VaR方法及其拓展模型在投资组合风险管理中的应用研究_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
VaR方法及其拓展模型在投资组合风险管理中的应用研究
上传于||文档简介
&&v​a​r​于​风​险​管​理​的​利​用
阅读已结束，如果下载本文需要使用3下载券
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩7页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢 上传我的文档
 下载
 收藏
桥梁工程专业工程师，硕士学历，擅长桥梁设计，结构有限元分析，岩土分析计算。
 下载此文档
正在努力加载中...
VaR预测模型的比较与实证分析来
下载积分：1250
内容提示：VaR预测模型的比较与实证分析来
文档格式：PDF|
浏览次数：12|
上传日期： 22:48:31|
文档星级：
该用户还上传了这些文档
VaR预测模型的比较与实证分析来
官方公共微信VAR模型及其在投资组合中的应用
一、VAR模型简介
　　1.VAR产生背景及基本概念。近年来随着经济全球化和金融自由化,金融市场的波动性不断加剧,金融工具所蕴含的风险结构越来越复杂,对金融风险的评估和测量水平相应提出了更高的要求。而在所有的金融风险中,金融市场风险具有特殊的地位,不仅所有金融资产都面临着金融市场风险,且金融市场风险往往是其他类型金融风险的基础原因。在这种情况下,产生了一种能全面测量复杂证券组合的市场风险的方法——VAR模型,它是由G-30集团在1993年发表的题为《衍生产品的实践和规则》的报告中首次提出,并迅速得到了广泛的应用。
　　VAR(Value at
Risk)是指正常的市场条件下和给定的置信度内,某一金融资产或证券组合在未来特定的一段时间内的最大可能损失,称为“风险中的价值”或“在险价值”。在VAR模型中,使用金融理论和数理统计理论,把一种资产或组合的各种市场风险归纳起来用一个单一的指标(VAR值)来衡量。例如对于某一金融机构来说,假定其2001年的置信度为95%的日VAR值为500万美元,即说明可以以95%的概率保证,其投资组合在2001年的每一个特定时点上在未来的24小时内,由于市场风险带来的损失不会超过500万美元,再以这一数额与该金融机构的年利润和资本额相对照,则其风险状况即可一目了然。
　　2.VAR计算的基本思想。风险管理一直被称为“金融粒子理论”,即理解风险的第一步就是要将每种金融资产分解为组成它的基本构件,基本构件的风险特征是容易描述的,然后再合并这些基本风险,分析它们的综合效应。VAR模型也是建立在这种思想基础上的,在计算VAR的过程中,其核心是通过风险映射(riskmapping)将某项资产的风险分解为一个或若干个影响其价格变化的基本的市场风险因子,用这些风险因子的变化来描述资产组合的价格变化,vAR计算体系可以表示如下:
　　■(此处有公式或插图)
　　其中风险因子的波动性模型和证券组合的估值模型是计算VAR过程中的关键,波动性模型有历史模拟法、情景分析、RiskMetrics法(JP
Morgan公司,1994)等,估值模型有以金融产品价格和风险因子间的灵敏度为基础的分析法,以及用金融定价公式对金融产品重新定价的模拟法。根据所选择的不同的模型,相应的有不同的VAR计算方法。
　　二、VAR相对于传统金融风险测量方法的特点
　　由于VAR方法是在传统的金融风险测量方法无法满足现实需求的背景下产生的,并且已被全球各主要银行、非银行金融机构、公司和金融监管机构广泛采用显然有它独到之处。相对于方差、β系数(WilliamSharp,1963)等传统测量金融风方法VAR主要有以下一些特点。
