基于GARCH-VaR模型的石油价格风险研究

石油价格收益率一般不符合VaR模型的独立、对称的正态分布假设,表现出金融时间序列的非对称性、异方差、波动聚集等特征.文章提出利用GARCH模型估计石油价格收益率的时变条件方差,改进传统VaR对方差的估计,并通过实证分析,估计石油价格风险,即在一定的置信度水平下石油价格可能的最大日损失值,估计结果显示改进的GARCH-V...     

基于小波的回归-GARCH模型及其在外汇储备中的应用

结合小波变换、多项式回归和GARCH模型对中国的外汇储备进行分析及预测.首先利用db4小波对数据进行去噪处理,并对去噪后的数据建立多项式回归模型.由于去噪后的数据与回归模型之间存在残差,且残差具有自回归条件异方差效应,故对该残差建立GARCH模型.然后将回归模型和GARCH模型进行线性叠加,从而得到基于小波分析的回归-GARCH模型.最后将预测值与实际值进行拟合,发现拟合效果较好.充分证明了小波变换、多项式回归和GARCH模型相结合的方法在处理外汇储备这类具有明显增长趋势的非平稳时间序列时,具有明显的优越性,是一项有用的分析预测工具.     

基于动态极值VaR股指分析的中国行业风险研究

应用动态极值VaR模型分析中国行业股票价格指数,对不同市场条件下中国行业风险进行实证研究.在McNeil等提出的GARCH模型与极值理论基础上,运用Huisman等提出的VaR法修正上述风险值估计方法,构建了动态极值VaR模型.在该模型的构建中考虑了风险因子的时变特性,采用EVT方法对风险因子的厚尾特性进行建模,简化了风险值的估计过程,并提高了估计的准确性.动态极值VaR模型能够较好地刻画风险尾部分布特性,同时能够比较准确地度量所研究时间段内的市场风险和行业风险.研究结果表明,不同市场条件下各行业的风险特性具有显著的变化.最后利用Kruskal-Wallis一致性检验对上述结论进行了验证.据此,在资产组合管理过程中,有必要依据市场环境和行业风险特性对资产配置比例进行调整.     

基于GARCH模型的外汇投资组合应用

对于外汇市场主要7个货币对欧元/美元,英镑/美元,美元/瑞士法郎,美元/日元,澳元/美元,美元/加元,纽元/美元的汇率运用时间序列分析方法,分别运用GARCH模型对汇率进行建模预测,计算得到收益期望,以GARCH模型残差方差作为风险度量。对投资过程中有无杠杆,运用马可维茨的“均值-方差”模型进行投资决策,得到下一日的投资策略。     

VaR-GARCH模型在我国股指期货风险管理中的应用

国内外预测股指期货合约的市场风险基本以VaR风险评估为主流,计算VaR的核心与关键是估计波动性参数.由于金融资产价格涨跌率时间序列具有波动聚集效应、厚尾效应及时变方差效应,故采用对波动性估计具有精度、准确度和可信度较高的GARCH模型.基于这一点,构建了VaR-GARCH模型,并以恒生股指期货指数做了实证分析,结果表明VaR-GARCH模型可以很好地控制和预测香港恒生指数的股指期货风险.     

单个期货合约市场风险VaR-GARCH评估模型及其应用研究

以单个期货合约每一交易日的涨跌率反映期货合约市场风险,借助VaR风险价值法。运用广义自回归条件异方羞（GARCH）模型,建立了VaR—GARCH单个期货合约市场风险评估模型,解决了单个期货合约每一交易日最大损失的确定问题．该模型的特点为借助GARCH方法预测条件异方差,充分体现了期货合约价格的聚集效应、厚尾效应和时变方差效应,使VaR估计更加精准;对VaR的置信区间进行x^2检验,从实证的角度得到合理精准的VaR值;可以依据本模型确定期货保证金的数量,为交易所制定更合理的单个期货合约保证金收取水平提供依据．     

异方差的估计与实证

"异方差"是微观计量建模中不可回避的问题,尽管计量经济学理论从残差项出发给出大量的检验方法,但对如何估计异方差则没有给出明确答案.从数据分布出发,认为极大似然法在估计异方差方面具有独特的优势.首先建立异方差的极大似然估计模型,然后对一实际调查数据进行异方差估计.     

