基于MCMC-GARCH模型的股市收益率VaR估计研究

发布时间：2017-04-24 22:12

  本文关键词：基于MCMC-GARCH模型的股市收益率VaR估计研究，由笔耕文化传播整理发布。

【摘要】：最近几年,我国的金融行业逐渐走向全球化,再加之利率市场化的深入,使得金融风险结构日趋复杂;市场风险测量难度不断加大;风险管理的作用也日趋重要。就目前来说,度量金融市场的主要方法之一便是Va R(Value at Risk)。故运用有效精确的方法来实现Va R的测度具有非常重要的意义。基于GARCH模型族的Va R是最主流的算法之一。在解决GARCH模型的参数估计这一问题之上,比较传统的做法是通过极大似然估计来实现。然而,这种方法比较难以实现模型最优化的这一目的,究其原因,是因为在用这一方法进行求解时,给参数设置了种种的约束条件。为了应对极大似然估计在求解GARCH模型时所面临的这一困境,本文在对GARCH模型进行参数估计时运用了另外一种方法,即基于马尔科夫蒙特卡罗(MCMC)的贝叶斯方法,以期更好地对市场波动性进行刻画。最终,这一效果通过基于GARCH模型的Va R估计得以直观的呈现了出来。实证分析中,本文搜集了深证综指的日收盘价作为原始数据,通过简单的计算处理,最终采用指数收益率的形式进行实证分析研究。本文的数据分为两段,一段用于建立并估计GARCH(1,1)模型,另一段用于Va R的计算和回测检验。在本文的研究中,分别通过两种方法,即经典统计方法和基于MCMC的贝叶斯方法来建立并估计GARCH模型。这两种方法分别通过Eviews软件和Open Bugs软件来实现。实证结果表明,在建立并估计GARCH模型时,基于MCMC方法的贝叶斯估计要优于极大似然估计(ML)方法,主要表现在贝叶斯估计更加的灵活,统计推断的结论也更加的可靠。所以对于金融机构和投资者来说,在计算Va R这一指标时,可以选择使用贝叶斯方法来建立并求解GARCH模型
【关键词】：VaR GARCH模型 贝叶斯方法 MCMC
【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
• Abstract5-8
• 第1章 绪论8-18
• 1.1 研究背景与问题提出8
• 1.2 研究目的和意义8-9
• 1.3 国内外研究现状9-15
• 1.3.1 国外研究现状9-12
• 1.3.2 国内研究现状12-14
• 1.3.3 国内外研究现状评述14-15
• 1.4 研究内容和研究方法15-18
• 1.4.1 研究内容15-17
• 1.4.2 研究方法17-18
• 第2章VaR估计的理论基础18-27
• 2.1 Va R的基本概念18-19
• 2.2 当前VaR的计算方法19-21
• 2.2.1 Va R的非参数方法19-20
• 2.2.2 Va R的参数方法20-21
• 2.2.3 Va R的半参数方法21
• 2.2.4 Va R的一般计算方法21
• 2.3 基于GARCH模型的VaR估计21-25
• 2.3.1 ARCH模型概述21-23
• 2.3.2 GARCH模型概述23-24
• 2.3.3 基于GARCH模型的VaR计算24-25
• 2.4 Va R的回测检验25-26
• 2.4.1 回测检验的必要性25
• 2.4.2 Va R模型的失败频率检验方法25-26
• 2.5 本章小结26-27
• 第3章 基于GARCH模型的参数推断27-34
• 3.1 基于经典统计方法的GARCH模型推断27-28
• 3.2 基于贝叶斯理论的MCMC-GARCH模型推断28-33
• 3.2.1 贝叶斯法则29-30
• 3.2.2 先验分布的选取30
• 3.2.3 基于贝叶斯方法的GARCH模型算法30-32
• 3.2.4 MCMC-GARCH模型的估计实现32-33
• 3.3 本章小结33-34
• 第4章 实证分析34-49
• 4.1 数据选取与处理34
• 4.2 基于经典统计方法的GARCH模型求解34-39
• 4.2.1 基本统计数据分析34-36
• 4.2.2 序列的平稳性检验36-37
• 4.2.3 序列的相关性检验37-38
• 4.2.4 ARCH效应检验38
• 4.2.5 基于Eviews的GARCH模型建立38-39
• 4.3 基于贝叶斯方法的GARCH模型估计39-44
• 4.3.1 GARCH(1,1)-N模型参数的先验设定39-40
• 4.3.2 GARCH(1,1)-N模型联合后验参数的模拟40-41
• 4.3.3 基于贝叶斯分析的GARCH建模41-44
• 4.4 Va R的计算及两种方法下的回测检验对比44-47
• 4.5 实证结果分析及现实意义47-48
• 4.6 本章小结48-49
• 结论49-50
• 参考文献50-56
• 致谢56

【参考文献】

中国期刊全文数据库 前7条

1 邱阳,林勇;VaR模型及其在股票风险评估中的应用[J];重庆大学学报(社会科学版);2002年02期

2 陈丽娟;;基于EGARCH-M模型和沪深300指数的股市风险分析[J];东北财经大学学报;2010年02期

3 刘庆斌;姜薇;;基于动态极值VaR股指分析的中国行业风险研究[J];东南大学学报(自然科学版);2009年06期

4 汪飞星;陈东峰;;用copula度量相依风险函数VaR的最优界[J];曲靖师范学院学报;2005年06期

5 曾五一;刘飞;;中国股指收益率的非对称拉普拉斯分布实证检验[J];统计与信息论坛;2012年12期

6 姚京;袁子甲;李仲飞;李端;;VaR风险度量下的β系数:估计方法和实证研究[J];系统工程理论与实践;2009年07期

7 陈学华,杨辉耀;VaR-APARCH模型与证券投资风险量化分析[J];中国管理科学;2003年01期

  本文关键词：基于MCMC-GARCH模型的股市收益率VaR估计研究，由笔耕文化传播整理发布。

，

本文编号：325069