金融时间序列的时序性特点分析及相应的风险测度方法研究

发布时间：2017-05-22 17:15

  本文关键词：金融时间序列的时序性特点分析及相应的风险测度方法研究，由笔耕文化传播整理发布。

【摘要】：金融时间序列的风险测度一直是金融学研究的热点,自马科维茨提出均值-方差来度量金融风险,风险测度的研究得到了长久发展。出现了很多度量金融时间序列风险的指标,如Va R,CVa R等。对于这些风险度量指标,无论是方差、Va R还是CVa R,在计算过程中均使用方差来表征时间序列的波动性和不确定性,得到的风险值同时间序列的排序大多无关。而本文经论证得出金融时间序列的风险与序列排序是有关系的,即有时序性,用方差表征时间序列的波动性和不确定性有局限性。国内外学者对于时间序列风险的时序性特点研究较少,目前尚未有系统阐述时序性特点的研究。为此,本文研究分析了金融时间序列风险的时序性特点,对不同的时间序列的波动性和不确定性进行了研究分析。针对如何将时序性特点引入到金融时间序列的风险计算中的问题,本文分别采用两种方法进行研究。第一种方法是设计时序性指标——时序方差TV2代替方差来描述时间序列的不确定性和波动性,从而将时序性引入到风险值的计算中;第二种方法是建立ARMA-GARCH模型计算得到条件方差,进而计算时间序列的风险值。本文采用CVa R值来表征金融时间序列的风险,并选择蒙特卡洛模拟法作为计算方法。针对样本数据分布呈现的尖峰厚尾特性选择GED分布运用到蒙特卡洛模拟法中。利用本文提出的两种方法对CVa R值的计算进行优化,建立时序性CVa R,称为T-CVa R,并与蒙特卡洛模拟法相结合分别建立了TV-MC模型和ARMA-GARCH-MC模型。为验证本文建立的两种模型,选取2010年2月4日至2015年3月5日的上证综合指数的日收盘指数为研究对象进行了实证分析,并与未进行时序调整的传统计算模型的结果进行比较。结果表明,经过时序性调整后的两种模型结果均优于未经时序调整的结果。对结果分析得到两种模型存在不同的局限性,因此本文将两种模型结合建立了ARMA-TV-GARCH-MC模型,并得到了更加理想的结果。
【关键词】：金融时间序列 金融风险 时序性 CVaR 蒙特卡洛模拟法
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F832.51;F224
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-17
• 1.1 课题来源及研究的背景和意义9-12
• 1.1.1 课题的来源9
• 1.1.2 课题研究的背景和意义9-12
• 1.2 国内外在该方向的研究现状及评述12-15
• 1.2.1 国外研究现状12-13
• 1.2.2 国内研究现状13-14
• 1.2.3 国内外研究现状评述14-15
• 1.3 本文研究主要内容15-16
• 1.4 研究方法与技术路线16-17
• 第2章 与金融时间序列风险相关的预备知识17-27
• 2.1 一致性风险测度理论17-18
• 2.1.1 一致性风险测度的定义17
• 2.1.2 一致性风险测度的经济学含义17-18
• 2.2 Va R模型简介18-19
• 2.2.1 Va R的概念18
• 2.2.2 Va R的优缺点18-19
• 2.3 Cva R模型简介19-23
• 2.3.1 Cva R的概念19-20
• 2.3.2 Cva R的计算方法20-22
• 2.3.3 CVa R估计的准确性检验22-23
• 2.4 ARMA-GARCH模型23-26
• 2.4.1 平稳性时间序列23
• 2.4.2 ARMA模型23-24
• 2.4.3 GARCH模型24-26
• 2.5 本章小结26-27
• 第3章 金融时间序列风险的时序性特点和时序性指标的建立27-47
• 3.1 有关方差不能很好地表达金融时间序列风险的论证27-29
• 3.2 同一组随机收益率的不同排序的差别29-33
• 3.3 结合MACD指标考察时间序列重新排列的效应33-34
• 3.4 具有相同的期望与方差的不同收益率序列的差别34-38
• 3.5 设计描述金融时间序列不确定性的时序性指标的若干原则38-39
• 3.6 基于单元段折点波动法建立时序性指标39-41
• 3.7 时间序列时序性指标TV的合理性检验41-46
• 3.8 本章小结46-47
• 第4章 蒙特卡洛模拟法结合时序性的T-CVa R计算模型47-56
• 4.1 借助于TV指标构造相应的条件在险价值指标的设想47-48
• 4.2 T-CVa R概念的引入48-49
• 4.3 运用蒙特卡洛模拟法估计CVa R的步骤49-52
• 4.4 基于时序方差TV~2的蒙特卡洛模拟法的T-Cva R模型建立52-54
• 4.5 基于ARMA-GARCH的蒙特卡洛模拟法的T-CVa R模型建立54-55
• 4.6 本章小结55-56
• 第5章 基于时序性调整的T-CVa R计算模型实证分析56-74
• 5.1 金融资产收益率的统计学检验56-63
• 5.1.1 样本的选取及收益率处理56-57
• 5.1.2 资产收益率的统计学检验57-63
• 5.2 TV-MC模型的实证分析63-68
• 5.2.1 基于TV-MC模型的T-CVa R计算63-65
• 5.2.2 基于TV-MC模型的T-CVa R检验65-68
• 5.3 ARMA-GARCH-MC模型的实证分析68-70
• 5.3.1 基于ARMA-GARCH-MC模型的T-CVa R计算68-69
• 5.3.2 基于ARMA-GARCH-MC模型的T-CVa R检验69-70
• 5.4 时序方差TV~2优化ARMA-GARCH-MC模型的实证分析70-73
• 5.4.1 时序方差TV~2优化ARMA-GARCH-MC模型的建立70-71
• 5.4.2 基于ARMA-TV-GARCH-MC模型的T-CVa R计算与检验71-73
• 5.5 本章小结73-74
• 结论74-75
• 参考文献75-80
• 致谢80

【参考文献】

中国期刊全文数据库 前4条

1 何琳洁,文凤华,马超群;基于一致性风险价值的投资组合优化模型研究[J];湖南大学学报(自然科学版);2005年02期

2 李国成;肖庆宪;;均值-CVaR投资组合模型及改进的蝙蝠算法求解[J];河南师范大学学报(自然科学版);2014年03期

3 张晓蓉;徐剑刚;;VaR、ES与一致性风险测度[J];上海管理科学;2006年04期

4 张鹏;曾玉婷;;具有熵约束的均值-CVaR投资组合决策研究[J];武汉科技大学学报;2013年06期

中国硕士学位论文全文数据库 前1条

1 张勇;基于ARMA-GARCH模型的国债指数实证研究[D];合肥工业大学;2012年

  本文关键词：金融时间序列的时序性特点分析及相应的风险测度方法研究，，由笔耕文化传播整理发布。

本文编号：386397