论文部分内容阅读
随着金融市场的发展,人们面临的风险越来越复杂,风险是未来损失的不确定性,也就是未来不可预期的波动性,风险可以是由资产的波动引起的,也可以是由负债的波动引起的,怎样对风险进行准确的度量摆在了人们的面前。其中金融市场风险又起到了举足轻重的作用。 在险价值(VaR)的出现使得金融资产组合在一定时期内最大可能损失的定量化成为可能,到目前,在险价值已成为金融风险管理系统的奠基石。但现有的关于VaR度量的研究还有待于进一步深入。首先,VaR的计算精度还有待进一步提高,尤其是当金融市场变得越来越复杂时,精确的VaR估计值可以更好地规避风险同时能够更好地在各个领域分配资产。其次,当前的VaR的研究大都集中在短期VaR的估计上,例如一天,但是在保险和投资领域经常存在一些持有期很长的投资组合,同时由于超低频数据(一月或者一年)的缺乏使得在估计长程VaR时不能直接应用现有的短期VaR的估计方法。因此,长程数据VaR估计的研究显得非常重要。最后,传统的方法大都只研究资产或者组合本身VaR,由于金融市场的复杂性,金融资产的风险经常受到其它一些因素的影响,当估计VaR时,应当考虑到这些影响,这就带来了所谓的“条件VaR”的估计问题。 本文针对上面提到的几点问题,进行了一些研究,丰富了VaR研究的内容。本文一共分为三篇,具体结构以及创新点如下: 在第一篇中,我们研究了VaR的估计问题。首先对VaR的几种传统估计方法进行了回顾。第二章我们提出应用Bootstrap方法和随机加权方法对VaR作估计,这样得到的VaR估计值与真实值更为接近。接下来,由于通常收益率为厚尾分布,而正态分布不足以描述厚尾分布,我们用“扭曲函数”对正态分布进行修正,使得扭曲后的分布能够比较好地近似厚尾分布,从而由扭曲后得到的分布获得VaR较为精确的估计值。第四章则分析了长间隔时期VaR的估计问题,给出了当日收益率服从分形分布或者特定的厚尾分布时,长间隔时期VaR(一月)的扩展估计,并和通常应用的“T1/2法则”进行了比较。 在第二篇中,我们分析了条件VaR的估计问题,这是本文的主要部分。在对一些常用的概念以及相关的文献进行综述后,我们给出了基于门限分位点回归模型的CVaR估计,首次将门限思想应用于分位点回归模型,改善了线性分位