• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx

      g-VaR算法與上證綜指收益率檢驗(yàn)

      2021-12-30 14:54:20胡博,王麗莉
      關(guān)鍵詞:上證綜指置信區(qū)間正態(tài)分布

      胡博,王麗莉

      摘要:設(shè)計(jì)一種基于GARCH(1,1)模型的改進(jìn)VaR算法(簡(jiǎn)稱g-VaR).g-VaR將GARCH(1,1)模型引入VaR值計(jì)算,描述上證綜指收益的波動(dòng)性和尖峰厚尾特征.實(shí)證數(shù)據(jù)表明,g-VaR能很好地檢驗(yàn)上證綜指收益率,預(yù)測(cè)上證綜指風(fēng)險(xiǎn),模型有效.

      關(guān)鍵詞:GARCH(1,1)模型;VaR算法;波動(dòng)性;預(yù)測(cè)

      [中圖分類號(hào)]F830.91[文獻(xiàn)標(biāo)志碼]A

      g-VaR Algorithm and Yield Test of Shanghai Composite Index

      HU Bo,WANG Lili

      (School of Economics and Management,Mudanjiang NormalUniversity,Mudanjiang 157000,China)

      Abstract:An improved var algorithm (g-VaR) based on GARCH (1,1) model is designed.g-VaR introduces GARCH (1,1) model into VaR value calculation to describe the volatility of Shanghai Composite Index Return and the characteristics of peak and thick tail.Empirical data show that g-var can better test the yield of Shanghai Composite Index and predict the risk of Shanghai Composite Index,and the model is effective.

      Key words: GARCH (1,1) mode;VAR algorithm;volatility;prediction

      商業(yè)銀行、證券市場(chǎng)和金融衍生品市場(chǎng)常用VaR值作為風(fēng)險(xiǎn)管理、市場(chǎng)風(fēng)險(xiǎn)預(yù)測(cè)、風(fēng)險(xiǎn)測(cè)量和產(chǎn)品定價(jià)的工具.上證綜指收益具有序列相關(guān)性、波動(dòng)叢聚性、收益厚尾性等特點(diǎn),這使得傳統(tǒng)的風(fēng)險(xiǎn)測(cè)算方法不完全適用于預(yù)測(cè)上證綜指的風(fēng)險(xiǎn).本文提出一種改進(jìn)的VaR算法,通過(guò)描述上證綜指收益的波動(dòng)性和尖峰厚尾特征,檢驗(yàn)上證綜指收益率,預(yù)測(cè)上證綜指風(fēng)險(xiǎn).

      1VaR算法

      1.1方差-協(xié)方差法

      假設(shè)資產(chǎn)價(jià)值的變化與其風(fēng)險(xiǎn)因素報(bào)酬是線性的,風(fēng)險(xiǎn)因素報(bào)酬需滿足多元正態(tài)分布,根據(jù)方差-協(xié)方差矩陣可以對(duì)收益的分布進(jìn)行估計(jì).方差-協(xié)方差法對(duì)線性金融資產(chǎn)的求解問(wèn)題可以轉(zhuǎn)化為對(duì)資產(chǎn)損失均值和標(biāo)準(zhǔn)差求解.Morgan J P's RiskMet-rics模型是較經(jīng)典的用方差-協(xié)方差法計(jì)算VaR值的方法,通過(guò)推導(dǎo),可以得到既定置信水平下的VaR值公式:

      VaR=Zα*σ*P0.

      其中,Zα是標(biāo)準(zhǔn)正態(tài)分布下的σ分位數(shù),P0是資產(chǎn)的初始市場(chǎng)價(jià)值.

      計(jì)算給定測(cè)試窗口期內(nèi)兩個(gè)不同置信區(qū)間的VaR值.測(cè)試時(shí)間段:2011年1月14日交易日開(kāi)始,2014年最后一個(gè)交易日結(jié)束,共計(jì)962個(gè)交易日.基于2011年1月14日之前的250個(gè)交易日的數(shù)據(jù),估算當(dāng)天的VaR值.VaR值的置信區(qū)間分別為95%和99%時(shí)對(duì)應(yīng)的P值,對(duì)應(yīng)這兩個(gè)置信區(qū)間,至多有5%和1%的情況下?lián)p失會(huì)大于估算的VaR值.

