基于极值理论的Realized GARCH模型及其在风险度量中的应用
发布时间：2021-07-03 08:35
随着经济全球化进程的不断推进,我国潜在的金融风险正在逐步释放。2018年中国股票市场的剧烈动荡,为人们防范股票市场上的不确定性和风险敲响了警钟。此外,近年来伴随着融资融券业务以及股指期货交易的快速发展,我国证券市场的杠杆性不断增强,其日内波动幅度明显变大。在市场波动阶段,指数收益率的极值特征具有重要的研究意义。同时,越来越多的基金公司也将指数产品作为业绩评价对照使用,而市场的波动无论对从业者还是产品的投资人来说都有着显著的不确定性。因此,对于指数在市场波动阶段的不确定性管理尤其是极值风险的管理十分重要。目前,VaR模型是国际流行的风险度量工具,而由于其固有的缺陷,ES逐渐被越来越多的学者应用到风险度量中去,以达到更好的度量效果,因此本文采用VaR与ES作为风险度量指标。对于VaR与ES的计算,本文首先引入了 Realized GARCH模型,将其误差推广到厚尾情形来刻画金融时间序列具有的尖峰厚尾、波动集聚等特征,并与传统GARCH模型进行了对比。其次,考虑到股票数据暴涨暴跌的极端现象,引入极值理论来对小概率极端事件进行建模,并采用POT模型来对序列的尾部风险特征进行研究。最后,为了提高...
【文章来源】：浙江工商大学浙江省
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
图２－１日对数收益率和己实现测度ＲＶ时序图??从图２－１可以看到上证指数和深证成指的对数收益率序列波动比较剧烈，而且存??
这要求误差分布应考虑厚尾性，且日收益率序列都呈现出左偏特征。为了确定日??对数收益率序列是否存在厚尾特征，在Ｊ－Ｂ统计量基础上，进一步进行正态性检验，??作日对数收益率序列的ＱＱ图如图２－２所示。??１：证指数?深证成指??ｊ?Ｊ??ｉｎ?－?ｉｄ?－?＾??ｉ?ｉ?７??０?〇?－?Ｏ?°?－??１?ｆ??〇?＿?〇??Ｉ?Ｉ?Ｉ?＇?＇?Ｉ?Ｉ?Ｉ??－２?０?２?－２?０?２??Ｔｈｅｏｒｅｔｉｃａｌ?Ｑｕａｎｔｉｌｅｓ?Ｔｈｅｏｒｅｔｉｃａｌ?Ｑｕａｎｔｉｌｅｓ??图２－２日对数收益率ＱＱ图??从两组收益率的正态ＱＱ图可以看到，散点中间部分基本与直线相重合，但是上??尾和下尾的部分分别向上和向下发散，这意味着经验分布的尾部比正态分布要厚。所??以结合Ｊ－Ｂ统计量检验结果以及日对数收益率序列ＱＱ图，认为收益率序列具有厚尾??性。??２．３．３平稳性检验??为避免虚假回归问题，即无关的非平稳序列却显示出因果关系，因此在对事件序??列进行分析及预测之前，需要进行单位根检验。采用ＡＤＦ检验对对数收益率序列进行??平稳性检验
