VaR和ES与会计变量关系的探讨

首先以采用加权历史模拟法估计出来的VaR(风险价值)和ES(尾部期望短缺)来模拟实际的VaR和ES,然后选取了8个反映公司内部基本特征的会计变量,并依据财务理论,提出了关于VaR及ES与会计变量的关系的7个假设,其次通过计算VaR和ES与会计变量的相关系数和VaR及ES分别关于公司内部的8个会计变量多元线性回归来验证了上述假设的正确性与否,最后对实证结果进行了分析,得出VaR和ES与8个会计变量总体显著相关,公司规模及盈利性与VaR及ES显著负相关的结论.     

基于条件极值模型的上证综指尾部风险研究

在传统ARMA-GARCH时间序列模型的基础上,介绍条件极值模型并运用这些模型对近十几年来上证综指进行VaR和ES样本外预测与事后检验.研究表明假设新息序列为偏t分布的ARMA-GARCH模型与条件极值模型在预测VaR和ES方面均具有出色效果.     

基于APARCH-st模型的ES计算

为了刻画金融时间序列的尖峰厚尾性及股市中存在的杠杆效应,Ding、Granger和Engle(1993)提出了APARCH模型,但在关于此模型的研究中,通常假设条件分布为正态分布或对称厚尾分布,如t分布、GED分布.在兼顾波动性和分布两个方面的基础上对收益率序列建立APARCH-st模型,给出其VaR和ES的计算方法,并与基于APARCH-t模型的ES值相比较,结果表明,考虑偏态分布得到的ES估计更为保守.     

基于风险度量模型的高频股票交易数据的比较分析

探讨GARCH-VaR和GARCH-CVaR模型的参数估计,并在实例分析中比较了其估计效果.针对高频股票交易数据的非平稳性,建立对数收益率的ARMA(3,2)-GARCH(1,1)模型,并计算VaR和CVaR的值.实证研究表明,GARCH-CVaR模型比GARCH-VaR模型估计效果更好,运用GARCH模型能有效计算出VaR和CVaR的值,从而精确给出证券市场中高频股票交易数据的风险度量.     

中国股票市场风险值的非参数估计

用改进后的连续时间金融模型给出金融资产收益率的价格密度函数的非参数估计,计算了上证A股指数的VaR,与Black-Scholes密度函数下的VaR相比,得到较好的结果.     

基于GARCH-EVT模型的证券投资基金动态风险测度

文章考虑了一类极值风险特征更为明显的金融资产,以股票基金、混合基金和债券基金为研究对象,比较研究了RiskMetrics、GARCH和GARCH-EVT 3类模型在动态极端风险测度上的表现,分别采用似然比检验和Bootstrap方法对3类模型给出的VaR和ES动态风险测度效果进行了返回测试。实证研究表明:基于GARCH-EVT模型给出的各类基金动态VaR和ES风险测度结果更为准确,意味着将GARCH模型与极值理论相结合,能够实现极端风险的准确测度;ES风险测度比VaR风险测度更保守,在测度极端风险时,应采用ES风险测度作为VaR风险测度的补充。     

NOD下VaR样本分位数估计的强相合性及其Bahadur表示

利用NOD样本的性质及其相关不等式,研究了在NOD序列情况下,风险度量VaR非参数估计量的性质.证明了VaR样本分位数估计的强相合性,同时也给出了VaR样本分位数估计的Bahadur表示.     

基于极值理论的VaR和ES度量——以中兴通讯数据为例

风险价值(VaR)是市场风险的重要度量工具。以具有厚尾的中兴通讯股票收益率数据为例,分别运用极值理论中的分块样本极大值模型(BMM)和超阈值模型(POT)对VaR进行计算,并给出相应的预期损失(ES),同时提出了一种差异度量的方法对POT模型的阈值进行选取。结果表明,使用极值理论度量风险可以更好地捕捉尾部数据信息,得到更合理且符合实际需求的VaR和ES估计值,且POT模型比BMM模型所得计算结果更加稳定。     

ES自回归方法在商业银行流动性风险衡量中的应用

采用ES自回归方法对商业银行的流动性风险进行衡量.此方法能动态地衡量流动性风险,并且能对风险进行预测.与VaR,ES测度和自回归时间序列模型相比较,此方法对于商业银行的流动性风险在某个时点上风险的排序更合理.     

基于EGARCH-VaR的半参数法及实证研究

在综合考虑了金融收益数据分布的尖峰厚尾特征及其波动集群性,尤其是其波动的“杠杆效应”对VaR估计的影响以及各种假定收益率分布在计算风险价值时存在不足的基础上,提出了基于EGARCH-VaR的半参数方法,并且与正态分布和t分布假设下的GARCH模型的VaR计量方法进行比较,通过实证分析,并利用后验测试,表明基于EGARCH-VaR的半参数方法对风险价值的测度优于正态分布和t分布假设下GARCH模型的VaR计量方法.     

