论文部分内容阅读
VaR(Value at Risk)是一种利用统计技术来度量市场风险的方法。一些权威金融研究机构的调查表明,自二十世纪80年代以来,VaR己经为众多商业银行、投资银行、非金融公司、机构投资者及监管机构所使用和关注。许多金融机构都将VaR作为防范金融风险的第一道防线,并且开发了利用VaR进行风险管理的软件。监管机构则利用VaR技术作为金融监管的工具,如在巴塞尔委员会发布的巴塞尔银行业有效监管核心原则及欧盟的资本充足度法案中,VaR成为其监管市场风险的重要工具。由于GARCH族模型能够较好地刻画收益的动态变化特征,捕捉股市的丛集性效应、非对称特征,所以近年来计算VaR的参数方法多集中于用各类GARCH模型结合能捕捉股市收益的厚尾特征的t-分布、GED分布进行计算。本文首先介绍VaR的概念、计算方法及VaR模型的准确性检验;接着回顾传统的GARCH类波动模型到FIGARCH模型的转变,之后介绍了长记忆的概念及检验方法。在实证分析这一章,首先对上证综合指数、深圳成份指数、香港恒生指数进行了一个长记忆性检验,在收益波动率序列中我们发现了高度显著的长记忆性。然后我们用GARCH(1,1)、FIGARCH(1,d,1)和FIEGARCH(1,d,1)模型计算各指数在三个置信水平下的VaR值。我们用返回检验法检验对各模型的预测效果进行了比较,但是从LR统计量考虑,我们不能拒绝GARCH、FIGARCH、或FEGARCH模型,它们都能对较好地对风险作出估计,因此本文采用评分法评估各模型的优劣,按各模型实际失败率p *与期望失败率p绝对差的大小,我们计算出各指数的9个模型的排序情况,并算出平均排序,平均排序最小的模型其准确性总的来说是最高的。评分法便于综合评价各模型的优劣。实证结果表明在估计95%置信度下的VaR值时基于GED分布的FIGARCH(1,d,1)模型表现最佳。而在97.5%及99%置信水平下,基于GED分布的FIEGARCH(1,d,1)模型表现出了最好的预测能力。我们发现FIGARCH和FIEGARCH模型在估计中国股市的VaR值时要比GARCH模型表现优越。这表明考虑非对称性和长期记忆特征对于估计中国股市指数的VaR值来说是非常有价值的。考虑长期记忆特征有助于提高波动模型的实际预测能力,同时条件分布的选取对预测能力也有显著影响。