      假設(shè)資產(chǎn)損益服從正態(tài)分布,在95%和99%置信區(qū)間計(jì)算出VaR值.當(dāng)天的VaR值是基于過(guò)去的250個(gè)交易日的數(shù)據(jù),不包括當(dāng)天的數(shù)據(jù)(圖1).采用方差-協(xié)方差法計(jì)算VaR的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)便,缺點(diǎn)是回報(bào)率必須滿足正態(tài)分布的假設(shè).

      1.2歷史模擬法

      歷史模擬法是采用歷史收益計(jì)算各風(fēng)險(xiǎn)因子在過(guò)去一段時(shí)間的分布和變化,找出風(fēng)險(xiǎn)因子與資產(chǎn)組合價(jià)值之間的對(duì)應(yīng)關(guān)系,通過(guò)映射關(guān)系模擬資產(chǎn)組合在未來(lái)的損益分布,得到既定置信水平下的最低收益,計(jì)算VaR值.

      歷史模擬法無(wú)需假設(shè)資產(chǎn)回報(bào)率服從某一特定的分布,假設(shè)以往的損益能夠繼續(xù)用來(lái)反映下一期間的損益分布情況,當(dāng)天的VaR值對(duì)應(yīng)的是過(guò)去N個(gè)歷史回報(bào)率中第P個(gè)分位點(diǎn)的值.用2011年1月14日之前的250個(gè)交易日的數(shù)據(jù),估算之后962個(gè)交易日當(dāng)天的VaR值(圖2).可以看出,VaR值相對(duì)穩(wěn)定,這是因?yàn)殡S著時(shí)間的推移,只有當(dāng)新的極端事件進(jìn)入獲取樣本的窗口期時(shí),才有可能導(dǎo)致相應(yīng)分位點(diǎn)的VaR值變化.當(dāng)市場(chǎng)發(fā)生波動(dòng)時(shí),這種方法算出的VaR值不能立刻將這些波動(dòng)反映出來(lái).標(biāo)準(zhǔn)的歷史模擬法假設(shè)歷史的每一天影響都占有相同權(quán)重,且這種影響是永遠(yuǎn)不變的,這要求預(yù)測(cè)者要人為判定一個(gè)時(shí)間跨度,具有很強(qiáng)的主觀性,顯然是不合理的.歷史模擬法的優(yōu)點(diǎn)是各方面限制條件少,不研究資產(chǎn)收益分布,不設(shè)置參數(shù),不考慮尖峰厚尾,應(yīng)用簡(jiǎn)便,且可以處理非線性組合;缺點(diǎn)是計(jì)算的隨意性較大,樣本數(shù)量的大小會(huì)直接影響VaR計(jì)算的精確性,且容易遺漏對(duì)極端事件的預(yù)測(cè).

      1.3蒙特卡洛模擬(Monte Carlo simulation,MCS)法蒙特卡洛模擬方法需要選擇適當(dāng)?shù)碾S機(jī)模型利用計(jì)算機(jī)大量模擬出風(fēng)險(xiǎn)因子未來(lái)的變化路徑,運(yùn)用估值公式算出每條對(duì)應(yīng)路徑的資產(chǎn)價(jià)值,反復(fù)重復(fù)模擬過(guò)程,盡可能多地模擬風(fēng)險(xiǎn)因子的變化路徑并估算相應(yīng)資產(chǎn)價(jià)值,使估計(jì)的結(jié)果更加接近資產(chǎn)未來(lái)?yè)p益分布,最后算出VaR值.[1]蒙特卡洛模擬法的優(yōu)點(diǎn)在于其不受資產(chǎn)的歷史收益分布制約,也不受限于線性假設(shè)、正態(tài)分布等假設(shè);缺點(diǎn)是依賴模型設(shè)計(jì),存在模型風(fēng)險(xiǎn),計(jì)算機(jī)模擬易產(chǎn)生偽隨機(jī)數(shù),使計(jì)算結(jié)果產(chǎn)生偏差.

      2改進(jìn)的VaR算法

      股市收益存在自身的特點(diǎn),這些特點(diǎn)使得上述三種方法計(jì)算VaR值都具有一定局限性.Engle建立了ARCH模型,它能夠持續(xù)處理金融時(shí)間序列的異方差性,刻畫金融資產(chǎn)的波動(dòng)性,從而更好地?cái)M合資本市場(chǎng)的特征.[2]ARCH模型通過(guò)自回歸過(guò)程描述干擾項(xiàng)的方差序列,如果序列殘差被證實(shí)存在自相關(guān)性,還需嵌入ARMA模型(即在均值方程中加入滯后項(xiàng))來(lái)消除金融時(shí)間序列的相關(guān)性.ARCH模型設(shè)定為:

      rt=c+et;et~N(0,S2t).(1)

      Var(et)=γ+α1e2t-1+α2e2t-2+…+αpe2t-p.(2)

      αt=σtεt.(3)

      其中,干擾項(xiàng)et是一個(gè)獨(dú)立同分布的隨機(jī)變量序列,滿足均值為0、方差為s2t的正態(tài)分布.

