基于CVaR和多元权值约束下的积极投资组合模型

基于方差或VaR方法度量投资组合风险的不足,在Roll的均值-跟踪误差模型基础上引入CVaR总风险约束,同时考虑到现实交易市场中存在交易费用约束和多元权值约束条件等因素,构建了基于CVaR和多元权值约束下的积极投资组合模型。结合我国股票市场数据采用非线性优化算法对模型进行实证分析,结果表明,交易费用和多元权值约束会显著影响投资组合的风险收益空间;在CVaR总风险可控情形下,无论是样本内还是样本外市场交易数据,本文模型都能获得持续超越基准投资组合的阿尔法收益。     

多元混合正态分布情形下的外汇期权组合非线性VaR模型

提出了一种多元厚尾分布情形下的外汇期权组合非线性VaR模型.用多元混合正态分布来描述汇率回报分布厚尾特征,推导出多元混合正态分布情形下的反映外汇期权组合价值变化的矩母函数;在此基础上, 利用特征函数和矩母函数关系,进一步将概率分布的Fourier-Inversion方法和数值积分近似计算的迭代算法------自适应Simpson法则发展到多元混合正态分布情形下的外汇期权组合非线性VaR模型中,估计出期权组合的VaR值. 数值结果表明:使用Fourier-Inversion方法得到的VaR值与使用Monte Carlo模拟方法得到的VaR值相差不大,但使用Fourier-Inversion方法的计算速度明显快于Monte Carlo模拟方法.     

基于CVaR的RAROC对我国开放式基金绩效评价

将CVaR引入到常用RAROC模型中,以2006年到2009年的数据对我国开放式基金进行绩效评价.计算CVaR和VaR时都采用新的方法即运用GARCH,EGARCH,PARCH模型和残差服从T和GED分布的组合来计算,接着通过返回测试提高VaR和CVaR精度,并且将CVaR与VaR的结果都进行测试比较.经过实证检验,基于CVaR的RAROC更准确地衡量了风险,提高了精确度,为基金投资者提供了一个很好的业绩参考指标.     

一致性风险价值及其算法与实证研究

目前金融市场风险测量的主流方法是VaR方法,但其测量的风险值有时难以准确地反应投资者真实心理感受,而且缺乏投资组合分散风险特性所要求的次可加性.针对这些问题该文选择了一致性风险价值(CVaR)作为新的风险度量方法,通过构造一种混合分布来模拟收益率分布.提出CVaR的完全参数计算方法,并进行了实证研究.     

基于时间加权SVM的指数优化复制模型与实证分析

本文研究了指数型基金管理中最核心的指数追踪问题.依据结构风险最小化思想,首先构造了以追踪误差为基础的损失函数,接着考虑了时间因素对历史追踪误差的影响,采用指数加权的方法将时间因素纳入追踪误差的分析中,利用SVM理论给出了指数复制问题的结构风险的形式,在此基础上构建了各种市场实际约束下最小化结构风险的时间加权SVM的指数优化复制模型,最后利用OR-Library中的5个市场指数历史数据进行了实证检验.结果表明本文提出的时间加权SVM模型能够显著提高样本外的追踪效果.同时使得追踪组合的鲁棒性有明显的改善,从而表明本文提出的时间加权SVM指数复制模型具有较高的理论和应用价值.     

基于Monte Carlo 模拟和VaR 约束的银行资产组合优化模型

在Monte Carlo模拟和CreditMetrics方法的基础上,以银行各项资产组合收益最大化为目标函数,以VaR风险限额为约束,以法律、法规约束和经营管理约束为条件,建立了基于Monte Carlo模拟和VaR约束的银行资产负债管理优化模型.其特点一是利用Monte Carlo模拟预测出贷款期限内各年度的收益率及标准差,将其平均值作为该项贷款总体的年平均收益率及其标准差,从而考虑了各项贷款期限不同的因素,可以对不同期限贷款的收益率进行同等的比较,在总体上对信用风险的不确定性有了较可靠的把握.二是利用VaR技术建立约束条件,使贷款配给的风险限定在银行的承受能力和贷款准备金的范围之内.三是直接利用各企业贷款收益率的历史数据求解各贷款之间的收益率相关系数,进而求解资产组合的方差,而不是利用企业资产的相关系数求解,更直接反映了贷款收益率之间的相关性.四是运用资产负债管理比率建立约束条件,通过巴塞尔协议内容和众多国际惯例的法律、法规和经营管理约束控制流动性风险,使贷款的分配决策满足行业监管和银行经营的实际要求.     

