VaR模型在中国股票市场风险评估中的应用

本文介绍了VaR模型,利用RiskMetrics方法计算了中国四个主要股票指数的VaR值,并利用失败率检验法进行VaR模型的准确性检验。结果表明,在95%置信水平下,VaR模型在预测未来风险方面是显著有效的。     

各总体方差单调时一种新的齐一性检验法

Pearson—χ^2检验法是一种常见的齐一性检验法，但是所需要的样本量很大．在多个总体期望相等而方差单调的假设下，提出用F-检验法进行齐一性检验，所需样本量比Pearson—χ^2检验法大为减少．通过Monte—Carlo模拟还可以看到，在节省样本的同时，F-检验法还具有比Pearson—χ^2检验法更高的功效．     

在多匹配病例—对照研究中优比的小样本研究(英文)

Ｍｅｈｔａ等人（１９８５）指出了建立在计数统计基础上的多匹配病例—对照研究中优比的精确检验的重要性．这里提出了两种新的基于估计和似然比的精确检验法,对这三种精确检验法进行了比较,并把它们与渐近检验作比较,说明了在小样本设计的双边检验中基于似然比的精确检验具有优越性．     

基于GARCH-VaR模型的汇率风险实证研究

现阶段人民币汇率波动及其风险度量受到广泛关注.该文基于2013年1月4日至2016年12月5日美元、欧元、加元和港币的人民币汇率每日中间价数据,建立t分布和广义误差(GED)分布下的广义自回归条件异方差(GARCH)模型,并在此基础上计算四个汇率收益率序列的VaR值.最后,通过似然比(LR)方法检验VaR值的有效性,得出99%置信度下GARCH-GED模型计算的VaR值准确性较高.     

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。     

在多匹配病例-对照研究中优比的小样本研究

Ｍｅｈｔａ等多（１９８５）指出了建立在计数统计基础上的多匹配病全－对照研究中优化的精确检验的重要性。这里提出了两种新的基于估计和似然比的精确检验法,对这三种精确检验法进行了比较,并把它们与渐近检验作了比较,说明了在样本设计的双国检验中基于似然比的精确检验具有优越性。     

基于似然比的多步多重比较检验(英文)

似然比检验是假设检验中一个重要方法,不少最优检验都是似然比检验.文中对带有对照组的多重比较问题提出了一种新的逐步检验法,该检验法正是建立在似然比检验的基础上的.同原有的方法相比,它既能对带对照组的多重比较问题作出更详细的检验结果,推断出究竟哪些新的处理方法效果真正优于对照组的;而且这种逐步检验法只需要至多k-1次假设检验,而它的热却逼近需要2^k-1次检验的完全检验法的势.     

Two-way空间自回归随机效应面板数据模型的检验

本文研究了一类Two-way空间误差自回归随机效应面板数据模型,利用拉格朗日乘数法和似然比检验法讨论了空间效应、个体效应和时间效应的联合检验问题.     

VaR模型及其在上海股市中的应用

资产未来收益率分布是决定VaR计算准确性的主要因素，针对上海证券市场综合指数收益率分布的不同假设，从静态与动态角度给出4种计算VaR的方法．首先通过拟合历史数据，说明上证综合指数收益率服从t4.579分布，然后考虑到收益率波动的时变性，用GARCH（1，1）模型来估计波动率．最后通过Back-test检验，得出GARCH-t4．869是计算VaR的最好的模型．     

关于似然比函数的一个应用

通过介绍Neyman-Pearson基本引理得到似然比函数,利用似然比函数推导U检验,T检验和χ2检验.