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.     

基于分位数回归森林的VaR估计及风险因素分析

构建非参数、集成性的分位数回归森林算法,对上证综指和标普500指数的VaR进行了估计;同时构建了其他一些主流的方法,包括历史模拟、GARCH族方法、弹性网络、门限分位数回归、CAViaR等,进行检验和对比.通过对不同置信水平下的VaR估计进行多种检验,验证了该方法的有效性和稳健性.进一步,基于分位数回归森林模型定义了一种特征重要性度量方法,评估了各个因素对于风险值的影响权重大小,发现过去一日收益率对上证综指的风险值影响较大,而波动率对标普500指数的风险值影响较大,整体来看两国股市间的风险传导性较弱;并引入偏相依关系,动态地分析了各个因素在不同水平下对于风险值的作用方向,一定程度上弥补了机器学习算法在金融应用中一直存在的"黑箱性"问题.     

幂分布的有效估计

讨论了幂分布的概率密度函数和分布函数的估计问题,分别得到了概率密度函数和分布函数的极大似然估计、一致最小方差无偏估计和基于分位数的估计.通过随机模拟计算了多种估计的均方误差,随着样本量的增大,估计量的均方误差变小;在概率密度函数和分布函数的估计量中基于分位数的估计的均方误差最大.     

左截断右删失数据下分位数差的估计

首先, 利用核光滑方法研究左截断右删失数据下总体分位数差的估计, 得到了左截断右删失数据下分位数差的光滑估计及估计量的大样本性质. 其次, 在均方误差意义下, 证明了光滑分位数差估计比左截断右删失数据下乘积限分位函数的差有更高的估计效率. 最后数值模拟分析高斯核函数下选择不同窗宽对改善乘积限分位数差估计效率的影响.     

风险价值VaR的区间估计

风险价值(value at risk,VaR)是国际金融界广泛支持和认可的一种度量金融风险的工具。分别利用Bootstrap、MOVER(method of variance estimates recovery)和Fiducial方法给出正态总体下VaR的区间估计方法,并进行了模拟比较。模拟结果发现基于Fiducial思想的广义区间估计在覆盖率和区间等尾性上具有更稳健的性质。最后对上证180重点指数的对数收益率VaR进行了分析。     

KL分位数估计的Bahadur表示

Bahadur表示对于分位数估计的大样本性质的研究有着重要的作用,本文在独立样本的条件下,证明了KL分位数估计的Bahadur表示及其收敛速度op(k-1/2n),并通过Bahadur表示给出了其渐近正态性和置信区间估计。     

基于神经网络分位数回归的VaR金融风险测度

基于神经网络分位数回归给出VaR风险测度方法,一方面,通过其分位数回归功能可以揭示响应变量整个条件分布特征;另一方面,通过其神经网络结构,可以模拟经济系统中的非线性结构,从而很好地解决了VaR风险测度中遇到的2个难题:尾部风险测度与非线性关联模式。文章选取上证综指作为研究对象,将其与传统的VaR金融风险测度方法进行了实证比较,实证结果表明,基于神经网络分位数回归的VaR风险测度方法,在样本内与样本外都取得了较好的实证效果。     

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。     

线性回归模型中的KL型主成分估计

当线性回归模型中存在复共线性时,基于最小二乘估计的统计推断往往会受到影响。鉴于此,结合主成分估计和KL估计,提出了一类新的估计方法,即KL型主成分估计,以期克服复共线性问题。同时,得到新的估计在均方误差意义下优于最小二乘估计、主成分估计、r-k估计、r-d估计和KL估计的充要条件。并利用Monte Carlo模拟和实证分析对各估计量在均方误差准则下进行了比较。     

带有协变量动态可靠性模型参数的估计

考虑带有协变量的k-out-of-n系统, 假设系统中正常工作变量剩余寿命的条件风险函数为成比例的风险模型, 讨论该模型参数、 系统的可靠度函数和分位数函数的最大似然估计以及这些估计量的渐近正态性, 给出模型参数的置信区间, 并对点估计和区间估计进行Monte Carlo模拟研究. 结果表明, 估计量的均方误差随样本容量的增加而减少.     

基于VaR的股票内生流动性风险实证研究

分析了VaR模型的基本原理,引入噪声信号模拟投资者的行为,建立并利用VaR模型对单只股票进行分析,得到了单只股票的内生流动性风险在风险价值方法下的一种度量.拓展到投资者的过度自信条件下,对模型进行了推广和实证分析,为投资者规避风险提供了理论参考.     

Pareto风险模型中分位数保费的贝叶斯估计

分位数保费原理是非寿险精算中的一种重要的保费原理,在保险中有重要的应用.建立分位数保费原理的Pareto风险模型,通过引入损失函数,结合一些统计技巧,给出了分位数保费原理下风险保费的贝叶斯保费、贝叶斯估计、极大似然估计以及分位数估计.进而,讨论了这些估计的统计性质.最后,利用数值模拟的方法比较了这些估计的平均误差.     

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.     

基于贝叶斯方法的太湖沉积物多环芳烃的生态风险评价

多环芳烃是一类具有高毒性的持久性有机污染物,沉积物是多环芳烃的主要环境归宿.在化学物质的概率生态风险评价中多应用经典频率理论,但在小样本情况下用频率代表概率进行统计推断,其精度和可信度值得商榷.为提高小样本情况下生态风险评价中参数估计的准确性及可靠性,以贝叶斯方法为基础构建模型以估计暴露分布及效应各参数,并定义了暴露分布与效应分布的联合概率为生态风险,利用参数估计产生的模拟样本结合蒙特卡罗方法估算了风险,以提高统计推断效果.将此方法应用于太湖沉积物多环芳烃的联合生态风险评价中,研究结果揭示,其生态风险在可信水平为90%的可信区间为0.24%~9.69%.风险评价的不确定性分析及敏感性分析结果表明,效应分布参数是风险估计的主要不确定性来源.     

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.     

总体均值的分别比率估计方法改进及应用

辅助信息可以在抽样设计和估计量设计两个阶段同时使用,在分层抽样下采用排序集样本代替随机样本,以辅助变量的多个指标线性组合为辅助信息,改进了总体均值的分别比率估计方法,计算了估计量的近似偏差和均方误差,比较了两种不同抽样方法下比率估计的精度.结果表明,改进的分别比率估计均方误差较小.最后借助随机模拟和算例分析进一步验证了结论的可靠性.     

分组数据场合指数分布参数的渐近置信估计

利用指数分布的若干个样本分位数,建立线性回归模型,由获得的广义最小二乘估计的渐近正态性,得到分组数据场合分布参数的渐近置信估计.在样本足够大的情况下,该方法简单有效.     

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。     

左截断右删失数据下线性模型的加权复合分位数估计及变量选择

在可靠性及生存分析等领域中经常出现左截断右删失数据,即指在某种设定下,样本值不能被完全观测到的数据.左截断右删失数据下线性回归的参数估计方法一般选用加权分位数估计,然而加权分位数估计只考虑了单个分位点的损失,在估计效率方面存在缺陷.为克服这一缺点,针对左截断右删失数据下线性模型的参数估计问题,提出了加权复合分位数估计方法.此外,为识别模型中的非零参数并进行变量选择,建立了基于自适应Lasso的惩罚加权复合分位数估计,并在一定假设条件下,证明了所提估计具有渐近正态性和Oracle性质.数值模拟和实例分析结果表明,本文提出的惩罚加权复合分位数估计具有良好的变量选择性质,并且加权复合分位数估计与加权分位数估计相比,具有更高的估计效率.