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。     

风险值VaR和尾部条件期望TCE的实证比较分析

由于风险值VaR具有一定局限性,因此人们在VaR的基础上又提出了一种新的度量市场风险的方法：尾部条件期望TCE。本文利用基于GED分布和T分布的TGARCH-M模型建立计算公式,并实证比较了VaR和TCE度量市场风险的准确性,结果表明,在通常情况下TCE和VaR均能较准确地度量市场风险。     

风险值VaR和尾部条件期望TCE的实证比较分析

由于风险值VaR具有一定局限性,因此人们在VaR的基础上又提出了一种新的度量市场风险的方法:尾部条件期望TCE.利用GED分布和T分布的TGARCH-M模型建立计算公式,并实证比较了VaR和TCE度量市场风险的准确性,结果表明,在通常情况下TCE和VaR均能较准确地度量市场风险.     

风险值和尾部条件期望的实证比较分析

由于风险值VaR具有一定局限性,因此人们在VaR的基础上又提出了一种新的度量市场风险的方法:尾部条件期望TCE.利用GED分布和T分布的TGARCH-M模型建立计算公式,并实证比较了VaR和TCE度量市场风险的准确性,结果表明,在通常情况下TCE和VaR均能较准确地度量市场风险.     

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。     

风险价值VaR及实证研究

随着经济一体化的深入,风险管理受到各个国家和地区越来越多的重视。本文主要讨论了风险管理中的市场风险度量的方法,具体介绍了基于投资组合的收益(或损失)函数的分布函数提出的风险值(VaR)和期望损失(ES)这两种度量方法,它们是目前使用得最广的市场风险度量方法。文中比较了这两种方法的优缺点,给出了各种不同计算VaR和ES的方法,同时也对各种方法进行了对比讨论,给出了一个基于中国上证沪深指数在1999—2013年的日收益率序列的一个实证研究。     

股指期货的风险度量方法研究

股指期货是以某种股票指数为标的资产的期货合约.由于股票指数本身的波动性很大,因此对股指期货风险的度量就有较大的难度.通过对VaR模型、ES模型、POT模型的研究比较,找到其中比较适合我国股指期货的风险度量模型.     

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。     

股指期货的风险度量方法研究

 股指期货是以某种股票指数为标的资产的期货合约.由于股票指数本身的波动性很大,因此对股指期货风险的度量就有较大的难度.通过对VaR模型、ES模型、POT模型的研究比较,找到其中比较适合我国股指期货的风险度量模型.     

一种计算金融风险在险价值的新方法

如何计算金融风险度量的在险价值(VaR)和预期不足(ES)一直是业界、学术界关心的课题。基于分位数的办法计算在险价值(简称QVaR)直观易于理解,但也有非常大的缺陷:QVaR度量只关注下方风险,即只给出一个损失的分位数,并未给出具体损失程度,而且对尾部极端风险不敏感。研究表明预期不足对尾部极端风险非常敏感而且给出了尾部损失的具体值,但预期不足不象在险价值那么易于理解和便于业界使用。针对上述问题,提出了一种基于2.5次幂期望分位数计算在险价值的方法(简称GEVaR),核心是将非对称最小二乘法的2次幂改为2.5次幂,其定义与传统的期望分位数类似。研究表明一些情形下GEVaR对尾部极端风险的敏感性与ES相当。     

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。     

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.     

基于动态极值VaR股指分析的中国行业风险研究

应用动态极值VaR模型分析中国行业股票价格指数,对不同市场条件下中国行业风险进行实证研究.在McNeil等提出的GARCH模型与极值理论基础上,运用Huisman等提出的VaR法修正上述风险值估计方法,构建了动态极值VaR模型.在该模型的构建中考虑了风险因子的时变特性,采用EVT方法对风险因子的厚尾特性进行建模,简化了风险值的估计过程,并提高了估计的准确性.动态极值VaR模型能够较好地刻画风险尾部分布特性,同时能够比较准确地度量所研究时间段内的市场风险和行业风险.研究结果表明,不同市场条件下各行业的风险特性具有显著的变化.最后利用Kruskal-Wallis一致性检验对上述结论进行了验证.据此,在资产组合管理过程中,有必要依据市场环境和行业风险特性对资产配置比例进行调整.     

VaR与ES的非参数估计的统计分析

利用VaR与ES最新的非参数估计方法,不依赖于分布假设,对上证指数做实证分析,并对N天的VaR的计算方法进行研究.研究结果表明,在样本容量较大的情况下,VaR与ES的非参数估计方法有较好的效果;曲线回归方法计算N天的VaR的效果明显优于正态假设下计算的效果.     

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.     

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.