２．３．４自相关性检验和ＡＲＣＨ效应检验??深证指数和深证成指的对数收益率数据自相关性和收益率数据平方的自相关性如??图２－３所示。??对数收Ｈ荦（ＳＨ）?对数收益率（ＳＺ１??（ｒ＞?＜〇??ｆｅ?〇?－?ｆｅ?〇?－??＜?￣?＜??２?＝?＝?。二＝?二二：：二二：：：：：??°?ｉ?ｉ?ｉ?ｒ－＾￣ｉ?ｉ?Ｉ?ｉ?°?＼?ｉ?ｉ?ｉ?ｉ?ｉ?ｉ?ｉ??０?５?１０?１５?２０?２５?３０?３５?０?５?１０?１５?２０?２５?３０?３５??Ｌａｇ?Ｌａｇ??对教收益率的平方ＩＳＨ）?对数收益率的平方（ＳＺｌ??ｆｅｄ—?ｆｅ?〇?－??＜?＜??〇?ｐ?ｒｊｊｊｊｊｊｊｊｊｊｊｊｊｊｊｊ士士土土土士土土土土士ｆ土土ｊｉ土土土土二??°?ｈｌ?１?Ｉ?Ｔ?Ｉ?Ｉ＂１?°?ｒ?１?１?１?１?Ｉ?Ｔ?Ｔ?Ｔ＂??０?５?１０?１５?２０?２５?３０?３５?０?５?１０?１５?２０?２５?３０?３５??Ｌａｇ?Ｌａｇ??图２－３对数收益率和对数收益率平方的自相关图??对数收益率序列的自相关图显示了上证指数和深证成指均存在微弱的自相关性，??且对数收益率序列平方的自相关图显示了两组数据存在自相关性，说明上证指数和深??证成指具有ＡＲＣＨ效应。关于ＡＲＣＨ效应的检验，可以采用ＭｃＬｅｏｄ－Ｌｉ检验方法，??对两组数据进行ＭｃＬｅｏｄ－Ｌｉ检验
【参考文献】：
期刊论文
[1]基于Beta-Skew-t-EGARCH-POT模型的极值风险测度研究[J]. 张保帅,金振琥. 南方金融. 2018(02)
[2]基于混频已实现GARCH模型的波动预测与VaR度量[J]. 于孝建,王秀花. 统计研究. 2018(01)
[3]含有超越时间与相关收益率强度的极值风险度量[J]. 陈守东,周彻. 统计与信息论坛. 2018(01)
[4]基于收益波动性和厚尾性的条件风险价值探究——来自沪深300指数的验证[J]. 王淼,王春丽. 数学的实践与认识. 2017(17)
[5]基于MCMC参数估计的POT极值理论度量影子银行与A股市场VaR-ES[J]. 李锦成. 中央财经大学学报. 2017(05)
[6]中国股市波动率的广义周内特征及其预测模型[J]. 施雅丰,艾春荣. 系统工程理论与实践. 2016(08)
[7]基于偏t分布realized GARCH模型的尾部风险估计[J]. 黄友珀,唐振鹏,周熙雯. 系统工程理论与实践. 2015(09)
[8]Realized GAS-GARCH及其在VaR预测中的应用[J]. 王天一,黄卓. 管理科学学报. 2015(05)
[9]利用高频数据预测沪深300指数波动率——基于Realized GARCH模型的实证研究[J]. 王天一,赵晓军,黄卓. 世界经济文汇. 2014(05)
[10]高频农产品期货波动率和相关性预测——基于Realized Copula-DCC模型的视角[J]. 黄雯,黄卓,王天一. 浙江社会科学. 2013(05)
博士论文
[1]广义Pareto分布的统计推断[D]. 赵旭.北京工业大学 2012
硕士论文
[1]基于Realized GARCH-NIG模型的中国股票市场波动研究[D]. 刘若萌.天津大学 2017
[2]基于极值理论VaR模型的上市公司行业风险比较研究[D]. 俞慧琴.浙江大学 2013
本文编号：3262234
【文章来源】：浙江工商大学浙江省
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
图２－１日对数收益率和己实现测度ＲＶ时序图??从图２－１可以看到上证指数和深证成指的对数收益率序列波动比较剧烈，而且存??
