论文部分内容阅读
大量研究表明金融资产收益率序列数据具有尖峰厚尾,非对称及波动集聚等特性,传统的以金融市场收益率分布服从正态分布的假设严重低估了实际风险。为了提高风险度量的精确性,大量学者提出采用极值理论EVT (Extreme Value Theory)来进行风险度量,该方法仅对数据的尾部进行建模,不对数据的整体分布做任何假设,突出了对尾部风险的刻画,有利于捕捉市场的极端风险状况。由此本文采用极值理论中的POT (Peaks Over Threold)模型结合其它波动率模型对原始收益率序列进行动态风险度量。目前金融市场最常用的风险管理方法仍然为VaR (Value at Risk),由于该方法不满足一致性、未考虑超出VaR后的市场风险等,使得仅仅应用该方法来进行风险度量存在较大的缺陷,为了该善VaR在风险度量方面的缺陷,本文将ES (Expected Shortfall)方法作为风险度量的有效工具来拟补VaR方法的缺陷。观察投资者的投资行为能够发现,一般的投资者均会将资金分散投资于不同资产上,即进行组合投资,很少有投资者将其所有资金全部注入单一资产。而不同资产之间的相关结构对于组合投资的研究变得极其重要,Copula函数作为描述资产间相关结构的强有力工具,使得其在投资组合风险价值的分析中得到广泛应用。基于以上分析,本文的研究工作将从以下几方面展开：1)采用TARCH模型过滤原始收益率数据得到其标准收益率数据,分别采用常用的正态分布、t分布、广义误差分布、偏t分布及基于POT模型的广义帕累托分布GPD(Generalized Pareto Distribution)拟合过滤后的标准收益率序列,并得到其动态VaR测度。在VaR的基础上进一步推导出不同分布下的ES测度公式,进一步得到其动态ES测度。然后分别实证对比沪深序列不同分布下的动态VaR、ES回测效果,证明POT模型在单维资产风险价值测度方面的优越性。2)采用JC-Copula函数连接标准收益率序列的边缘分布,分别假设其边缘分布为正态分布、t分布等,得到边缘分布服从不同形式下的动态VaR及ES测度。再分别实证对比沪深序列组合投资在不同分布下的动态VaR、ES回测效果,证明POT模型在多维资产风险价值测度方面的优越性。对沪深序列单维资产及由其组成的投资组合的动态VaR, ES回测检验表明：ES方法较VaR方法更为稳健,且TARCH-GPD及JC-Copula-TARCH-GPD模型取得优于其它模型的动态ES回测效果。本论文是国家自然科学基金资助项目《基于已实现测量非参数方法的金融资产跳跃行为研究》(NO.71171056)的阶段性研究成果。