基于Markov过程的SW-ARCH模型及其金融VaR计算

发布时间：2020-05-08 04:37

【摘要】：近年来,金融市场的剧烈波动使得金融机构和监管当局面临着巨大的挑战。如何准确辨识、测量金融风险成为了金融机构和监管部门关注的焦点。在金融市场上,经济政策的出台、金融监管制度的变迁以及金融市场自身的完善,都会导致市场结构发生变化。为了考虑金融市场在不同状态下收益率的结构性变化,本文将表现状态转换的Markov过程引入ARCH模型。并以上证综指为样本进行实证研究,采用SW-ARCH模型并利用非参数核密度估计技术辨识了我国股市出现的大幅异常波动状态,用Kupiec的失败频率检验法对VaR的准确性检验来验证模型的有效性。同时对我国股市波动中的高波动状态(状态3)出现的原因进行了分析研究。实证结果表明SW-ARCH模型不仅能反映出不同状态状态的平均持续时间和条件方差,同时还可以反映出状态发生变化的时间点,尤其是在市场产生异常波动的时候能有效地提高波动的预测能力。导致高波动状态出现的原因多是根据证券市场的发展要求而出台的一系列政策法规(如国有股减持、QFII制度、印花税的调整等)。同时利率的波动、房地产调控政策等也会导致高波动状态的出现。在分别对利率和房地产调控政策对股市的波动影响程度进行研究时发现,利率下降会在某种程度上导致高波动状态的出现,仅直接针对房价和住房信贷的政策会在某种程度上导致高波动状态的出现,但存在一定的滞后。
【图文】：

偏相关,自相关,自相关性,零假设

我国股市的交易日为周一到周五，所以选取前 5 个滞后期以涵盖整个周，滞后10、15为每周自相关性的延伸。图4.4给出了上证综指收益率序列的自相关（AC）和偏相关（PAC）的估计值。滞后 1 天、3 天、4 天的自相关系数尽管小，但是都明显为正。Q 统计量表明，在置信水平为 5%下，，收益序列在滞后 1 天、2 天、3天、5 天都不能拒绝零假设，即不存在自相关性；仅在滞后 4 天拒绝零假设，存在自相关性。在其他滞后期均拒绝零假设，即存在自相关性。图 4.4 收益序列的自相关和偏相关图Fig.4.4 Autocorrelation and Partial Correlation graph of Return Series4.1.3 集聚性分析在本文的第二章中提到，对波动集聚现象出现的一种解释是外部冲击对资本价格波动的持续性影响导致的。而高频数据表现出的 ARCH 效应就是信息以集聚方式到达的反映。序列是否存在 ARCH 效应

全样本,概率图

波动状态的平均持续时间加大。SW-ARCH 模型将波动分解为状态波动和 ARCH波动后，从平滑概率图（图 4.5）中可以发现状态波动具有较高的持续，无论是在时间上还是波动幅度上都主导着波动族，并产生大的波动集聚效应。而状态内的ARCH 波动并不具有同 GARCH 模型的高度持续性特征，这表明状态转换对我国股市波动具有较大的影响。同时 SW-ARCH 模型也解释了传统 GARCH 模型族无法解释的波动具有无限记忆性，即在状态转换中的转移概率11p ，22p 都较大，导致状态具有长记忆性。从预测图（图 4.6）中可以看出，SW-ARCH 模型对上证综指的预测效果和对外部刺激的反应灵敏度明显优于 GARCH 模型。
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2011
【分类号】：F224;F832.51

【参考文献】