      由于ARCH模型在描述資產(chǎn)收益率的波動(dòng)時(shí)對(duì)參數(shù)要求極為嚴(yán)苛,為了適應(yīng)參數(shù)數(shù)量難以解決的問(wèn)題,Bollerslev提出GARCH模型,舍棄e2t-1,采用σ2t.GARCH(p,q)模型減少了ARCH的待估參數(shù)量,使計(jì)算的準(zhǔn)確性大大提高.[3]GARCH模型最常用的一種建模是GARCH(1,1)模型[4]:

      rt=c+et.(4)

      σ2t=α0+α1α2t-1+β1σ2t-1.(5)

      Bollerslev提出對(duì)干擾項(xiàng)采用T分布更能刻畫金融序列尖峰厚尾的特征.T假設(shè)下的GARCH(1,1)模型設(shè)定為:

      rt=c+et;et~T(k).(6)

      σ2t=α0+α1α2t-1+β1σ2t-1.(7)

      其中,干擾項(xiàng)et服從k個(gè)自由度的T分布.

      3數(shù)據(jù)選取與分析

      結(jié)合上證股票收益的厚尾、波動(dòng)性等特征,引入GARCH(1,1)進(jìn)行VaR估值,應(yīng)用stata14.0和matlab R2021a軟件進(jìn)行統(tǒng)計(jì)分析.

      3.1描述性統(tǒng)計(jì)與分布特征

      選擇日連續(xù)復(fù)合收益率,將收盤價(jià)的自然對(duì)數(shù)取一階差分:

      rt=lnPt-lnPt-1.(8)

      其中,rt代表t日上證綜指日連續(xù)復(fù)合收益率,Pt是t日上證綜指收盤價(jià).

      本研究樣本起止時(shí)間為2010年1月4日至2014年12月31日,共計(jì)1 212個(gè)交易日的上證綜指收盤價(jià),通過(guò)公式(8)計(jì)算其收益率.圖3描述了這段時(shí)間上證綜指收益率波動(dòng)情況.可以看出,其收益率在-0.06~0.05波動(dòng),波動(dòng)較大時(shí),收益虧損曾4次低于-0.05,而正收益只有3次超過(guò)0.04;上證綜指收益率還表現(xiàn)出較弱的波動(dòng)叢聚性,即收益率的小幅波動(dòng)跟隨小幅波動(dòng),大幅波動(dòng)跟隨大幅波動(dòng).

      表1描述性統(tǒng)計(jì)結(jié)果顯示,相對(duì)于標(biāo)準(zhǔn)正態(tài)分布(峰度是3,偏度是0),上證綜指收益嚴(yán)重左偏(偏度-0.291 3<0),說(shuō)明收益率低于均值的時(shí)間超過(guò)收益率高于均值的時(shí)間,這是較貼合實(shí)際的.因?yàn)?008年全球金融危機(jī)后,全球股市低迷,我國(guó)股市也受到影響,2008年之后的最初幾年,上證股票都處于震蕩調(diào)整時(shí)期,收益率偏低;峰度5.113>3反映了收益率相對(duì)正態(tài)分布的尖峰特征.為使論述更為嚴(yán)密,應(yīng)用Kolmogorov-Smirnov檢驗(yàn)和Jarque-Bera type檢驗(yàn)考察上述結(jié)論.

      K-S檢驗(yàn)和J-B檢驗(yàn)上證綜指收益是否服從標(biāo)準(zhǔn)正態(tài)分布,K-S檢驗(yàn)結(jié)果為0.053,P值為0.002,在5%顯著水平下拒絕服從正態(tài)分布;J-B檢驗(yàn)結(jié)果(表2)無(wú)論是峰度、偏度還是聯(lián)合檢驗(yàn),都在1%水平,顯著拒絕服從正態(tài)分布,驗(yàn)證了上證綜指日連續(xù)復(fù)合收益率分布的非正態(tài)性.