这要求误差分布应考虑厚尾性，且日收益率序列都呈现出左偏特征。为了确定日??对数收益率序列是否存在厚尾特征，在Ｊ－Ｂ统计量基础上，进一步进行正态性检验，??作日对数收益率序列的ＱＱ图如图２－２所示。??１：证指数?深证成指??ｊ?Ｊ??ｉｎ?－?ｉｄ?－?＾??ｉ?ｉ?７??０?〇?－?Ｏ?°?－??１?ｆ??〇?＿?〇??Ｉ?Ｉ?Ｉ?＇?＇?Ｉ?Ｉ?Ｉ??－２?０?２?－２?０?２??Ｔｈｅｏｒｅｔｉｃａｌ?Ｑｕａｎｔｉｌｅｓ?Ｔｈｅｏｒｅｔｉｃａｌ?Ｑｕａｎｔｉｌｅｓ??图２－２日对数收益率ＱＱ图??从两组收益率的正态ＱＱ图可以看到，散点中间部分基本与直线相重合，但是上??尾和下尾的部分分别向上和向下发散，这意味着经验分布的尾部比正态分布要厚。所??以结合Ｊ－Ｂ统计量检验结果以及日对数收益率序列ＱＱ图，认为收益率序列具有厚尾??性。??２．３．３平稳性检验??为避免虚假回归问题，即无关的非平稳序列却显示出因果关系，因此在对事件序??列进行分析及预测之前，需要进行单位根检验。采用ＡＤＦ检验对对数收益率序列进行??平稳性检验
２．３．４自相关性检验和ＡＲＣＨ效应检验??深证指数和深证成指的对数收益率数据自相关性和收益率数据平方的自相关性如??图２－３所示。??对数收Ｈ荦（ＳＨ）?对数收益率（ＳＺ１??（ｒ＞?＜〇??ｆｅ?〇?－?ｆｅ?〇?－??＜?￣?＜??２?＝?＝?。二＝?二二：：二二：：：：：??°?ｉ?ｉ?ｉ?ｒ－＾￣ｉ?ｉ?Ｉ?ｉ?°?＼?ｉ?ｉ?ｉ?ｉ?ｉ?ｉ?ｉ??０?５?１０?１５?２０?２５?３０?３５?０?５?１０?１５?２０?２５?３０?３５??Ｌａｇ?Ｌａｇ??对教收益率的平方ＩＳＨ）?对数收益率的平方（ＳＺｌ??ｆｅｄ—?ｆｅ?〇?－??＜?＜??〇?ｐ?ｒｊｊｊｊｊｊｊｊｊｊｊｊｊｊｊｊ士士土土土士土土土土士ｆ土土ｊｉ土土土土二??°?ｈｌ?１?Ｉ?Ｔ?Ｉ?Ｉ＂１?°?ｒ?１?１?１?１?Ｉ?Ｔ?Ｔ?Ｔ＂??０?５?１０?１５?２０?２５?３０?３５?０?５?１０?１５?２０?２５?３０?３５??Ｌａｇ?Ｌａｇ??图２－３对数收益率和对数收益率平方的自相关图??对数收益率序列的自相关图显示了上证指数和深证成指均存在微弱的自相关性，??且对数收益率序列平方的自相关图显示了两组数据存在自相关性，说明上证指数和深??证成指具有ＡＲＣＨ效应。关于ＡＲＣＨ效应的检验，可以采用ＭｃＬｅｏｄ－Ｌｉ检验方法，??对两组数据进行ＭｃＬｅｏｄ－Ｌｉ检验
【参考文献】：
期刊论文
[1]基于Beta-Skew-t-EGARCH-POT模型的极值风险测度研究[J]. 张保帅,金振琥. 南方金融. 2018(02)
[2]基于混频已实现GARCH模型的波动预测与VaR度量[J]. 于孝建,王秀花. 统计研究. 2018(01)
[3]含有超越时间与相关收益率强度的极值风险度量[J]. 陈守东,周彻. 统计与信息论坛. 2018(01)
[4]基于收益波动性和厚尾性的条件风险价值探究——来自沪深300指数的验证[J]. 王淼,王春丽. 数学的实践与认识. 2017(17)
[5]基于MCMC参数估计的POT极值理论度量影子银行与A股市场VaR-ES[J]. 李锦成. 中央财经大学学报. 2017(05)
[6]中国股市波动率的广义周内特征及其预测模型[J]. 施雅丰,艾春荣. 系统工程理论与实践. 2016(08)
[7]基于偏t分布realized GARCH模型的尾部风险估计[J]. 黄友珀,唐振鹏,周熙雯. 系统工程理论与实践. 2015(09)
[8]Realized GAS-GARCH及其在VaR预测中的应用[J]. 王天一,黄卓. 管理科学学报. 2015(05)
[9]利用高频数据预测沪深300指数波动率——基于Realized GARCH模型的实证研究[J]. 王天一,赵晓军,黄卓. 世界经济文汇. 2014(05)
[10]高频农产品期货波动率和相关性预测——基于Realized Copula-DCC模型的视角[J]. 黄雯,黄卓,王天一. 浙江社会科学. 2013(05)
博士论文
[1]广义Pareto分布的统计推断[D]. 赵旭.北京工业大学 2012
硕士论文
[1]基于Realized GARCH-NIG模型的中国股票市场波动研究[D]. 刘若萌.天津大学 2017
[2]基于极值理论VaR模型的上市公司行业风险比较研究[D]. 俞慧琴.浙江大学 2013
本文编号：3262234
本文链接：https://www.wllwen.com/jingjilunwen/huobiyinxinglunwen/3262234.html
