基于计算实验金融的VaR模型准确性研究

论文摘要

VaR（在险价值）作为风险管理的一种方法,已获得广泛应用。被众多学者所关注,并被商业银行、投资银行、非金融公司及机构投资者所使用。在这样的背景下,本文研究如何更好地以VaR的形式估计投资风险。具体的表现形式为：对VaR计算模型的准确性进行评估。更具体地,本文针对人工模拟股票的日收益选取了四种VaR计算模型：GARCH-正态分布模型,GARCH-t分布模型,EVT-POT模型和基于定义的EVT模型从以下两个角度进行研究：首先,本文研究了收益分布的尾部的薄厚程度对VaR模型的准确性影响。其次,本文研究了波动的集丛性对于VaR模型的准确性的影响。本文从计算实验金融的思想出发,在Netlogo平台上模拟出人工股票的相关变量,如收益等。在此基础上利用Matlab进行统计分析。得出结论：1、随着收益分布的尾部逐渐变厚,EVT-POT模型和基于定义的EVT模型始终是准确的。2、由于波动的集丛性的存在,当波动在较低区间时,GARCH-正态分布模型不能够准确地描述标的资产的风险,而GARCH-t分布模型能够准确地描述标的资产的风险；而当波动在较高区间时,GARCH-t分布模型和GARCH-正态分布模型都不能够准确地描述标的资产的风险。因此,在这时,不能用该模型动态的估计下一时刻的风险情况。3、在低波动区间上时,在基于定义的EVT模型、EVT-POT模型和GARCH-t分布模型中,GARCH-t分布模型总是低估风险,而基于定义的EVT模型总是高估风险。

论文目录

• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 问题的提出
• 1.2 本文的研究问题及研究方法
• 1.2.1 研究问题
• 1.2.2 研究方法
• 1.3 本文的研究意义
• 1.3.1 理论意义
• 1.3.2 实际意义
• 1.4 本文的结构
• 第二章 文献综述
• 2.1 VaR计算方法研究综述
• 2.2 计算试验金融研究综述
• 2.3 本文所采用的模型
• 第三章 VaR的基本原理与计算方法
• 3.1 VaR的定义
• 3.2 VaR计算的基本原理
• 3.2.1 一般分布下的VaR计算
• 3.2.2 态分布下的VaR计算
• 3.3 VAR计算的具体方法
• 3.3.1 参数法（方差—协方差法）
• 3.3.2 半参数法（semi-parameter）——极值理论（EVT）
• 3.3.3 非参数法——历史模拟法和蒙特卡罗模拟法
• 3.3.4 相关变量的讨论
• 3.3.5 VaR模型的后续检验
• 3.3.6 小结
• 第四章 实验设计
• 4.1 概念模型
• 4.1.1 效用最大化函数
• 4.1.2 交易策略
• 4.1.3 预期价格的形成
• 4.1.4 交易机制
• 4.1.5 学习机制
• 4.2 具体设计
• 4.3 平台选择
• 第五章 实验运行及统计分析
• 5.1 关于实验运行的说明
• 5.2 运行结果及统计分析
• 5.2.1 第1组实验
• 5.2.2 第2组实验
• 5.2.3 第3组实验
• 5.2.4 第4组实验
• 5.2.5 关于尾部讨论的小结
• 5.2.6 VaR模型的准确性检验
• 第六章 结论
• 第七章 创新、不足及展望
• 7.1 本文创新点
• 7.2 本文不足
• 7.3 展望
• 参考文献
• 发表论文和参加科研情况说明
• 致谢