長(zhǎng)記憶條件下中國(guó)股市VaR估計(jì)模型的比較研究.pdf

1、VaR(Value at Risk)是一種利用統(tǒng)計(jì)技術(shù)來(lái)度量市場(chǎng)風(fēng)險(xiǎn)的方法。一些權(quán)威金融研究機(jī)構(gòu)的調(diào)查表明，自二十世紀(jì)80年代以來(lái)，VaR己經(jīng)為眾多商業(yè)銀行、投資銀行、非金融公司、機(jī)構(gòu)投資者及監(jiān)管機(jī)構(gòu)所使用和關(guān)注。許多金融機(jī)構(gòu)都將VaR作為防范金融風(fēng)險(xiǎn)的第一道防線，并且開(kāi)發(fā)了利用VaR進(jìn)行風(fēng)險(xiǎn)管理的軟件。監(jiān)管機(jī)構(gòu)則利用VaR技術(shù)作為金融監(jiān)管的工具，如在巴塞爾委員會(huì)發(fā)布的巴塞爾銀行業(yè)有效監(jiān)管核心原則及歐盟的資本充足度法案中，VaR成為其監(jiān)

2、管市場(chǎng)風(fēng)險(xiǎn)的重要工具。由于GARCH族模型能夠較好地刻畫(huà)收益的動(dòng)態(tài)變化特征，捕捉股市的叢集性效應(yīng)、非對(duì)稱(chēng)特征，所以近年來(lái)計(jì)算VaR的參數(shù)方法多集中于用各類(lèi)GARCH 模型結(jié)合能捕捉股市收益的厚尾特征的t-分布、GED 分布進(jìn)行計(jì)算。
　　 本文首先介紹VaR的概念、計(jì)算方法及VaR 模型的準(zhǔn)確性檢驗(yàn);接著回顧傳統(tǒng)的GARCH類(lèi)波動(dòng)模型到FIGARCH模型的轉(zhuǎn)變,之后介紹了長(zhǎng)記憶的概念及檢驗(yàn)方法。在實(shí)證分析這一章，首先對(duì)上證綜合指

3、數(shù)、深圳成份指數(shù)、香港恒生指數(shù)進(jìn)行了一個(gè)長(zhǎng)記憶性檢驗(yàn)，在收益波動(dòng)率序列中我們發(fā)現(xiàn)了高度顯著的長(zhǎng)記憶性。然后我們用GARCH(1,1)、FIGARCH(1,d,1)和FIEGARCH(1,d,1)模型計(jì)算各指數(shù)在三個(gè)置信水平下的VaR值。我們用返回檢驗(yàn)法檢驗(yàn)對(duì)各模型的預(yù)測(cè)效果進(jìn)行了比較，但是從LR統(tǒng)計(jì)量考慮，我們不能拒絕GARCH、FIGARCH、或FEGARCH模型，它們都能對(duì)較好地對(duì)風(fēng)險(xiǎn)作出估計(jì)，因此本文采用評(píng)分法評(píng)估各模型的優(yōu)劣，按

4、各模型實(shí)際失敗率 與期望失敗率 絕對(duì)差的大小，我們計(jì)算出各指數(shù)的9個(gè)模型的排序情況，并算出平均排序，平均排序最小的模型其準(zhǔn)確性總的來(lái)說(shuō)是最高的。評(píng)分法便于綜合評(píng)價(jià)各模型的優(yōu)劣。實(shí)證結(jié)果表明在估計(jì)95％置信度下的VaR值時(shí)基于GED分布的FIGARCH(1,d,1)模型表現(xiàn)最佳。而在97.5％及99％置信水平下，基于GED分布的FIEGARCH(1,d,1)模型表現(xiàn)出了最好的預(yù)測(cè)能力。我們發(fā)現(xiàn)FIGARCH和FIEGARCH模型在估計(jì)中國(guó)