极端VaR风险测度的新方法:QRNN+POT

由于金融时间序列极端尾部数据的稀疏性,一方面非线性分位数回归存在非线性函数形式选择困难;另一方面非线性分位数回归的极端VaR风险测度精度一直不高.为此,提出了使用神经网络分位数回归(QRNN)模拟金融系统的非线性结构,并使用极值理论的POT方法弥补非线性分位数回归对极端尾部数据信息处理能力的不足,得到了一个新的金融风险测度方法:QRNN+POT,给出了其基本算法,并将其应用于极端VaR风险测度.选取了世界范围内代表性国家股票市场为研究对象,从样本内与样本外两个方面实证比较了QRNN+POT方法与已有的非线性分位数回归模型在VaR风险测度中的表现,结果表明:第一,直接使用非线性分位数回归模型能够准确地得到正常VaR风险测度,而极端VaR风险测度效果却差强人意;第二,使用QRNN+POT方法,极大地改善了极端VaR风险测度效果,能够有效地描述金融危机期间出现的极端风险.     

基于0-1混合整数规划及Cornish-Fisher-CVaR方法的ETF基金最优动态套期保值比率模型

鉴于ETF基金的独特避险功能及Cornish-Fisher方法测度风险的简便性与稳健性,本文以ETF基金组合作为现货资产与股指期货进行套期保值,并用Cornish-Fisher方法进行风险估计;同时以CVaR最小作为目标函数,建立基于0-1混合整数规划的ETF基金最优动态套期保值比率模型并以遗传算法进行求解。在对Cornish-Fisher方法进行有效性验证的基础上,实证研究发现,置信水平固定且以CVaR(VaR)最小作为目标函数时,保证金比率增加则ETF基金动态套期保值比率整体上降低但CVaR(VaR)减小,且CVaR(VaR)对保证金比率的变化要比套期保值比率对保证金比率的变化敏感的多。虽然本文采用优化方法求得的不是精确解,但实证结果证明了本文所构建Cornish-Fisher-CVaR方法的有效性,同时也表明了CVaR方法较VaR方法在风险估计方面更为保守。     

多风险控制目标下的资产配置模型

相比于VaR风险测度,CVaR风险测度因满足次可加性能够更好地描述金融资产组合风险,而广义极值分布和Copula函数较好地拟合了金融资产收益率的厚尾特征和相依性。本文尝试使用CVaR风险测度和Copula-GEV分布描述金融资产组合的极端值风险,并将其作为风险控制目标引入传统均值-方差模型,构建多风险控制目标下的资产配置优化模型,实现在金融资产配置决策中综合考虑期望收益、波动性风险和极端值风险,并设计PSO-MC优化算法对模型进行求解。通过对我国上市公司股票收益率数据的实证分析,验证了模型及求解算法的有效性。     

CVaR的鞍点解析式及其在CreditRisk+框架下的应用

CVaR是满足一致性的风险度量指标,它测度了超出VaR部分的条件期望.本文在Daniels(1987)基础上,独立导出CVaR的鞍点解析式.利用真实CVaR值已知的伽玛分布和贝塔分布做检验,结果表明CVaR鞍点解析式是CVaR的稳健近似.此外,本文还探索了该方法在风险管理中的应用,所推出的解析式可应用于CreditRisk 框架下损失分布CVaR的计算.     

有交易成本的均值-CVaR有效前沿

基于由 Rockfeller 和 Uryasev 提出的条件风险价值-CVaR 的风险计量技术,构造了有交易成本并在正态假设下的 CVaR 风险的证券投资组合模型,给出了此证券投资组合的均值-CVaR 有效前沿曲线方程和最优投资策略的解析表达式.最后,利用理论结果对深市和沪市的证券投资组合的均值-CVaR 有效前沿作了实证分析.     

