基于EGARCH-VaR的半参数法及实证研究

在综合考虑了金融收益数据分布的尖峰厚尾特征及其波动集群性,尤其是其波动的“杠杆效应”对VaR估计的影响以及各种假定收益率分布在计算风险价值时存在不足的基础上,提出了基于EGARCH-VaR的半参数方法,并且与正态分布和t分布假设下的GARCH模型的VaR计量方法进行比较,通过实证分析,并利用后验测试,表明基于EGARCH-VaR的半参数方法对风险价值的测度优于正态分布和t分布假设下GARCH模型的VaR计量方法.     

基于ARMA-EGARCH-M模型的沪深股市波动性分析

文章讨论了ARCH模型族的拟合波动性的优缺点,建立ARMA-EGARCH-M模型,简要说明了此模型的优点;以2000年1月11日-2006年3月15日上证综指和深证成指收盘价为样本,对我国沪深股市收益率分布用ARMA-EGARCH-M模型进行拟合分析,结果表明该模型能更有效地拟合我国沪深股市的波动性;最后解释实证结果和分析了我国股市的行为。     

基于SV模型的沪深股市风险分析

利用SV-N模型、SV-t模型和SV-GED模型对深证综指和上证指数数据进行仿真分析,用预测参数估计得到的波动率计算var值并与相应实际指数收益率进行比较.研究结果表明,上证指数和深证综指都表现出强的波动持续性,且深证股市的波动水平比上海股市要大,风险也要高.并且,基于GED分布的SV模型能更好的反映沪深股市风险.     

基于EGARCH-ε_t-GPD模型的VaR计算

在传统的利用极值理论来计算VaR的过程中,一般先是对时间序列建立GARCH模型,再对残差序列运用极值理论建模,从而估计得到VaR.但建模时在GARCH模型的条件方差方程中,人们只考虑了以前时刻的随机误差项对方差的影响,而忽视了当前时刻的随机误差项对方差所作出的贡献.故作者在对时间序列建立EGARCH模型时,在方差方程中引进了当前时刻的随机误差项,然后再对残差建立GPD模型来研究风险价值,并进行了相应的实证分析,结果表明加入当前时刻的随机误差项后估计得到的VaR准确性更高.     

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EGARCH-CVaR的我国股市风险分析

根据我国股票市场收益的基本特征,对上证180指数收益率序列分别构建基于正态分布、t分布和GED分布的EGARCH模型。通过计算三种不同分布下的CVaR值,对股市风险进行分析。并将EGARCH模型的CVaR值与GARCH模型的CVaR值进行比较。结果表明,基于广义误差分布的EGARCH模型(EGARCH-GED)能更好地刻画我国股市的市场风险。     

基于t-Copula-GARCH-t模型的中国股票市场风险分析

针对传统在险价值(value at risk,VaR)模型的局限性,结合Copula技术和GARCH模型,运用t-Copula-GARCH-t模型对中国股票市场进行风险分析,对上证综合指数和深证综合指数进行了实证研究,结果证实了所应用模型和方法的可行性和有效性.     

EGARCH模型和分位数自回归类模型在风险预测中的比较

利用了三种时间序列模型对中美汇率的风险进行一步向前滚动预测。1)EGARCH模型,它可以刻画金融资产收益率的尖峰厚尾现象,异方差性,波动集聚性和杠杆效应。2)非常适合具有异方差性的QAR模型,该模型不需要假定误差项的分布,可以很好地刻画条件异质性,在模拟具有尖峰厚尾的金融数据时,得到了广泛的应用。3)T-QAR模型,该模型可以通过门限变量控制分段线性函数,进而刻画金融资产具有的非线性性和非对称性。最后,对三种模型的预测效果进行了VaR回溯检验,结论是T-QAR模型的预测效果最佳,而EGARCH模型的预测效果最差。     

沪深股市的波动性分析——基于t分布下GARCH和SV模型的比较

构建基于N分布和t分布下的GARCH(1,1)和SV模型,并通过实证分析探讨了上证指数和深证成指收益序列的波动性.分析结果表明,GARCH(1,1)类模型和SV类模型能较好地拟合沪深股市收益率的波动,并指出我国股市存在较强的波动持续性;而基于t分布的各模型能有效地刻画股市的厚尾性;此外,通过计算VaR值,说明深市比沪市的风险更大,且SV类模型能更准确地反映收益率的风险特性.     

