《极值理论在风险价值度量中的应用1)》由会员分享，可在线阅读，更多相关《极值理论在风险价值度量中的应用1)（21页珍藏版）》请在金锄头文库上搜索。
1、 欢迎阅读本文档，希望本文档能对您有所帮助!极值实际在危险代价器量中的应用1、弁言自20世纪70年月以来，金融市场的动摇日益加剧，一些金融危急事情频仍发作，如1987年的“玄色周末”跟亚洲金融危急，这使金融羁系机构跟广阔的投资者对金融资产价值的暴跌变得尤为敏感。金融资产收益率的尖峰、厚尾景象也使传统的正态散布假设遭到严重的质疑，因而怎样无效地描写金融资产收益率的尾部特点，给出其渐进散布方式，及种种危险器量模子的精确估量办法跟相信区间，险器量跟治理所面对的宏年夜应战。依此制订投资战略，断定国度监控轨制，成为风现在，对金融资产丧掉的估量办法要紧包含汗青模仿、拟是一种最庞杂的办法，它应用丧掉的经历散
2、布来近似实在散布，察不到的数据进展外推，更不克不及捕捉金融资产收益序列的动摇率聚类景象，t散布等，再经过火布与样本的参数办法跟非参数办法。汗青模然而该办法不克不及对过来不雅而遭到少量的批评。参数办法假设收益契合某种特定的散布如：正态散布、均值、方差的婚配对参数进展估量，或许是假设收益契合某种特定的进程如：ARMA模子、GARCH模子，该办法能够在必定水平上说明尖峰后尾景象跟动摇率聚类咨询题，存在比拟好的全体拟跟后果。只是参数办法只能对曾经到来的灾害信息给出精确的估量，对于马上到来的灾害信息无奈给出精确的猜测，因而对极其事情的估量缺少精确性。非参数办法那么要紧包含极值实际（EVT），该实际不研讨
3、序列的全体散布状况，只关怀序列的极值散布状况，应用狭义帕累托散布（generalizedParetodistribution）或许狭义极值散布（generalizedextremevaluedistribution）来迫近丧掉的尾局部布状况。DanielssonanddeVries（1997）以7支美国EVT的表示比参数办法跟汗青模仿股票形成的组合为样本比拟种种模子的表示状况，发觉办法分明的好。Longin（2000）以为极值实际的长处在于它的不假设特定的模子，而是让数据自己去选择，而GARCH模子作为估量危险的一种办法，它只能反应事先的动摇率状况，对于不预期到的变更缺少精确性。可怜的是，Le
4、eandSaltoglu（2003）把EVT模子应用到5个亚洲股票市场指数上，发觉表示令人特不不称心，而传统的办法虽然纷歧个在各个但都比EVT模子的表示好。自己以为EVT模子之因而市场表示基本上相对优于其余模子的，在亚洲市场表示不行要紧是因为亚洲金融市场的数据存在非常强的序列相干跟前提异方差现象，不克不及满意EVT模子请求的独破同散布假设。其余，JondeauandRockinger（1999），RootzenandKluppelberg（1999），Neftci（2000），GilliandKellezi（2003）跟ChristoffersenandGoncalves（2004）也分不采纳
5、极值道理跟其余模子对金融数据的尾部特点进展了剖析跟比拟。 感谢阅读本文档，希望本文档能对您有所帮助!本章在传统纯真采纳极值实际（假设被剖析数据是独破同散布的）部特点的根底上，把ARMA(Asymmetric)GARCH模子跟极值实际无机的联合起来。起首应用ARMA(Asymmetric)GARCH模子捕捉金融数据中的序列自相干（Correlation）跟异方差（Heteroskedasticity）景象，应用GMM估量参数，取得近似独破同散布的残差序列，ARMA(Asymmetric)GARCH模子挑选处理过的残差进展极值剖析，在必定水平上克制了传统纯真采纳极值实际时，描绘金融资产收益尾再采纳
6、传统的极值实际对经过因为金融数据序列自相干跟动摇率聚类景象不克不及满意极值实际假设所形成的估量偏差。其余，本章还采纳Bootstrap的办法给出了采纳极值实际估量出的VaR跟ES在某一相信水平下的相信区间改良了采纳似然比率最初，咱们应用中国上证指数自法估量相信区间时，因为极值事情的小样本所形成的偏差。1990年12月19到2004年9月30日的对数日收益率进展实证研讨给出上证指数的ES值，及相信区间。VaR跟2、VaR跟ES的不雅点：VaR（ValueatRisk）是一种被普遍承受的危险器量东西，2001年的巴塞耳委员会指定VaR模子作为银行规范的危险器量东西。它能够界说为在必定的相信水平p下
7、，某一资产或投资组合在将来特准时辰内的最年夜丧掉，或许说是资产组合收益丧掉散布函数的分位数点。假设X代表某一金融资产的收益，其密度函数为f(x)，那么VaR能够表示为：VaRpinfx|f(Xx)(1p)（1）11当密度函数f(x)为延续函数是也能够写作：称为分为数函数，VaRpF(p)，此中F它被界说为丧掉散布F(x)的反函数。该模子盘算庞杂，在证券组合丧掉X契合正态散布，VaR模子只关怀组合中的证券数目不发作变更时，能够比拟无效的操纵组合的危险。然而超越VaR值的频率，而不关怀超越VaR值的丧掉散布状况，且在处理丧掉契合非正态散布（如后尾景象）及投资组合发作改动时表示不动摇，会呈现VaR(