　　1.测量的综合性。随着金融产品的多元化,一个投资组合往往是由类型不同的证券所构成,而传统的灵敏度方法(典型的如β系数)只能适用于单一产品、单一风险的风险测量,不能汇总不同市场风险因子、不同金融工具的风险暴露。VAR模型中将投资组合的价值设置为其所有市场风险因子的函数,因此可以度量包括利率风险、汇率风险、股票风险以及商品价格风险和金融衍生产品风险在内的各种市场风险,较准确的测量由不同风险来源及其相互作用而产生的潜在风险。
　　2.结果的直观性。VAR的概念简单明了,将多种市场风险换算成一个用货币计量的指标数值即VAR值,是一个直接可以与收益相配比的数字。而β系数只给出了一个相对的比例概念,没有直接回答组合的损失到底是多大这个问题。同时相对于用方差来描述风险这种方法中没有给出组合发生一定数量损失的概率为多少,VAR给出了一定的置信水平和特定的时间段,并且可以通过调节置信水平,得到不同置信水平上的VAR值,使人们可以明确的知道组合在不同程度上所处的风险状况。
　　三、VAR在投资组合中的应用
　　VAR作为金融市场风险测量的主流方法,在实践中主要有三个不同层次的应用:对交易员或交易组而言,它是进行投资决策时对风险度量的科学方法;对大型的金融机构或基金而言,它是进行资金配置、业绩评价和全面风险控制的有力工具;对金融监管机构而言,它是进行全面风险监控的科学指标。尤其是对于前两者即在金融市场上的实际操作者来说,有必要考虑将VAR和投资组合的管理和决策密切联系起来。
　　(一)基于VAR的投资组合管理
　　1.投资观念的变化。VAR的产生对于投资组合的影响,首先体现在它使得人们的投资观念发生了很大的变化,在投资过程中应用VAR对投资对象在事前进行风险测量。由于在VAR模型中,不同的置信水平对应于不同的VAR值,投资者可以根据自己对风险的不同偏好来决定投资的策略,调整相应的获利状况。对于厌恶风险的投资者来说,要尽量降低投资风险,则应选择较高的置信水平,以便能锁定风险;对于喜好风险的投资者来说,可以设置较低的置信水平,此时VAR值较低,以利于作出积极的投资策略。其次VAR模型对于交易员追逐利益的过程中所不可避免带来的“道德风险”,提供了很好的解决方法。最典型的就是将VAR应用于RAROC(Risk
Adjusted Return on
Capital,风险调整资本收益率)这种绩效评估指标上,RAROC是资本收益和当期资本VAR的比值。当采用RAROC来进行绩效的评估,就不仅仅是以收益的绝对水平作为判断基础,它同时考虑了收益相对应承担风险的因素。对于一项高风险的投资项目,即使收益很高,但由于分母.VAR较大,那么RAROC就不会很高。这样通过引入VAR,充分权衡了收益和风险的关系,更客观更全面的对投资组合进行评价。
　　2.利用组合的VAR值进行投资组合管理。从风险角度看,投资组合就是一定数量的风险因素持有的组合。现代资产组合理论认为,组合的风险不是组合内各单项资产的加总,而要受到各项资产本身之间价格变动的相关性的影响。在VAR理论中,就充分考虑了这种相关性,从而体现出投资组合分散化对于降低风险的贡献。不同的金融资产都面临着不同的市场风险,它们之间可能存在着密切联系和交叉影响。事实上,每一项具体的市场风险可以分解为一种或几种基本的市场风险因子,VAR方法中就将具体的市场风险转化为一系列单一市场风险因子的组合。比如一家意大利银行拥有一个包括以美元计价的10年期美国长期国债和10年期意大利长期国债的投资组合,那么这个组合所包含的市场风险因子就有美国长期利率、里拉/美元汇率、意大利长期利率,只要这三种风险因子不完全相关,就可以降低组合的风险。当我们假设市场风险因子的变化和组合价值变化间呈线形关系,且风险因子变动和金融资产的收益服从正态分布时,可以给出组合VAR的严格解析形式VA■=■,其中V为组合中单个资产的VAR向量,θ为市场风险因子的相关矩阵即方差-协方差矩阵。