基于信用风险迁移条件风险价值最小化的贷款组合优化模型

把企业信用风险迁移引入贷款收益率的计算中,引入条件风险价值(CVaR)来度量贷款组合风险,建立了组合贷款优化决策模型.本模型的特色:① 用CVaR代替VaR,控制了贷款组合极端损失的发生;② 反映了企业信用等级迁移对企业收益率波动的影响,更加客观地反映了贷款的真实风险,解决了现有研究仅简单求解各笔贷款的收益率标准差而忽略信用风险迁移的问题;③ 通过现行法律法规为约束条件,在约束条件中,控制了流动性风险,避免了资产配置的流动性危机,保证了银行资产配给的合法性与合规性.     

基于BEMD-Copula-GARCH模型的股票投资组合VaR风险度量研究

鉴于股票波动具有显著的多尺度特征,本文引入二元经验模态分解(EMD)与二元CopulaGARCH算法,提出一种新的VaR风险度量模型,即BEMD-Copula-GARCH模型.具体地,新BEMD-Copula-GARCH模型可分为三个主要步骤:数据分析,分风险估计和总风险集成.首先,基于二元EMD模型,将复杂且相互作用的股票对分解为若干组较为简单且相互独立的分量,以降低建模难度.其次,引入二元Copula-GARCH模型,刻画各组分量间的相互关系,以度量股票投资组合在不同尺度上的分VaR值.最后,集成各分VaR值以得出最终VaR风险度量结果.实证研究以恒生指数与上证综指为数据样本构造投资组合,结果表明:本文所构建的新模型能有效度量投资组合风险,其估计精度显著优于DCC-GARCH和Copula-GARCH等现有模型.     

基于Copula-GARCH-EVT的资产组合选择模型及其混合遗传算法

在非正态分布的条件下,M arkow itz的均值-方差资产组合选择模型存在不足。为此,以V aR和CV aR作为风险度量方法,EVT反映收益率的尾部分布,GARCH反映收益率的波动性,Copu la函数反映金融资产收益的相关性,构建了基于Copu la函数的资产组合选择模型。针对非正态分布条件下V aR非凸性和分布函数不连续性导致资产组合选择优化计算复杂、不精确的难题,设计了基于单纯形和传统遗传算法的混合遗传算法。最后,根据中国证券市场数据,采用该混合遗传算法对建立的资产组合选择模型求解。     

尾部相关性对投资组合VaR的影响分析

通过随机模拟,研究两种不同的风险度量(VaR和方差)与相关性之间的关系.当用方差度量风险时,资产收益率之间的线性相关性越小,资产组合的风险就越小.当用VaR度量风险时,收益率间的尾部相关性对VaR也有显著影响.如果资产收益率之间的线性相关性较小,而尾部相关性较大,则风险可能较大.     

VaR模型的计算方法及其评析

常用的风险价值（Valueat Risk，VaR）模型可分为三类：得尔塔-正态法、历史模拟法和蒙特卡罗模拟法，三种模型计算方法各不相同，在反映金融资产的风险情况、对资产收益实际分布的拟合优劣等方面各有千秋。在实践中往往需根据具体的投资组合和管理者的意图选择合适的计算方法。     

Risk Measure and Control Strategy of Investment Portfolio of Real Estate based on Dynamic CVaR Model

This article studies risk measure and control strategy of investment portfolio of real estate based on the dynamic condition value-at-risk (CVaR) model. A dynamic CVaR model is defined, which is a dynamic programming problem. It is shown that the dynamic CVaR problem is equal to another nonlinear programming problem. On the basis of dynamic CVaR model, a model of investment portfolio of real estate is built. The model is applied to compute investment proportion and risk losses of portfolio by using data of real estate of 10 cities in China. Numerical results show that the multistage investment has less risk of loss than the single-stage investment. The control strategy of risk is to choose investment proportion of portfolio according to low risk.