基于GARCH-CVaR与GARCH-VaR的人民币汇率风险测度及效果对比研究

运用GARCH-CVaR和GARCH-VaR方法,在不同模型、不同分布、不同置信水平的假定下,对人民币汇率风险进行测度,测度结果表明:GARCH模型的种类对CVaR和VaR的计算结果影响不明显,而分布假定和置信水平对CVaR和VaR的计算结果影响显著;同时,还对GARCH-CVaR和GARCH-VaR的风险测度效果进行了对比研究,对比结果表明:分布假定和置信水平会显著影响CVaR对VaR的改进效果.     

基于GARCH-CVaR模型的我国股票市场风险分析

条件风险值(CVaR)风险度量方法是风险值(VaR)方法的改进，是一种较之VaR更加客观谨慎的风险度量方法。运用CVaR的动态计算模型——GARCH-CVaR模型，对我国股票市场风险特征进行了分析研究，结果表明：我国股票市场具有显著波动聚集性及持续性，股票市场的CVaR值始终比同期VaR值偏大，尤其在市场剧烈波动即风险较大时．     

基于ARMA-GARCH模型的风险价值与条件风险价值计算

基于ARMA-GARCH模型,给出风险价值VaR、条件风险价值CVaR的计算公式,分别在标准正态分布、student＇T分布、Skewed-T分布、广义误差分布条件下对模型进行数值模拟,并用上证A股、大同煤业股票相关数据拟合模型来进行实证分析.结果表明,利用ARMA-GARCH模型给出的计算公式能够准确地估计VaR值与CVaR值,并且随着给定概率水平p的减少,VaR与CVaR的值增大,对于给定同一概率水平的CVaR值比VaR值大,CVaR比VaR更能体现风险度量的大小.     

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。     

基于组合投资的混合风险度量模型

对2种风险度量方法均值-VaR模型和均值-CVaR模型进行混合.首先对在险值(VaR)和条件在险值(CVaR)具有的性质如次可加性进行论述和比较,其中在计算条件在险值(CVaR)时,同时也能得到在险值(VaR),因此CVaR可对风险进行双限监管,比单纯的VaR更加保险;然后对均值-VaR模型和均值-CVaR模型赋予不同的权重,得出混合后的模型的相关性质,使混合后的模型在某种程度上优于单个模型的投资组合;最后对深市股票进行实证分析.     

基于GARCH模型的风险价值在现货黄金市场的比较研究

风险价值VaR现广泛运用于金融风险测量中,但基于正态性假设的VaR并不能很好的处理金融变量中的尖峰厚尾性且VaR未能考虑更加重要的尾部风险,CVaR 弥补了VaR方法存在的缺陷.利用基于GARCH模型的CVaR在性质上的优越性,通过现货黄金市场的实证研究,对不同分布下的VaR及CVaR值进行比较,得出新的结论.我们发现基于GED分布GARCH模型的VaR及CVaR值要好于基于正态分布及t分布的VaR及CVaR值.     

基于C藤copula的收益率自相依结构估计以及条件VaR计算

风险价值VaR是一种非常重要的风险度量方法,基于C藤copula(canonical vine copula)给出了条件VaR的一种新的估计方法.首先基于C藤copula对连续几个交易日收益率之间的自相依结构进行了估计,进而给出了在前n个交易日收益率条件下,下一交易日收益率密度函数的估计方法,并对下一交易日的VaR值进行估计.C藤copula的引入使我们能更准确地描述收益率序列中的相依结构,从而能够更加准确地预测市场风险.最后分别对沪深300指数、上证180指数和上海黄金交易所贵金属价格进行了CVaR估计以及预测效果检验实证分析,实证结果表明所提出的模型在VaR值预测方面的表现要远远优于历史模拟法以及方差-协方差法等.     

利用PGARCH-M模型估计Value-at-Risk

建立一种新的度量风险值(VaR)模型PGARCH-M (Power GARCH-M),并利用该模型,通过对工业指数和地产指数的VaR计算,得出基于GED分布的PGARCH-M模型估计VaR极端值更为精确,优于基于正态分布的PGARCH-M模型和PGARCH模型.     

带条件风险约束的发电商最优投标模型及计算

采用条件风险(CVaR)作为风险度量指标,建立了双层优化的发电商投标模型,上层解决社会效益最大和风险最小问题,下层解决发电商利润最大问题,设计了启发式粒子群算法(PSO)求解该复杂的双层优化模型.在4节点2机系统和9节点3机系统进行了实验,说明该模型和算法具有较好的计算效果和时效性,通过实验数据比较显示CVaR比VaR更准确地度量了发电商的风险.     