      3.2模型設(shè)定

      基于上證綜指的各種特征,筆者用GARCH(1,1)模型計(jì)算VaR.首先,對(duì)殘差進(jìn)行序列相關(guān)性檢驗(yàn),如果殘差不具有序列相關(guān)性,則只需要考慮GARCH模型,否則需要嵌入ARMA模型來(lái)消除序列的相關(guān)性.ARMA過(guò)程檢驗(yàn)結(jié)果P值為? 0.788 8,說(shuō)明加入ARMA過(guò)程前后結(jié)果不存在顯著區(qū)別,接受原假設(shè),即不需要嵌入ARMA過(guò)程,可以直接用ARCH模型.其次,對(duì)數(shù)據(jù)進(jìn)行異方差A(yù)RCH效應(yīng)檢驗(yàn).對(duì)殘差滯后1階到滯后20階進(jìn)行ARCH效應(yīng)檢驗(yàn).結(jié)果顯示,在5%的顯著性水平上不能拒絕原假設(shè),可認(rèn)為不存在ARCH效應(yīng),說(shuō)明所選樣本期的波動(dòng)叢聚性較弱,故只需要考慮GARCH模型.考慮用T假設(shè)替換正態(tài)分布假設(shè),并檢驗(yàn)替代前后模型結(jié)果是否發(fā)生顯著差異.使用LR檢測(cè),顯示結(jié)果P值為0.000 0,拒絕原假設(shè),說(shuō)明T假設(shè)下的GARCH模型與正態(tài)假設(shè)下的GARCH模型差異顯著.使用信息準(zhǔn)則檢測(cè),顯示T假設(shè)下aic值為-7 410.4,小于正態(tài)假設(shè)下aic值-7 335.2;T假設(shè)下bic值為-7 384.9,小于正態(tài)假設(shè)下bic值-7 314.8.說(shuō)明T假設(shè)下的GARCH(1,1)模型效果更好.

      使用GARCH(1,1)模型進(jìn)行回歸,得到T統(tǒng)計(jì)量自由度為4.967 3≈5,驗(yàn)證T(1)分布下的GARCH(1,1)和T(5)分布下的GARCH(1,1)是否存在顯著差異.設(shè)定T的自由度為5,求出T(5)的極大似然值為3 710.187;T(1)的極大似然值為3 710.188,用似然比檢驗(yàn)結(jié)果,得到P值為0.965 4,說(shuō)明使用T(1)分布下的GARCH(1,1)和T(5)分布下的GARCH(1,1)得到的結(jié)果差異不顯著,可以用T(1)分布下的GARCH(1,1)模型來(lái)簡(jiǎn)化計(jì)算.

      表3顯示了模型的回歸結(jié)果,得到以下回歸方程:

      rt=0.000 078+et.(9)

      σ2t=0.000 001 56+0.025 7α2t-1+0.965α2t-1.(10)

      其中,rt=lnPt-lnPt-1,參數(shù)α1+β1=0.025 7+0.965=0.990 7<1,滿足約束條件,模型有效,可用于上證綜指的分析與預(yù)測(cè).

      4VaR值的計(jì)算與回測(cè)

      考慮到2008年金融危機(jī)及其后續(xù)影響,股市的波動(dòng)較劇烈,若選取的檢驗(yàn)期過(guò)長(zhǎng),可能會(huì)破壞樣本的一致性,故本文選取2011年1月14日之前的250個(gè)交易日上證綜指日收盤價(jià)的觀測(cè)值作為測(cè)試窗口期,從2011年1月14日到2014年最后一個(gè)交易日作為測(cè)試時(shí)間段(檢驗(yàn)樣本數(shù)據(jù)共計(jì)962個(gè))來(lái)估算當(dāng)天的VaR值.

      本文用三種方法計(jì)算了在給定測(cè)試窗口期內(nèi)兩個(gè)不同置信區(qū)間的VaR值,再通過(guò)VaR值回測(cè)評(píng)估不同VaR值計(jì)算方法.假如置信區(qū)間為95%,那么理論上應(yīng)該只有5%的當(dāng)日實(shí)際損失超過(guò)VaR值,且這5%的情況不應(yīng)該聚集在某一特定時(shí)間.倘若損失超過(guò)VaR值的情況集中出現(xiàn)在某一時(shí)段,則表明這5%的情形并非在時(shí)間上是相互獨(dú)立的,而且常用的計(jì)算方法得出的VaR值應(yīng)該是對(duì)于市場(chǎng)的變化反映比較緩慢(置信區(qū)間為99%時(shí)情況相同).