8、XY)VaR(X)VaR(Y)（2）的景象，不满意Artzner（1999）提出了分歧性危险器量模子的次可加性。ES(p)（Expectedshortfull）满意Artzner（1999）提出的次可加性、齐次性、枯燥性、平ppp移稳定性前提，是分歧性危险器量模子。它的界说如下：在给定的相信水平p下，设X是描绘证券组合丧掉的随机变量，F(x)PXx是其概率散布函数，令1能够表示为：F()infx|F(x)，那么ES(X)11p1ES(p)(X)F()d（3）p0在丧掉X的密度函数是延续时，ES(p)能够庞杂的表示为：ESpEx|F(x)(1p)。本章将分不选用这两个模子来器量金融资产的危险，办
9、法跟相信区间。给出在修改过的极值模子下，其估量的3.ARMA(Asymmetric)GARCH模子3.1ARMA(Asymmetric)GARCH模子的性子ARMA(p,q)模子：pqytyt（4）iijtjti1j12此中，是希冀为0，方差为常数的独破同散布随机变量，ARMA(p,q)模子在可逆的t状况下能够表示为AR()。该模子假设y的前提希冀是可得的，前提方差为常数，平日可t以用来说明时辰序列的相干性，并能够对时辰序列进展的短期猜测。然而该模子前提方差为常数的假设，使其无奈无效的说明在金融时辰序列中常常被不雅看到的动摇率聚类景象，为此，咱们需求在模子中进一步引入GARCH模子。2ht是咱
10、们令01zh，此中z是希冀为，方差为常数，的独破同散布随机变量，ttttt在t时辰的前提方差。这里咱们采纳平日应用的最庞杂的GARCH(1,1)模子，那么前提方差可2222以表示为：hta0a1bh，GARCH(1,1)模子也能够表示成平方误的方式：t1t1t222222a0(a1b)b(ht)(h)（5）tt1t11tt222的ARMA(1,1)。此中E(h)|Ft)0，因而GARCH(1,1)模子实质上是平方误tt1tGARCH(1,1)模子的引入不只能够捕捉到金融时辰序列的动摇率聚类景象，并且能够在一定水平上改良z尖峰后尾景象，因为t4444EztEEztEhttkh4kz4（6）222
11、22222(E)(Ez)(Eh)(Ez)tttt此中k跟k分不表示h跟z的峰度，h的峰度分明年夜于即是z的峰度。h4z4tttt其余，在金融序列中咱们还能够分明的不雅看到，动摇率正偏向变更与收益率负偏向变动的相干性年夜于与收益率正偏向变更的相干性，一种能够的说明是收益率的负偏向变更会加年夜动摇幅度。而GARCH(1,1)模子以为收益的正偏向变更跟负偏向变更对动摇率变更幅度有着一样的妨碍，为了捕捉金融序列动摇率变更的这一错误称性，咱们引入需求Glostenetal（1993）提出的非对称GARCH(1,1)模子：2222bhthta0a1asgn(2)（7）t1t1t110xx0此中sgn(，在
12、那个模子中咱们经过项来捕捉收益率)sgn(z)tasgn(2tt110的正负变更对动摇率变更的差别妨碍，假如收益率的动摇与收益率动摇率的变更像咱们下面所预期的那样，那么a20。如此咱们就掉掉了ARMA(Asymmetric)GARCH模子pqytiytijtjti1j1zhtt（8）t222ht2122a0(a1asgn(2t1)b)t1b(t1)(th)tt3.2、ARMA(Asymmetric)GARCH模子的参数估量：咱们明白在前提正态散布的假设下，能够非常轻易的应用ARMA(Asymmetric)GARCH)的估量值，此中)，p模子的似然函数，给出参数向量(a,a,a,b,(,0121
13、(,)。即便在金融收益率序列残差不满意前提正态散布的状况下，q应用正态极年夜1似然估量法，依然能够掉掉参数的分歧渐进正态非最小方差估量。然而如此咱们掉掉的残差EVT尾部估量的输出变量，它的无效性将会z将有非常年夜的偏差，而z是咱们下一步进展tt直截了当妨碍咱们全部的估量后果，为此咱们必需寻寻一个更无效的估量办法。GMM（GeneralizedMethodofMoments）狭义矩估量恰恰能够满意咱们的请求，它不需求假设Skoglund（2001）“AsimpleefficientGMMz契合任何散布，只要求z的前提矩。在ttestimatorofGARCHmodels”给出了该估量办法的盘算进程跟收敛状况。下面给去估量的步骤：22起首，界说一个行向量是东西变rt,(h)跟狭义向量gtIr，此中Itttttt量，那么参数的GMM估量能够经过下式掉掉：TT111minTgWTTg（9）ttt1t1T1此中WT是一个恰当的权重矩阵。TWtt