基于CVaR的投资组合优化

由VaR模型的非一致性风险度量缺点引出CVaR模型,分析了CVaR的计算方法,并利用遗传算法对我国股票的实际数据求出了投资组合的最优解。     

基于分数布朗运动的脆弱欧式看涨期权的风险值分析

在股票价格、公司价值均服从分数布朗运动,公司负债为常数的条件下,讨论脆弱欧式股票看涨期权的风险价值(value at risk,VaR)和条件风险价值(conditional value at risk,CVaR)的计算问题,并推导了该期权的VaR和CVaR的计算公式.     

GA在改善证券市场风险测量精度中的实证研究

应用遗传算法(GA)估计线性GARCH(1,1)模型和非线性EGARCH(1,1)的参数,建立两个模型计算中国证券市场的风险值(VaR).通过对比传统算法和遗传算法的风险值,计算数据显示:线性GARCH(1,1)模型和非线性EGARCH(1,1)模型下,GA得到的风险值均大于真实值,可以解决传统算法中预测精度不高的问题.     

基于高频数据的时变VaR建模和预测研究

提出了VaR时间序列动态预测的方法.首先以上证综合指数和深证综合指数日内分钟数据为基础,根据不同方法计算出每日VaR值,然后给出了VaR时间序列的统计特征,包括平稳性和长记忆性,最后对VaR序列建立ARMA模型和ARFIMA模型,并比较了两种模型预测效果.我们的结果表明:1)基于德尔塔正态法的VaR序列其ARMA模型预测效果好于历史模拟法和蒙特卡洛模拟法的预测效果;2)尽管VaR序列存在长记忆性,但所有VaR序列的ARMA模型预测效果好于ARFIMA模型的预测效果.     

我国外汇储备汇率风险测度

选取2015年3月18日至2016年7月8日的美元/人民币日频汇率数据作为样本,建立了基于正态分布、t分布、GED分布的GARCH(1,1)模型来研究汇率的波动性,并计算出风险价值(VaR值),结果显示,在置信水平分别为0.99,0.95,0.9的条件下,基于t分布、GED分布的GARCH(1,1)模型的VaR值大于基于正态分布的GARCH(1,1)模型的VaR值,使其有效地估计风险具有现实意义。     

基于POT-VaR混合模型的投资组合风险分析

在简要分析金融产品投资组合理论的基础上,尝试将超门限极值法(POT)与传统VaR模型中的方差-协方差法相结合的方式,改进传统单纯基于投资组合计算历史收益率数据的VaR模型.通过划分沪深股价前100支股指期货高频收益率数据,运用POT-VaR混合模型进行实证研究.结果表明:该混合模型可以解决收益率方差估计随时间推移的动态问题,为降低投资组合市场风险提供科学的方法,对我国期货市场投资组合风险管理提供了可靠的依据.     

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.     

期权的最优风险管理方法和应用

CVaR是在VaR的基础上发展起来的一种期权风险管理测量方法.本文就期权定价模型,在VaR约束下的期权风险管理基础上提出用CVaR管理期权风险,CVaR是较VaR为更优的一种方法.     

广义误差分布下CVaR模型的股市风险研究

以沪深300指数数据为样本,首先利用广义误差分布与正态分布假定下的GARCH模型对我国股票市场收益率波动特征进行定量分析,然后运用CVaR模型对股票市场的风险进行实证研究,并与基于VaR模型的风险测度值进行比较.研究结果表明,广义误差分布假定下的GARCH模型能够更好地反映出我国股票指数收益率尖峰厚尾的特性,而使用CVaR模型则有利于提高金融市场风险测度的准确性.     

风险管理的CVaR方法及其简化模型

VaR模型度量的是在某一置信水平下,资产损失的最高期望值,但是它没有指明一旦超过了这个期望值,资产的损失究竟是多少。1997年出现的CVaR模型弥补了这个缺陷。如果以f(x,y)表示投资组合的损益函数,其中x为资产的比例向量,y表示市场随机因素,则CVaR考察的是在f(x,y)超过了VaR值时,f(x,y)的量度问题。这种方法的一个优越之处在于,最终的求解可以转化为线性规划问题,从而具有良好的操作性,而且问题的结论不仅包含了CVaR的大小,同时也可以求出资产的VaR值以及资产组合的最佳比例。     

风险因素服从It过程下的条件风险价值

有效地对各种风险进行管理有利于银行和其他金融机构作出正确的决策、有利于保护其资产的安全和完整、有利于实现其经营活动目标,具有重要的意义.因此对风险进行度量就成为了首要的任务,本文在风险因素服从It过程下,研究了风险度量风险价值(VaR)和条件风险价值(CVaR)的计算问题和应用概况,并给出了CVaR－风险贡献计算表达式,同时阐述了CVaR－风险贡献的应用.