基于Copula函数的Monte Carlo法求VaR

通过半参数法(CML)和拟合优度检验,确定了最优的Copula函数,并将所得的最优Copula函数采用蒙特卡罗模拟法,产生大量模拟的资产组合价值,然后在一个给定的置信度下,通过采用合适的资产收益分布的分位数来测定风险价值(VaR),并运用实证进行分析求解.     

基于阿基米德Copula的投资组合风险分析

应用阿基米德Copula分析沪深股票市场投资组合风险,样本区间从2000年1月4日至2006年11月8日,共1639组有效数据．首先,由于金融数据不具有正态性,且是厚尾的,因而应用极值理论对边缘分布建模;然后,采用极大似然估计对给定的5个阿基米德Copula进行参数估计,从中选择能更好拟合实际数据相关性的Copula;最后,运用Monte Carlo模拟方法计算相应的风险价值（VaR）,确定最优的组合系数．结果表明,当组合系数β=0．33时,沪深股市投资组合风险最小．     

VaR和ES的贝叶斯经验似然估计

风险价值(VaR)和预期亏损(ES)能较好地度量金融投资组合的最大损失,研究其估计具有重大意义。本文利用贝叶斯经验似然方法对VaR和ES进行估计,理论上讨论了该估计的相合性和渐近正态性。模拟结果显示,在合适的先验信息下,本文所提出的估计具有一定的优势,有较好的应用前景。     

Monte-Carlo模拟在VaR与CVaR中的应用

建立边缘分布为t-EGARcH分布连接函数为多元正态Copula函数的概率分布模型，利用MonteCarlo模拟估计金融变量资产和组合的VaR与CvaR．     

Copula函数在金融市场上的应用

文章根据非参数蒙特卡罗检验法,选择合适的Copula函数将其应用于我国基金市场的风险度量,进行Monte Carlo模拟计算投资组合的VaR;并将Copula方法的计算结果与传统的正态假设模拟结果进行比较,表明Copula方法对金融风险的度量要明显优于正态方法。     

关于单变点Copula风险价值测度分析

Copula技术广泛地应用于金融领域,特别是在金融风险、投资组合、资产定价等方面,目前已成为解决金融问题的一个有力工具.在传统的利用Copula进行风险价值度量时,没有考虑到Copula结构的变化.论文用变点分析的方法对Copula相关结构进行分析,同时沪深股市为背景进行风险价值计算,得到结果是考虑Copula结构的参数变化进行风险价值测度更加合理.     

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。     

非正态假设下投资组合的风险分解

为提高风险分解结果的准确性,本文给出组合收益分布服从非正态假设下,组合VaR及ES分解的两个新方法：局部线性加权平均;用分段线性函数拟合极端损失情形下,资产与组合回报之间的关系。针对实际金融数据的尖峰厚尾性与杠杆效应,风险度量采用EGARCH-GED模型。实证分析及模型检验的结果表明,新方法能准确、快捷地分解组合风险。     

风险估值在沪深股市风险测量中的应用研究

以中国沪、深股市的风险测量为研究对象,收集了近5年的沪深股市每日指数收盘价;运用风险估值(VaR)常用的方差-协方差法和历史模拟法,通过对单一金融产品和资产组合的风险测量,论证了利用VaR技术计算股市风险的可行性.与传统的风险测量方法相比,方差-协方差法和历史模拟法在精确量化投资风险方面具有简捷易行的显著优势.利用指数加权移动平均方法考察了VaR对股市收益率波动性的描述能力,结果表明VaR计算值基本涵盖了绝大部分交易日的损失,有效降低了"幽灵效应",并且捕捉了波动的聚集性.从资产组合的VaR小于单个金融产品的VaR的结果看,VaR技术在股市风险测量上符合现代投资组合理论的基本思想.     

Copula-SV-GED模型的投资组合风险分析

将多种Copula函数和SV模型多种扩展形式相结合,对我国股票市场实际的组合投资问题进行了实证风险分析,结果表明边缘分布和相关关系的选择共同影响联合分布,并且Gumbel-copula-SV-GED模型在计算风险VaR值方面效果较好.     

基于时变多元Copula-VaR的商业银行汇率风险度量

构建了一个时变多元Copula模型,并运用Monte Carlo模拟技术计算VaR,以期更准确地度量人民币兑美元、欧元、日元和港元4种汇率可能给商业银行带来的风险.然后将其度量效果与静态多元Copula-VaR的度量效果进行比较分析.实证结果表明:人民币兑各主要货币汇率之间的相关结构以时变方式变动,基于时变多元Copula-VaR的商业银行汇率风险的度量效果更好.     

Copula理论在金融中的应用

在此系统地介绍Copula理论在金融中的应用,并讨论Copula理论中存在的一些问题和未来要解决的问题的一些思想和方法,同时指出Copula理论在金融的应用价值．     

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。     

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.     

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。     

基于EDP算法的股票价格预测

股票价格预测一直是金融分析领域的一个重点和难题．目前，运用智能系统对股票市场进行预测的方法已经被广泛确立．本文提出了用基于贝叶斯网络的EDP算法进行股票预测的模型，相对于传统的预测方法，具有收敛速度快的特点，根据实验的仿真结果显示，该模型对于股票价格预测效果较好．     

VaR--一种风险度量的方法

在险价值是目前市场风险估值的主流理论，被用来估计市场风险暴露在给定置信度下的最坏的预期损失.本文介绍了VaR的概念和计算方法。考虑到时变风险，讨论了GARCH模型，最后给出了评价模型的后验测试方法。     

考虑风险的发电厂竞价上网模型的研究

利用VaR（Value at Risk）方法论证了差价合约在电力市场初期应用的特点及优势,并结合浙江电力市场的具体数据进行了金融风险分析。分析结果表明：差价合约可以减少由于电价波动所带来的金融风险,并且对发电商参与竞争具有指导意义。     

A Fully Pipelined Probability Density Function Engine for Gaussian Copula Model

The Gaussian Copula Probability Density Function （PDF） plays an important role in the fields of finance, hydrological modeling, biomedical study, and texture retrieval. However, the existing schemes for evaluating the Gaussian Copula PDF are all computationally-demanding and generally the most time-consuming part in the corresponding applications. In this paper, we propose an FPGA-based design to accelerate the computation of the Gaussian Copula PDF. Specifically, the evaluation of the Gaussian Copula PDF is mapped into a fully-pipelined FPGA dataflow engine by using three optimization steps： transforming the calculation pattern, eliminating constant computations from hardware logic, and extending calculations to multiple pipelines. In the experiments on 10 typical large-scale data sets, our FPGA-based solution shows a maximum of 1870 times speedup over a well-tuned single- core CPU-based solution, and 610 times speedup over a well-optimized parallel quad-core CPU-based solution when processing two-dimensional data.