MC-GARCH模型在互联网金融风险度量中的实证研究

针对互联网金融风险测度问题,提出了MonteCarlo模拟法。首先,选取中证互联网金融指数作为研究对象,并对数据进行基本的统计分析,得出中证互联网金融指数对数收益率具有尖峰厚尾性和异方差性的特点,建立GARCH模型,对序列的均值和方差进行估计;其次,基于GARCH模型计算出的均值和方差,利用MonteCarlo模拟法计算中证互联网金融指数的VaR和CVaR值;最后,对模型的准确性和精确度方面进行Kupiec返回检验。结果表明:VaR和CVaR均可作为度量互联网金融风险的工具,但VaR无论在准确性上还是精确度上都远低于CVaR,故CVaR是一种更优良的风险测度工具。     

长记忆条件下我国房地产业的风险测量——基于GARCH和FIGARCH模型的动态VaR计算

从股票市场风险管理的角度分析房地产业指数,基于GARCH和FIGARCH模型对房地产业指数日收益率序列进行建模,在此基础上分别计算其VaR的值,并对二者进行比较。实证研究表明:房地产业指数收益率序列的波动具有长记忆性,FIGARCH模型的拟合效果优于GARCH模型;并且基于FIGARCH模型计算的VaR比基于GARCH模型计算的VaR能更有效地度量风险。     

极值理论下的香港汇丰控股VaR实证分析

极值理论可以更精确的处理金融数据的厚尾特性,选取香港上市的汇丰控股数据,运用POT方法做实证分析,对时间序列取门限值（Threshold）,对超过门限的样本数据建模,极限点渐进分布服从GPD分布,估计模型参数,检验模型的合理性,并给出置信度为95%下的VaR。     

异方差的估计与实证

“异方差”是微观计量建模中不可回避的问题，尽管计量经济学理论从残差项出发给出大量的检验方法，但对如何估计异方差则没有给出明确答案。从数据分布出发，认为极大似然法在估计异方差方面具有独特的优势。首先建立异方差的极大似然估计模型，然后对一实际调查数据进行异方差估计。     

基于GARCH模型的股票波动性分析

对于高频金融数据,模型回归后得到残差序列的方差衡量了投资的风险程度,一直以来是人们关注的焦点。通常情况下,残差平方项之间存在一定的正相关性,这就是股票市场波动性的集群现象。本文主要运用GARCH类模型对这种现象进行分析,并选取能够对数据作出最优拟合的模型。     

深证100指数的风险值估计方法

实证研究表明,用VaR-X修正模型中的残差分布(t分布)尾部指数的简化估计方法得到的尾部指数估计值与最大观察数目选择有关,具有不稳定性. 当最大观察数目足够大时,尾部指数序列的折线图是曲线,而不是直线,且采用普通最小二乘法估计时,模型存在条件异方差,会导致估计失效.采用ARCH模型或GARCH模型估计法不仅可以克服模型的条件异方差性,同时可解决最大观察数目选择难的问题.     

基于HMM的VaR风险度量及其实证分析

文章基于隐马尔科夫模型(HMM)提出了度量金融资产风险价值(VaR)的HMM-ARMA-GARCH模型。首先对金融资产收益率序列建立正常状态和异常状态的隐马尔科夫模型,使用期望最大化算法估算出模型中的未知参数,再利用Viterbi算法估算出收益率序列所对应的隐状态序列,根据隐状态序列把收益率序列数据分成正常状态类序列和异常状态类序列2个大类,对2个状态类序列分别建立ARMA-GARCH模型来估算VaR。最后利用该模型和传统的ARMA-GARCH模型对上证企债指数进行了实证分析,采用Ku-piec失败频率检验法对VaR的准确性进行检验。实证结果表明,该模型的VaR计算方法具有较好的估计效果,能够有效地降低GARCH模型高估波动持续性的现象。     

