VaR度量方法比较研究 ——基于ARCH类模型和SV类模型

论文摘要

风险度量是金融风险管理的基础，而度量VaR方法是现在研究的焦点，到目前为止，VaR的度量方法有很多其中包括参数方法和非参数等。参数方法就EQMA、EWMA、ARCH类、SV类等等，通过对其波动率进行估计来计算VaR，本文就现在最流行的ARCH类和SV类进行理论和实证上的对比研究，SV类模型和ARCH类模型都能很好的捕捉金融时间序列数据的尖峰厚尾性、金融时间序列数据波动的聚集性、持续性和杠杆效应等特征，故此两类模型的区别与联系是值得我们探讨研究的，特别是针对中国金融市场。本文首先在理论上介绍了SV类模型和ARCH类模型及其联系；其次选择上证综合指数和深圳成分指数作为研究对象，通过实证来说明我国金融时间序列数据具有尖峰厚尾性和存在异方差的统计特征；最后，通过对SV类模型和ARCH类模型进行对比研究，分别利用MCMC方法和MLE方法对SV类模型和ARCH类模型进行参数估计，结果表明虽然SV类模型和ARCH类模型都能很好的刻画波动的聚集性这一特性，但在残差拟合程度和模型预测能力上SV类模型较ARCH类模型更优，综合分析得出SV类模型较ARCH类模型能更好地拟合我国股票市场金融收益数据的波动性。

论文目录

• 中文摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1、论文选题的必要性和意义
• 1.2、相关课题国内外的现状
• 1.2.1、金融风险度量理论的发展
• 1.2.2、金融资产波动理论的进展状况
• 1.3、本章小结
• 第二章 ARCH类、SV类模型与参数估计
• 2.1、ARCH类模型介绍
• 2.1.1、自回归条件异方差模型（ARCH模型）
• 2.1.2、均值自回归条件异方差模型ARCH-M模型
• 2.1.3、一般自回归条件异方差（GARCH）
• 2.1.4、指数GARCH模型（EGARCH）
• 2.1.5、Power GARCH模型（PARCH）
• 2.2、SV类模型介绍
• 2.3、SV模型的分类
• 2.3.1、SV（1）-Normal模型
• 2.3.2、SV（1）-M模型
• 2.3.3、SV（1）-GED模型
• 2.3.4、SV（1）-T模型
• 2.4、SV模型的参数估计
• 2.4.1、广义矩估计（GMM）
• 2.4.2、伪极大似然估计法（QSML）
• 2.4.3、马尔科夫链蒙特卡洛（MCMC）方法
• 2.5、本章小结
• 第三章 GARCH模型与SV模型的联系
• 3.1、从随机微分方程出发探求SV与GARCH模型的联系
• 3.1.1、随机微分方程的一般形式
• 3.1.2、SV模型对应的随机微分方程
• 3.1.3、GARCH过程对应的随机微分方程
• 3.1.4、从随机微分方程出发SV模型和GARCH模型的比较
• 3.2、SV过程、GARCH过程与ARMA过程联系
• 3.3、SV模型与GARCH模型一般性质的比较
• 3.4、本章小结
• 第四章 VaR的概念与检验
• 4.1、VaR的基本概念
• 4.2、VaR的数学定义
• 4.3、VaR的应用
• 4.4、VaR模型的检验方法
• 4.4.1、Kupiec检验方法
• 4.4.2、概率P的点估计方法
• 4.5、本章小结
• 第五章 实证及其结论分析
• 5.1、数据的选取
• 5.2、指标的定义和基本的统计量
• 5.2.1、收益率
• 5.2.2、基本的统计量
• 5.3、实证检验
• 5.3.1、正态性检验
• 5.3.2、平稳性检验
• 5.3.3、自相关性检验
• 5.3.4、异方差检验
• 5.4、数据建模与结论分析
• 5.4.1、建立模型
• 5.5、数据结论分析
• 5.6、本章小结
• 参考文献:
• 附录
• 致谢