从这个式子可以清晰的看到,θ对于降低组合的VAR值起到了关键的作用。在1994年美国0range县政府破产案中,由县财政主管Criton管理的投资组合中包括大额存单、抵押证券、共同基金等多种金融资产,实现了组合资产的多样化,价值76亿美元。在发生巨额亏损前,从表面上看他的投资组合是“谨慎”的,Criton本人也这样认为。但是事实上,在事后计算该投资组合一年期的VAR值则发现,在投资收益服从任意形式分布的情况下,VAR值为11亿美元,在服从正态分布的情况下,VAR值为12亿美元。因此在进行投资组合的管理时,就要在对影响组合中金融资产价格变化的风险因子进行识别的基础上,考察这些风险因子的相关性,从而充分的通过分散化投资降低组合风险。
　　(二)VAR约束下的投资组合决策
　　现代投资理论和投资实践是以经典的Markowits证券组合理论(1952)为基石的,在Markowits的均值-方差模型中,用均值描述期望收益,用方差描述风险,目标函数是寻求风险最小-收益最大的资产组合,事实上关于投资组合的不同理论的差别主要是在于对风险的度量方法的不同,并没有脱离Markowits组合理论的基本框架。因此我们在考虑如何将VAR应用于投资组合决策时,同样离不开Markowits的证券组合理论。
　　目前越来越多的金融机构采用VAR测量市场风险,利用VAR设置头寸限额,监管机构也使用VAR确定风险资本金,这就需要金融机构在投资决策时应满足VAR约束,即在给定的一个VAR范围内,获得一个收益最大化的投资组合。而投资决策的数学本质就是一个带有约束的最优化问题,在Markowits的证券组合理论框架下,可以通过构造VAR约束下的最优均值方差模型来解决这个问题。对于由n种金融资产组成的投资组合x=(■,......,■),其中■,■分别表示第i种和第j种资产在投资组合中的权重,权重之和为1即■=1;组合的期望收益率■是组合中所有资产预期收益率的加权平均值即■■■,组合的方差■是各项资产各自方差与它们之间协方差的加权平均值即■■■■■■。
　　由此经典的Markowits均值-方差模型为:
　　■(此处有公式或插图)
　　■(此处有公式或插图)
　　由该模型的解可以确定投资组合的最小方差边界MVP(Minimum-Variance
Frontier),在如图1所示的C形区间边缘上的资产或资产组合都是在同等收益水平上风险最小的资产组合,即为最优投资组合。现在加上VAR的约束条件,即在置信水平为C的情况下组合的最大损失不能超过VAR,根据VAR的定义可以表示为prob(■&-VAR)≤1-C。
　　此时新的模型即VAR约束下的最优均值-方差模型就是:
　　■(此处有公式或插图)
　　在资产的收益率服从正态分布的情况下,由大树定理,Prob(■&-VAR)≤1-C可以转化为VAR=-[E(■)-■■(c)■],即E(■)=-VAR+■■■,其中Φ是标准正态分布的分布函数。由此,VAR约束条件在图象上就可以表现为一条斜率为■(c)、截距为-VAR的直线,即为市场风险边界。在该直线或其以上的投资组合都可以在C的概率下保证其损失不超过VAR,是满足约束条件的。由图2可见,将最小方差边界MVP和市场风险边界结合起来,投资组合的选择由原MVP内的C形区间缩小到MVP和VAR约束直线之间的区域内(图2中阴影部分),最优投资组合由原MVP边界缩小至弧线AB上。
　　■(此处有公式或插图)
　　该模型将VAR思想和最优投资组合的概念相结合,构造出基于VAR的最优组合,为金融机构将VAR应用于投资组合的管理和决策提供了一种可行的技术方法。由于它是建立在Markowits的均值-方差模型基础之上的,对于长期以来使用传统的均值-方差模型的金融机构而言,该模型具有较高的实用价值。
　　四、我国应用VAR所面临的问题