MEMS陀螺仪随机误差在线建模与滤波研究

针对普通微电子机械系统(micro-electro-mechanical system, MEMS)陀螺仪随机误差较大、零偏性影响在线建模的问题,提出对MEMS陀螺仪随机误差在线建模、实时滤波以提高MEMS陀螺仪在工程应用中的精度。首先,对陀螺仪采样数据进行分析处理,使其满足时间序列建模的要求。为避免数据离线零均值处理,实现在线建模,直接将数据中陀螺仪零偏引起的常值分量带入模型,建立具有常数项的时间序列模型,并通过递推最小二乘法得到模型参数的最优估计;然后,利用时域上状态空间方法设计增广状态Kalman滤波器,实时修正MEMS陀螺仪随机误差。研究表明方法有效,MEMS陀螺仪精度进一步提高,研究能为后续惯性测量运算提供可靠的数据支持。     

一种估计风险价值的新模型

根据极值-Ⅱ型分布的厚尾性质，结合当今金融市场收益分布的尖峰厚尾特征，提出一种具有尖峰厚尾的Laplace极值-Ⅱ型混合分布，并在此基础上建立了一种新的估计风险价值VaR(Value at Risk)的Laplace极值混合模型，通过对上证B股的实证模拟分析，发现该模型对收益表现异常的金融序列的VaR估计具有较高的应用价值.     

MEMS加速度计随机误差分析及建模方法研究

MEMS加速度计普遍存在信噪比低、精度低、稳定性差等缺点,主要原因是加速度计随机误差的影响,所以降低随机误差的影响成为了提高精度和稳定性的关键。采用Allan方差分析法对加速度计的实测数据进行随机误差分析,得到了影响加速度计性能的各项随机噪声系数。使用时间序列分析法对加速度计数据进行数学建模,以FPE准则确定使用的模型与阶次。实验结果表明,对加速度计数据进行建模方法科学有效,所得实验数据在精度和稳定性方面显著提高。     

SVAR-GARCH模型的多元波动率估计

考虑SVAR GARCH模型的多元波动率, 提出一种估计波动率的新方法. 先利用独立成分分析技术求解因果结构和统计独立的误差项, 建立残差项条件协方差阵与误差项条件协方差阵的关系, 然后利用单变量GARCH模型的估计结果和识别的因果结构, 估计多变量GARCH模型的条件波动的脉冲响应方法, 实现多元波动率的估计, 该方法可有效减少估计参数. 实验结果表明, 新方法估计的波动率与能源期货市场的规律相符.     

SVAR-GARCH模型的多元波动率估计

考虑SVAR GARCH模型的多元波动率, 提出一种估计波动率的新方法. 先利用独立成分分析技术求解因果结构和统计独立的误差项, 建立残差项条件协方差阵与误差项条件协方差阵的关系, 然后利用单变量GARCH模型的估计结果和识别的因果结构, 估计多变量GARCH模型的条件波动的脉冲响应方法, 实现多元波动率的估计, 该方法可有效减少估计参数. 实验结果表明, 新方法估计的波动率与能源期货市场的规律相符.     

基于多分辨率分析和极值理论的集合VaR模型

为了捕捉金融资产价格波动的多尺度时变特征,利用多分辨率分析(multi-resolution analysis,MRA)将收益率序列分解成不同时域上的正交分量,并对各分量序列分别建立适当的ARMA-GARCH模型,在此基础上引入极值理论(extreme value theory,EVT)对收益率的厚尾性进行建模,构建了一种MRA-EVT模型.将该模型应用于沪深300指数的VaR预测.实证研究结果表明,与传统ARMA-GARCH模型、无条件EVT模型和MRA模型相比,该MRA-EVT模型显著提高了VaR的预测绩效.