持金融体系安全稳定的现实需要。本文通过对互联网金融市场风险的各种测量方法进行系统的分析和研究,最终选定了VaR(Value at Risk)和CVaR方法作为本文的研究方法。该文着重介绍了VaR和CVaR模型的基本原理以及VaR和CVaR的计算方法,并以2014年至2016年上证综合指数和深圳成份指数为研究对象,利用VaR和CVaR方法对我国互联网金融市场风险进行了实证分析。实证检验取得了较好的效果。本文在互联网金融市场较充分的数据基础上,通过Eviews统计分析软件和计量经济学方法进行处理,实证分析结果得出:互联网金融市场指数收益率序列分布具有尖峰厚尾的特点,并且具有明显的GARCH效应和杠杆效应,其波动具有聚集性和时变性(条件异方差性);基于正态分布的VaR估计可能会低估风险,基于GARCH-M模型t分布的CVaR估计可能会高估风险,基于GARCH模型t分布的CVaR估计的结果较准确。实证研究表明,GARCH族模型能够很好地刻画收益率序列残差项的异方差性,选用GARCH族模型能够比较有效的进行VaR和CVaR的估计,从而进行证券市场的风险测量。文章最后针对各市场参与方提出了相关的风险管理建议。
【学位单位】：青岛大学
【学位级别】：硕士
【学位年份】：2017
【中图分类】：F724.6;F832.1
【部分图文】：

章 基于 CARCH 族模型的 VaR 与 CVaR 方法的实证分析27图3-1 随机游走模型（3-2）的估计结果图中的方程测算数据表明：F统计量数字足够大，可以说明测算结果的总体而言具有显著性特征；其中2=0.9943，接近1，显示模型的拟合效果较优。但常数项C的值近乎于0并且不够显著，解释变量LNCHUQUAN(-1)的系数估测数据为0.9947近似于1，足够显著。由此可见， lnchuquan 序列是不含常数项的随机漫步序列，或者说互联网金融指数的对数数据Rt= lnPt-lnPt-1是均值为零的随机变量。根据图3-1的输出结果，可以得出方程（3-2）的估计结果：Ln (chuquant) =0.002127 + 0.994732 ln(chuquant-1)+ (3-3)接下来

青岛大学硕士学位论文28图3-2 残差序列的折线图从图3-2的形态不难发现该回归方程的残差呈现出明显的波动“聚集性”，说明其在很大程度上有着条件异方差的特性，也就是符合ARCH规律。下一步，通过绘制残差平方的自相关情况图来帮助分析该回归方程残差的ARCH效应显著与否，获得如图3-3所示的图表。图3-3 残差平方的相关图

其在很大程度上有着条件异方差的特性，也就是符合ARCH规律。下一步，通过绘制残差平方的自相关情况图来帮助分析该回归方程残差的ARCH效应显著与否，获得如图3-3所示的图表。图3-3 残差平方的相关图
【参考文献】

相关期刊论文 前10条

1 林小霞;祝健;;互联网理财风险度量及其监管——基于VaR-GARCH模型的分析[J];福建金融;2016年07期

2 张晓;;互联网金融与传统金融的双向系统性风险溢出效应研究——基于AR-GARCH-CoVaR模型分析[J];中南财经政法大学研究生学报;2016年02期

3 李彩凤;梁静溪;;互联网金融风险的实证评价及优化对策[J];金融理论与实践;2016年05期

4 王立勇;石颖;;互联网金融的风险机理与风险度量研究——以P2P网贷为例[J];东南大学学报(哲学社会科学版);2016年02期

5 陈一鼎;乔桂明;;“互联网+金融”模式下的信息安全风险防范研究[J];苏州大学学报(哲学社会科学版);2015年06期

6 刘海二;;互联网金融的风险与监管[J];经济与管理研究;2015年10期

7 杨东;;互联网金融风险规制路径[J];中国法学;2015年03期

8 王国刚;张扬;;互联网金融之辨析[J];财贸经济;2015年01期

9 孙杰;贺晨;;大数据时代的互联网金融创新及传统银行转型[J];财经科学;2015年01期

10 刘志洋;汤珂;;互联网金融的风险本质与风险管理[J];探索与争鸣;2014年11期

本文编号：2882208