      本文分別把95%和99%的置信區(qū)間下的三種方法算出的VaR值以及相應(yīng)時(shí)間的回報(bào)率畫在同一個(gè)圖中進(jìn)行對(duì)比,見(jiàn)圖4和圖5.

      圖4和圖5表明,當(dāng)回報(bào)率出現(xiàn)負(fù)值的時(shí)候,損失才可能會(huì)超過(guò)VaR值.T假設(shè)下GARCH(1,1)法計(jì)算的VaR值在這個(gè)時(shí)段內(nèi)更加貼近也更準(zhǔn)確地反映了回報(bào)率的趨勢(shì).因此,在采用T假設(shè)GARCH(1,1)法計(jì)算時(shí),資產(chǎn)的損失較少有突破VaR值的情況.

      5結(jié)論

      設(shè)計(jì)一種基于GARCH(1,1)模型的改進(jìn)VaR算法(簡(jiǎn)稱g-VaR).g-VaR將GARCH(1,1)模型引入VaR值計(jì)算,描述上證綜指收益的波動(dòng)性和尖峰厚尾特征,采用T假設(shè)下的GARCH(1,1)模型計(jì)算VaR值.回測(cè)檢驗(yàn)結(jié)果顯示,g-VaR能更好地檢驗(yàn)上證綜指收益率,預(yù)測(cè)上證綜指風(fēng)險(xiǎn),模型有效.

      參考文獻(xiàn)

      [1]尤赟來(lái).基于歷史模似法和M-C方法的VaR算法改進(jìn)[D].上海:復(fù)旦大學(xué),2013.

      [2]Engle R.F.Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of UK Inflation[J].Eco- nometrica,1982(50):987-1008.

      [3]Bollerslev T.Generalized Autoregressive Conditional Heteroskedasticity[J].Journal of Econometrics,1986(31):307-327.

      [4]張培,王晶晶,高顯彩.基于自回歸條件異方差 (ARCH) 族模型的收益率波動(dòng)性分析[J].洛陽(yáng)理工學(xué)院學(xué)報(bào):自然科學(xué)版,2021(31):83-92.

      [5]謝婉婷,谷偉.基于Bootstrap中位數(shù)—方差估計(jì)方法的改進(jìn)EM算法的VaR度量及實(shí)證[J].現(xiàn)代商業(yè),2018(24):164-165.

      [6]尹向東,宿成建,劉星.滬深股市波動(dòng)性的杠桿效應(yīng)和不對(duì)稱波動(dòng)性研究[J].科技管理研究,2005(10):173-175.

      [7]程子晉,谷偉.基于核密度估計(jì)對(duì)VaR值計(jì)算方法的改進(jìn)[J].統(tǒng)計(jì)與決策,2017(16):32-35.

      [8]熊偉,霍玉洪,胡茂林.中國(guó)股票市場(chǎng)收益率的R/S分析[J].牡丹江師范學(xué)院學(xué)報(bào):自然科學(xué)版,2009(3):1-3.

      編輯:吳楠

      猜你喜歡
      上證綜指置信區(qū)間正態(tài)分布
      定數(shù)截尾場(chǎng)合三參數(shù)pareto分布參數(shù)的最優(yōu)置信區(qū)間
      p-范分布中參數(shù)的置信區(qū)間
      多個(gè)偏正態(tài)總體共同位置參數(shù)的Bootstrap置信區(qū)間
      列車定位中置信區(qū)間的確定方法
      基于對(duì)數(shù)正態(tài)分布的出行時(shí)長(zhǎng)可靠性計(jì)算
      正態(tài)分布及其應(yīng)用
      全球主要指數(shù)走勢(shì)點(diǎn)評(píng)
      全球主要指數(shù)走勢(shì)點(diǎn)評(píng)
      上證綜指
      正態(tài)分布題型剖析
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      辰溪县| 海丰县| 平湖市| 阳高县| 屏山县| 车致| 徐闻县| 综艺| 开原市| 巴东县| 德庆县| 云霄县| 淳安县| 汤阴县| 青州市| 洛南县| 手游| 青州市| 儋州市| 长沙市| 应用必备| 华容县| 台湾省| 湖北省| 南宫市| 邯郸市| 兴和县| 贞丰县| 崇义县| 都兰县| 三台县| 崇左市| 浪卡子县| 绥化市| 县级市| 韶关市| 永安市| 遂昌县| 岱山县| 商城县| 晋中市|