　　我国已加入WTO,随着利率市场化、资本项目的开放以及衍生金融市场的建立,在投资组合中所包含的金融产品将多样化,所面临的市场风险也将日益复杂化,由于VAR模型具有可以综合度量市场风险的特点,它在我国金融市场将有着广泛的应用空间。如果试图将VAR应用于投资组合的管理和决策,首先应能够利用规范的数理统计方法建立合适的VAR模型,在我国现阶段要做到这一点,主要存在以下几个问题。
　　(一)样本数据有限
　　首先VAR模型是建立在大量的历史数据基础上,由于我国金融市场发展的历史较短,金融体制也不完善,历史数据的质量和数量都有限。如在证券市场上市早的股票也仅10多年,许多股票只有3~5年甚至更短的历史,因此无法得到足够的数据,这是在我国应用VAR模型所面临的最突出的问题之一。其次数据的有效性也值得关注,由于我国股市的不成熟,市场炒作和消息面的引导会引起市场大幅度的波动,数据的这些非正常波动会影响其代表性,从而影响分析和预测结果。
　　(二)风险因子的确定
　　在VAR模型中,首要的一步是对组合中的资产进行风险的分解,从而确定所包含的风险因子。引入的风险因子的个数越多,计算的维数也就越大,因此首先要在精确且完整的反映组合的市场风险与提高运算效率之间进行权衡。
　　国际清算银行在市场风险指导原则中提出,风险因子主要包括货币风险、固定收入证券(利率)风险、股票风险、商品风险这四种基本类型。其中固定收入证券(利率)风险需要由一系列到期时点的现金流来表示。这些现金流是由不同期限的贴现率作为贴现因子来计算的,由于我国未实现利率市场化,给合理估计贴现因子带来了难度。再考察股票风险,一般的可利用资本资产定价模型中的β系数来衡量,而相关实证分析如陈浪南、屈文洲(2000年)对日至日的上海股市的研究表明在我国证券市场中β值与证券收益率的线性关系不清晰且不稳定,这就降低了用资本资产定价方法确定股票风险的有效性。
　　(三)模型的选取
　　由于在计算VAR时使用不同的方法相应会得到不同的结果,在应用VAR时首先要考虑选择哪种方法。关于VAR的计算方法主要有两大类——模拟法和参数法,其中模拟法包括历史模拟法和蒙特卡罗模拟法。
　　历史模拟法是借助于计算过去一段时间的资产组合收益率的频率分布来推算VAR值,它不需要对资产组合价值变化的分布作特定假设。这也导致了该方法的一个重要缺陷,即对所选用的历史样本期间的数据非常敏感,较少的几个极端值会给最终结果带来很大的影响。如上所述,我国证券市场存在数据的有效性问题,如果使用该方法计算VAR值,这种限制就非常明显,在采集历史数据时应着重考虑一些典型的振幅比较大的数据的取舍,以尽量提高模拟的精度,但若忽略了市场的一些不规则变化,一定程度上又会影响模拟的真实度。
　　蒙特卡罗法(Monte Carlo
Method)的原理和历史模拟法相类似,不同之处在于不是根据历史观测值,而是通过模拟市场因子的随机变化来计算几千个不同场景下的收益率。该方法被人为是计算VAR最有效最全面的方法,具有较强的灵活性,相对于历史模拟法,大量的模拟可以弱化我国数据的变化对计算VAR值的影响。同时这也意味着大量的计算,对计算机模拟技术水平的要求很高,所花费的时间也较长。
　　参数法是最为常用的方法,已有许多市场化的软件可供应用,典型的有如JP
Morgan银行的RiskMetrics方法(1994),但我们不能忽视它的重要前提假设,即收益率的正态分布。对于我国证券市场收益率是否服从正态分布的实证分析中,由于样本选取的期间和容量大小不同,得出的结论也有所不同。吴世农、陈斌(1999年)以日至3月5日的深圳股市综合指数和国债为样本的研究表明,在95%的置信水平下,综合指数的周收益率和国债的周收益率都不符合正态分布;杜海涛(2000年)在对日至6月2日的上海股市综合指数和深圳股市综合指数、成分指数的日收益率的分布情况作正态性检验,结果表明在95%的置信水平下三种指数的日收益率服从正态分布,并对4只个股日收益率的分析也表明其服从正态分布。虽然各种局部的实证分析没有一个统一的的结果,但必须认识到我国证券市场起步较晚,市场也有待规范,政府的干预和机构的坐庄行为在一定程度上使得波动具有相关性,这将导致收益率不服从正态分布,事实上即使是在发达国家较为成熟的证券市场,证券收益率也不可能完全满足正态分布。因此使用参数法时应考虑资产收益率的分布偏离正态分布的程度,这是决定它的实用价值的关键之一。