引入VaR和ES约束的投资组合理论实证

针对机构投资者控制市场风险的需要,将VaR(风险价值)和ES(期望不足)约束引入到均值一方差投资组合理论中,并利用中国A股1995～2002年的数据,实证了VaR和ES约束对组合绩效的影响．实证结果表明：对于有无风险约束、风险约束类型(VaR对ES)、置信水平高低以及约束值的大小这4项选择(任选1项而其他3项任其变化),存在风险约束或ES约束或置信水平高或约束值小时组合的风险调整绩效均显著好于相应组合的风险调整绩效,而组合绩效表现则完全相反。     

基于t Copula的中国股市指数组合VaR估计及其评价

传统的联合正态分布假设无法刻画金融市场尾部相依情况,导致投资组合VaR的低估。采用tCopula克服了这一问题;并对上证指数和深证指数构成的等权重投资组合的95%和99%VaR进行了验证;结果表明,基于t Copula模型的VaR表现要优于传统的方差-协方差分析法、历史模拟法和蒙特卡罗模拟法以及基于动态条件相关系数模型的估计方法。     

评估风险的期望损失计算及应用研究

期望损失值是一种评估市场风险的新测度.该文首先举例说明了期望损失值具有相容性,而目前最常用的在险价值方法则不具有相容性.然后推导出了用历史模拟法、正态分布法和GARCH模型法计算期望损失值的具体公式.最后给出了一个用期望损失值方法优化投资组合的实际算例.     

基于偏态分布的风险度量计算

金融时间序列具有尖峰厚尾性,同时在股市中又存在着杠杆效应.对股票指数收盘价格的对数收益率序列建立ARMA-APARCH模型,在对数收益率序列分别满足Skewed-t分布和Skewed-GED的假设下,给出了在险价值及期望损失的计算方法.对t分布与Skewed-t分布、GED与Skewed-GED分别进行对比性实证分析,结果表明,在两个偏态分布假设下计算得到的期望损失估计结果更为保守,更能够捕捉到股市的尾部风险.     

基于EGARCH和Cornish Fisher展开的VaR度量方法

针对度量收益率风险价值VaR时,GARCH模型不能体现正负收益率的非对称效应,研究了基于EGARCH模型和Cornish-Fisher展开度量VaR的一般方法。该方法结合了EGARCH模型和CornishFisher展开,将EGARCH模型的偏度和峰度代入Cornish-Fisher展开中对收益率VaR进行度量。实证分析选取标普500指数日收益率作为样本数据,度量该收益率的风险价值VaR;该收益率具有非对称性,建立了能够体现非对称性的EGARCH(1,1)模型,运用新的VaR的方法与经典的基于极值理论的VaR度量方法,和基于Bootstrap方法的VaR度量方法对收益率VaR进行了度量,在不同的置信水平下比较了3种方法 VaR度量结果失败率的大小;结果显示:新的VaR方法对收益率VaR的度量效果优于其他两种方法,对于具有非对称效应的收益率,可考虑此方法度量收益率的VaR。     

VaR和ES尾部风险的比较分析

近年来,风险值(VaR)已成为一种重要的度量市场风险的测度,但它存在一些概念上的缺陷,因此人们在VaR的基础上又提出了两种新的度量市场风险的测度:尾部条件期望(TCE)和期望损失(ES).该文运用极值理论中的POT模型和正态分布GARCH(1,1)模型比较了VaR和ES的尾部风险,结果验证了ES比VaR有更小的尾部风险.     

基于两类极值分布的金融风险度量

在金融投资组合的风险管理中,估计极端事件的概率,是一个重要的问题.阐述了极值理论和两类极值分布,以上证综合指数为例,将极值理论用于风险价值的计算,给出了VaR和ES的估计值,并与传统方法得出的结果进行了比较分析,结论表明,用极值方法度量金融风险具有很高的准确性.     

在帕累托模型中风险度量的统计分析

在帕累托风险模型中,该文研究了在险价值及其相关风险度量的关系,给出了在险价值、期望短缺、尾条件期望、条件在险价值等风险度量的计算方法; 进而,利用极大似然法和矩估计法得到了这些风险度量的估计,证明了估计的相合性和渐近正态性; 最后利用数值模拟的方法验证了在不同样本下估计的收敛速度.     

金融风险度量VaR方法及其应用

风险价值(VaR)是近年来受到国际金融界广泛支持和认可的一种度量金融风险的工具。本文介绍了VaR的基本原理、VaR的计算方法,并且比较了各种计算方法的优缺点及发展方向,阐述了将VaR方法引入中国金融风险管理领域对我国的金融市场建设的重大意义。