论文部分内容阅读
VaR是一种用于量化市场风险的方法,它以概率论为基础,运用现代统计分析技术,自产生以来不断被优化改进,得到了长足的发展。它的核心内容是对波动率的估计。大量的实证研究表明,金融资产的收益率序列存在“尖峰厚尾”、“波动集聚性”和“杠杆效应”等特征,用一般参数分布假设下的时间序列模型(例如GARCH类模型)来测量金融风险时,其拟合的波动率与实际相差较大。非参数统计的最大优点在于它无需对数据的分布类型做出假定,核密度估计的方法可以充分捕捉到金融数据的统计特征。本文主要运用现代非参数统计方法对传统VaR模型进行改进,使其能更有效的测量市场风险。(1)对非参数核密度估计和局部线性估计理论进行了系统的归纳、整理、总结。针对非参数回归中的多重共线性问题,对比参数统计推断中的处理方法,提出了主成分局部线性估计方法,给出了模拟验证和实例分析。(2)介绍了被广泛使用的VaR风险测量方法,以及模型的两种常用的检验方法,即Kupiec失败率检验法和分位损失检验。基于参数GARCH方法和非参数局部线性估计原理,推导出非参数GARCH方法计算股市收益率的VaR步骤。通过对上证综合指数的实证分析,并与相关参数方法进行比较,得出结论:上证综合指数的收益率序列有强烈的GARCH效应,基于非参数GARCH方法得到的VaR在给定的显著性水平下能更有效地度量股市的风险。(3)从历史模拟法这种非参数VaR模型的基本思路出发,使用成交量作为权重对收益率进行加权,并考虑方差的时变性,提出了一种以对金融资产收益率分布核密度估计为基础的VaR模型。使用铜期货合约数据,将改进方法与普通历史模拟法、加权历史模拟法、过滤历史模拟法做了对比,结果证明该方法保留了历史模拟法的优点,并能有效预测未来发生的极端情况。最后,对本文的工作进行了总结,提出了进一步研究的方向。