基于已实现极差的高频数据VaR研究

发布时间：2017-06-09 07:14

  本文关键词：基于已实现极差的高频数据VaR研究，由笔耕文化传播整理发布。

【摘要】：随着我国金融市场体制的不断发展，金融市场风险的识别、测量逐步成为金融机构和监管当局关注的重点，也是众多研究金融市场风险的学者的一个核心的研究问题。传统的风险度量大多是基于低频的日间数据而建立的GARCH族模型或SV模型，虽然这些模型在刻画市场波动特征和应用于风险管理方面取得了许多成就，但是由于金融市场日内交易频繁，单单采用低频数据会损失大量重要的日内信息，导致在波动估计和风险预测上产生较大误差。而高频数据可以较好地保存日内市场信息，有助于对金融市场风险更好地研究。此外，，由于传统的GARCH族模型又无法直接用于高频数据的建模分析，因此寻求有效的高频数据风险度量模型，不仅有助于为金融机构和监管当局的风险监管提供理论参考和政策建议，也为研究金融市场风险的学者提供了新的研究方向。 风险价值VaR作为一种有效的度量风险的方法，由于其计算简便、方法直观且具有较好的风险度量准确性等优点而深受风险管理者的喜爱，同时也受到了许多研究学者的青睐。随着VaR理论的不断发展，其在风险管理中的应用也越来越广泛，采用不同的方法计算更为精确的VaR也一直是学术界对风险进行量化分析研究的重点问题。高频数据的研究自20世纪90年代被提出以来，一直受到了国内外学者广泛的关注，Andersen等学者提出的用高频数据估计波动率的方法，即已实现波动率，引领了众多学者对已实现类波动率和相关领域的高频波动率的研究。鉴于此，本文将金融高频数据研究的成果之一的已实现极差理论引入到VaR的计算中，并和基于低频数据的GARCH模型进行了对比分析，以判断两者在VaR预测等方面的优劣，同时也为已实现极差理论在波动估计和风险管理上的应用提供借鉴。 本文在结合高频数据和VaR研究成果的基础上，通过引入对已实现极差的加权处理和抽样频率的选取方法，降低了微观结构误差和日历效应，首次将加权已实现极差运用于波动率预测和VaR的研究中，并通过回测检验对比了在不用分布下采用加权已实现极差计算的VaR和采用低频数据的GARCH模型计算的VaR的结果，这是本文主要研究的方向和创新之处，同时也为已实现极差的应用和深入研究提供借鉴。 在实证分析部分，本文首先对数据进行了界定和说明，并且给出了一个高频数据抽样频率选择原理的结果。其次，对已实现类序列和日间收益率序列进行了描述性统计，随后进行了单位根检验、自相关性检验等，并且通过自相关函数图说明了高频数据存在的日历效应和对已实现极差进行的加权处理在消除日历效应上的作用。然后对计算得出的已实现波动率、已实现极差和加权已实现极差采用重标极差法检验了长记忆性，结果显示已实现类序列都存在长记忆性，并基于计算所得的Hurst指数建立了长记忆性模型---ARFIMA模型，并和GARCH模型一起进行了波动率预测能力的对比。最后将加权已实现极差的ARFIMA模型和GARCH模型引入到VaR计算中，鉴于时间序列所具有的尖峰厚尾性，在采用正态分布的同时，引入了T分布和广义误差分布去寻求最优分布形式，并通过LR似然比检验对VaR的计算结果进行了检验。
【关键词】：高频数据 已实现极差 长记忆性 ARFIMA模型 VaR
【学位授予单位】：浙江财经大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F832.5;F224
【目录】：

• 摘要5-7
• ABSTRACT7-10
• 第一章 绪论10-15
• 第一节 论文的研究选题及理论意义10-11
• 第二节 高频数据简述11-12
• 第三节 风险价值理论12-13
• 第四节 论文主要内容、创新和框架13-15
• 第二章 国内外文献综述15-24
• 第一节 高频数据研究15-19
• 第二节 低频数据研究19-21
• 第三节 已实现极差21-22
• 第四节 文献总结评述22-24
• 第三章 主要研究方法论述24-37
• 第一节 高频数据的研究方法24-27
• 第二节 日历效应的处理27-30
• 第三节 最优抽样频率的选择30-31
• 第四节 VaR 计算与回测31-37
• 第四章 模型构建与实证分析37-50
• 第一节 数据统计分析与检验37-42
• 第二节 参数估计与模型预测42-46
• 第三节 计算 VaR 及回测检验46-50
• 第五章 结论与展望50-52
• 第一节 论文主要结论50-51
• 第二节 本文的局限和研究展望51-52
• 参考文献52-57
• 附录57-58
• 致谢58-59

【参考文献】

中国期刊全文数据库 前10条

1 郑振龙;杨伟;;金融资产收益动态相关性:基于DCC多元变量GARCH模型的实证研究[J];当代财经;2012年07期

2 徐正国,张世英;调整"已实现"波动率与GARCH及SV模型对波动的预测能力的比较研究[J];系统工程;2004年08期

3 唐勇;张世英;;高频数据的加权已实现极差波动及其实证分析[J];系统工程;2006年08期

4 戴毓;周德群;;基于VaR-GARCH族动态模型的燃料油期货市场风险测量[J];系统工程;2009年10期

5 阳建辉;彭清华;阳宗妤;;基于改进GARCH-M模型的汇率波动特征[J];系统工程;2014年03期

6 魏宇;余怒涛;;中国股票市场的波动率预测模型及其SPA检验[J];金融研究;2007年07期

7 邵锡栋;殷炼乾;;基于实现极差和实现波动率的中国金融市场风险测度研究[J];金融研究;2008年06期

8 郭名媛;张世英;;基于“已实现”波动的VaR计算及其持续性研究[J];西北农林科技大学学报(社会科学版);2006年06期

9 庞贞燕;刘磊;;期货市场能够稳定农产品价格波动吗——基于离散小波变换和GARCH模型的实证研究[J];金融研究;2013年11期

10 龚锐,陈仲常,杨栋锐;GARCH族模型计算中国股市在险价值(VaR)风险的比较研究与评述[J];数量经济技术经济研究;2005年07期

  本文关键词：基于已实现极差的高频数据VaR研究，由笔耕文化传播整理发布。

本文编号：434702