　　以上三种方法在结果的可靠性、对不同假设的适应性和实施的难易程度等方面各有利弊,由于我国目前在VAR的应用领域还是一片空白,要对这些不同的VAR计算模型给予合适的评价并选择,还有待于在结合我国金融市场发展的现状的基础上,进行长时期的考察并不断返回检验其有效性。
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。君，已阅读到文档的结尾了呢~~
VaR风险管理模型的理论与应用应用,风险,理论,VaR,VaR模型,风险管理,模型的理论,与应用,VaR的,风险的
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
VaR风险管理模型的理论与应用
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
基于GARCH和VaR的证券投资基金市场风险模型论文.doc56页
本文档一共被下载：
次 ,您可全文免费在线阅读后下载本文档。
文档加载中...广告还剩秒
需要金币：120 &&
你可能关注的文档：
··········
··········
毕业设计(论文)
基于GARCH和VaR的证券投
资基金市场风险模型
专 业 信息与计算科学
重庆交通大学2013
ABSTRACT Ⅱ
第1章 引 言 1
1.1选题背景及意义 1
1.2国内外文献综述 2
1.2.1国外文献综述 2
1.2.2国内文献综述 5
1.3研究方法与全文结构 7
第2章VaR方法理论及计算方法 9
2.1 VaR基本理论 9
2.1.1 VaR定义 9
2.1.2 VaR的假设及一般表达式 9
2.2 VaR影响因素的选择 11
2.3 VaR的计算方法 12
2.3.1 VaR的计算原理 12
2.3.2计算VaR的方法 12
2.3.3对传统VaR计算方法的评价 13
第3章 基于GARCH模型的VaR方法 15
3.1金融数据的尖峰厚尾特征 15
3.2 GARCH模型理论基础 16
3.2.1模型形式 16
3.2.2描述厚尾特征的GED分布与t分布密度函数 18
3.3基于GARCH模型的VaR计算 18
3.3.1建立GARCH模型 18
3.3.2 GARCH?VaR的计算步骤 19
3.3.3 VaR的返回检验 20
第4章GARCH?VaR实证研究 22
4.1样本及数据选取 22
4.2基金日收益率的数理统计分析 22
4.2.1收益率时序图 22
4.2.2平稳性检验 24
4.2.3基本统计及分析 25
4.2.4相关性检验 27
4.2.5 ARCH效应检验 31
4.2.6 GARCH模型设定 31
4.2.7基金VaR值的计算 35
4.3 VaR模型的返回检验结果及分析 35
第5章 结论与展望 37
参考文献 39
表 21不同VaR计算的优缺点 14
表 31 VaR模型验证的非拒绝域 21
表 41 华安创新ADF检验 24
表 42 博时精选ADF检验 24
表 43 样本基金日收益率序列ADF检验结果 24
表 44 样本基金的统计和基本分析结果 26
表 45 样本基金收益率ARCH LM检验结果 31
表 46 正态分布下GARCH模型估计结果 33
t分布下模型的估计结果 34
GED分布下模型的估计结果 34
表 49 基金VaR计算结果 35
正在加载中，请稍后...