基于GARCH模型的WTI原油现货市场的风险分析

国际石油市场风险对我国经济的发展具有重大的影响,由于石油风险往往表现为石油价格的频繁波动和难以预测,文章选取美国WTI原油现货市场为分析对象,将原油价格序列分成波动时期和平稳时期,运用GARCH模型来研究收益率在尖峰厚尾分布(t分布、GED分布)下的VaR值,通过实证分析发现不同长度的时间序列对不同时期石油价格风险衡量的精确度具有不同的影响,而且在衡量石油风险方面GED分布下的模型要比t分布模型更优。研究结果为公司和机构投资者提高石油风险管理水平提供了新视角。     

中国股票市场风险值的非参数估计

用改进后的连续时间金融模型给出金融资产收益率的价格密度函数的非参数估计,计算了上证A股指数的VaR,与Black-Scholes密度函数下的VaR相比,得到较好的结果.     

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.     

ARMA-GARCH模型在股市市场风险测度中的应用

选择股票市场2014年1月8日到2016年8月2日上证指数(SZCZ)收盘价作为样本进行研究,建立了残差序列服从不同分布下的ARMA(2,2)-GARCH(1,1)类模型,并进行实证分析及预测,通过比较发现ARMA(2,2)-GARCH(1,1)类模型能够有效处理股票数据的波动集聚性。在此基础上,计算出不同置信水平下ARMA(2,2)-GARCH(1,1)类模型的风险测度值(VaR),与历史模拟法、改进的历史模拟法下的VaR值进行比较,得出ARMA(2,2)-GARCH(1,1)类模型更有效的反应市场风险。     

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.     

基于VaR的我国股票市场波动性分析

首先通过对我国沪深股市的统计特征分析表明,我国股票市场存在着丛集效应,且不服从标准正态分布,然后再根据统计特征分析选择合适的模型应用Excel计算上证指数和深证成份指的日对数回报VaR值。再者通过对沪深两市的统计分析和VaR值的分析得出：我国股市波动具有很强的丛集性,股市极不稳定,1996年以前股市波动尤其剧烈。最后针对这一结论提出相应的措施。     

考虑交易成本的股价指数期货最优套期保值策略模型

在用方差度量风险并要求风险最小的原则之下，利用股份指数期货作为套期保值工具，分别给出了考虑交易成本情况下的最小方差套期保值策略、权衡收益风险的套期保值策略和多阶段现货套期保值策略的最佳套头比和套期保值有效性的表达式，为投资者对套期保值成本和套期保值有效性的权衡决策提供了更现实的、可计算的定量分析工具。     

分层线性模型在金融风险度量中的应用(英文)

为了有效地度量金融市场风险,指出常用的风险度量模型存在不足. 金融风险度量模型必须考虑引入多因素,比如大盘指数与宏观因素. 通过回顾了分层线性模型的定义及其应用,提出改进风险度量模型的设想以及有待解决的问题. 从实际意义来看,这是很切合实际的.     

基于SSRM的上海证券市场波动性研究

分别对上海证券市场的商业、地产等4个行业板块进行建模,讨论了它们在简单体制转换模型下的波动特征,并计算了各个行业板块的VaR.研究表明:4个行业板块的波动率过程存在明显的体制转换特征,转换概率较高;不同行业板块间的风险有所差别,但简单体制转换模型明显低估了我国股市的风险水平.     

上海股市单边下跌股票风险复杂网络特性分析

利用股票VaR数组对股票中短期风险进行模拟,并以上海市场股票为节点,利用股票VaR数组之间的相关系数作为权值构建一个无向无权网络,即股票中短期风险复杂网络,并对其进行复杂网络特性分析.结果表明:所构建网络具有小世界效应;在特定情况下具有无标度特性,而在大多数情况下,并不具有无标度特性;单边下跌条件下,各支股票的价格波动影响较大,而各支股票的风险相互影响较小;时间跨度较小的情况下,持有不同股票所遭受的损失相差较大;而时间跨度较大的情况下,持有不同股票所遭受的损失相差较小.