多元t分布的尾部性质及其在股票市场的应用

研究多元t分布的厚尾性和尾部相依性,并用股票市场的真实数据来估计尾部相依系数,从而说明在金融市场尤其是股票市场中,用多元t分布来模拟数据比用多元正态分布更合理。     

Realized GAS-GARCH及其在VaR预测中的应用

论文提出了新的波动率模型Realized GAS-GARCH,并推导了该模型的QMLE参数估计.该模型结合了Generalized Autoregressive Score (GAS)模型的基本思路,把Realized GARCH 模型扩展到包含厚尾分布的情形,并采用了与厚尾分布参数相依的冲击响应函数.与简单的厚尾分布扩展模型相比,这种设定对于回报率中的极端值更加稳健.在基于沪深300指数高频数据的实证结果中,使用GAS冲击响应函数的模型对“在险价值”VaR的预测能力显著的超过了传统的厚尾Realized GARCH模型.     

基于EVT-POT-FIGARCH的动态VaR风险测度

金融实践中,金融资产回报不仅具有厚尾性、波动的异方差性两大特点,而且其波动表现出明显的长期记忆性。本文利用FIGARCH模型处理波动异方差性和长期记忆性、EVT-POT方法捕捉回报分布厚尾的优势,提出了能反映厚尾性、异方差性和长期记忆性的金融风险度量模型——基于EVT-POT-FIGARCH的动态VaR模型,并用中国股票市场的沪深300指数和上证综合指数的每日收盘价进行实证分析。结果表明,模型能较好地处理这两个指数回报序列的三大特点,更准确地度量其VaR风险。     

中国股指收益率的非对称拉普拉斯分布实证检验

应用非对称拉普拉斯分布拟合沪深两市股指日、周收益率数据。研究结果表明:非对称拉普拉斯分布能够比正态分布更好地反映两市股指的日、周收益率数据的尖峰、厚尾、偏态特征。由于非对称拉普拉斯分布有显性的表达式,便于开展参数估计和数字特征的计算,因此对于股指期货投资者而言,在计算股指收益率的VaR、CVaR进行风险测量时,采用非对称拉普拉斯分布将是较好的选择。     

高维厚尾金融数据协方差阵的统计估计及应用

近年来,关于高维协方差阵估计的研究大多是在正态分布的假定下进行的,少有研究考虑金融数据的厚尾特征对协方差阵估计的影响。在提出新方法估计厚尾金融海量数据协方差阵的基础上,先引入乔列斯基分解法,将复杂的协方差阵估计问题转化为一系列的回归模型;再在回归模型的估计过程中引入RA-Lasso方法,使其在解决维数诅咒的同时,还考虑由于数据的厚尾特征而引起的估计偏差问题;通过模拟和实证研究发现,新的方法明显提高了协方差阵的估计效率,并且使投资者获得了更高的收益。     

厚尾分布情形下的信用资产组合风险度量

本文研究风险因子多元厚尾分布情形下的信用资产组合风险度量问题.用多元t-Copula分布来描述标的资产收益率分布的厚尾性,同时将三步重要抽样技术发展到基多元t-Copula分布的资产组合模型中,拓宽和丰富了信用资产组合风险度量模型.同时,并运用了非线性优化技术中的Levenberg-Marquardt算法来解决重要抽样技术中风险因子期望向量估计.模拟结果表明该算法比普通Monte Carlo模拟法的计算效率更有效,且能很大程度上减少所要估计的损失概率的方差,从而更精确地估计出信用投资组合损失分布的尾部概率或给定置信度下组合VaR值.     

基于EVT-POT-SVt模型的风险度量研究

金融资产收益常因金融市场的剧烈波动而产生异常变化,针对其收益的厚尾性、波动的异方差性等特征,采用基于Markov链的Monte Carlo模拟积分方法对随机波动模型进行参数估计并取得标准残差序列,应用极值理论与SVt模型相结合,建立了基于EVT-POT-SVt的动态VaR模型。通过对上证综指收益做实证分析,结果表明:该模型能很好地刻画收益序列的波动性及尾部分布特征,在度量上证综指收益的风险方面合理而有效。     

FIEGARCH-EVT-ES风险测度及在期货市场的应用

构建了FIEGARCH-EVT-ES风险测度模型,并将其应用于期货市场风险度量。FIEGARCH能捕捉资产收益的条件异方差、波动的长记忆性以及对正负信息反应的非对称性;极值理论（EVT）能处理资产收益的厚尾性;期望损失ES是一致性风险测度,可有效弥补VaR无法考察超过分位数信息的缺陷。以上海期货交易所铜期货为例验证了模型的有效性,并与GARCH-N-VaR模型进行比较分析,结果表明,GARCH-N-VaR低估了风险,FIEGARCH-EVT-ES预测效果较好,同时也不会使预测结果过于保守,从而过高估计风险。     

中国股市收益率分形特征的实证研究

文章运用STABLE 软件对沪深股市收益率进行了实证研究,结果表明股票收益率分布具有明显的尖峰厚尾的分形特征。与传统的正态分布相比,分形分布能够更好地处理这类问题。这对进一步的投资组合研究具有很重要的意义。     

基于EVT-POT-SV模型的极值风险度量

金融市场常受各种因素的影响造成剧烈波动,资产收益也会因此产生异常变化。针对金融资产收益的厚尾性、波动的异方差性等特征,采用基于Markov链的Monte Carlo模拟积分方法,对随机波动模型进行参数估计并取得标准残差序列,应用极值理论与随机波动模型相结合,建立了基于EVT-POT-SV的动态VaR模型。通过对上证综指收益做实证分析,结果表明：该模型能很好地刻画收益序列的波动性及尾部分布特征,在度量上证综指收益的风险方面更加合理而有效。