论文部分内容阅读
互联网金融的迅猛发展使其风险测度成为十分迫切的重要研究课题,目前对测度互联网金融风险的研究仍处于探索阶段.本文选取具有代表性的互联网金融产品财富宝作为研究对象,分析近4年财富宝收益率的统计特征;建立贝叶斯POT风险测度模型度量财富宝收益率的尾部风险;建立贝叶斯分位数自回归模型度量财富宝收益率的整体风险.本文的主要研究内容包括以下三个部分:第一部分是财富宝的特征分析及模型的基本类型设定.首先对财富宝的运行机制及其收益率的统计特征进行分析,发现财富宝收益率序列具有非正态性、长尾性、自相关系数的拖尾性和偏自相关系数的截尾性;其次根据财富宝收益率的长尾特征,初步确定用POT模型刻画其尾部风险;根据自相关系数的拖尾性和偏自相关系数的截尾性,初步确定用分位数自回归模型刻画其整体风险.第二部分是构建贝叶斯POT风险测度模型度量财富宝的尾部风险.首先,根据第一部分设定的POT模型推导出含有三个待定参数的VaR与ES的风险测度基本公式,对于其中的阈值参数通过样本平均超出量函数法确定,对于另外两个参数通过MCMC算法求解其贝叶斯估计,从而完全确定了度量VaR和ES的贝叶斯POT风险测度模型(式(3.18)及式(3.19)).其次,以贝叶斯POT风险测度模型计算财富宝收益率的VaR与ES(结果见表3.2及表3.3),并与极大似然估计下的风险值进行比较,结果显示,贝叶斯POT风险测度模型得到的VaR与ES值更大;对两种估计下的模型计算结果进行VaR返回检验,经比较,两种估计方法虽然均通过了检验,但贝叶斯估计方法的失败次数更少,从而说明贝叶斯POT风险测度模型更优.最后,据此预测了2019年1月至3月的财富宝收益率在不同置信水平下(99%、97.5%和95%)的VaR值分别为5.7366、7.7176和11.4852.第三部分是基于贝叶斯分位数自回归风险测度模型度量财富宝的整体风险.首先,根据第一部分设定的分位数自回归模型给出VaR的风险测度的基本公式,并根据AIC准则确定了模型的自回归阶数,通过贝叶斯方法估计不同分位水平下模型的参数,从而得出了度量VaR的贝叶斯分位数自回归风险测度模型;其次,基于此模型计算了2015年1月3日到2018年12月31日财富宝收益率的VaR,通过表4.6给出了2018年12月的VaR值,通过图4.4给出了全样本下共1458天的VaR走势.各分位水平下的模型都通过了VaR返回检验,但与传统估计法相比,基于贝叶斯估计的模型失败率更低,从而说明该模型更可靠.最后,对2019年1月至3月的财富宝收益率的VaR进行了预测(见表4.8及图4.5).通过比较上述两个模型的计算结果与返回检验结果,发现贝叶斯POT模型更适合刻画尾部风险,而贝叶斯分位数自回归模型更适合度量整体风险.