论文部分内容阅读
大量实证研究发现,在实际的金融市场上大部分金融资产的分布及其波动行为具有一些与正态假设不相符的特征,主要体现在资产收益率分布的尖峰厚尾性,异方差性,收益率波动的时变性,簇集性和杠杆性.收益率的这些特征使得传统VaR方法无法准确度量金融资产收益率的真实风险。本文主要研究基于非对称GARCH模型和极值理论下的风险度量模型,把非对称GARCH模型和极值理论有机结合起来,提出了一套完整的风险度量建模方法,包括数据预分析,参数估计,模型比较以及模型检验.该模型兼具了非对称GARCH模型和极值模型的优点.既反映了金融资产收益率波动的时变性,簇集性以及杠杆效应,又充分利用了收益率分布的尾部极端数据,从而得到更为准确地风险度量。模型的主要思路是:
(1)对金融资产收益率数据进行基本统计特征的预分析,以判断收益率数据是否具有尖峰厚尾性,异方差性,收益率波动的簇集性,通过预分析的结果初步确定本文模型的可行性。
(2)在预分析的基础上,对负的资产收益率分别拟合EGARCH和GJR-GARCH,通过似然比检验得到最优拟合的非对称GARCH模型。
(3)得到优拟合的非对称GARCH模型后,我们对经GARCH模型过滤后的标准化残差序列进行独立性以及正态性检验,以判断标准化残差序列的分布是否仍具有厚尾性。
(4)在残差检验的基础上,对于不服从正态分布的标准化残差序列分别拟合极值模型BMM模型和POT模型。对于BMM模型,分别在不同的子区间长度下拟合极值分布,得到标准化残差序列的VaR,进而计算资产收益率的动态VaR,通过贝努里回溯检验,选择达到拟合效果最优的子区间长度,以确定最优拟合的BMM模型.对于POT模型,分别在不同的阈值下拟合极值分布,得到标准化残差序列的VaR和CVaR,进而计算资产收益率的动态VaR和动态CVaR,通过贝努里回溯检验,选择达到拟合效果最优的阈值,以确定最优拟合的POT模型。
最后本文采用深成指收益率,根据本文的建模思想和步骤,拟合本文模型进行实例分析,分别得到对深成指收益率VaR拟合效果最优的模型为EGARCH(1,1)-BMM模型和EGARCHl(1,1)-POT模型。