| 中小板证券市场VaR估计精度实证研究 |
|
|
|
均方法和GARCH方法。
①简单加权移动平均法（simply wEighted moving average approaches，SMA）。
其中：2j，t为第t天的股指收益方差，而j代表第j项资产； T为移动平均的观测天数，亦即观察期间的长度；rt-1为第t-1天的股指收益，j代表第j项资产；r：为第1天至第t-1天股指收益的平均值。
②指数加权移动平均法。
其中：?滓2j，t为第t天的股指收益方差，而j代表第j项资产； ?姿为衰退因子（decay factor），且?姿<1，表示愈久远的历史观测值对当期的变异数影响程度愈小；rt-i为第t-i天的股指收益；r为第1天至第t-1天股指收益的平均值。
本文对衰退因子?姿采用了诸多研究中通常采用的三种水平，即?姿=0.94、?姿=0.97和?姿=0.99。
③GARCH-normal模型（generalized autoregressive conditional heteroskedastic-normal Model）。ARCH模型的基本形式为：
其中：Rt为资产收益序列，Xt是一个k×l的外生向量，?茁是一个k×l的回归参数向量，?着t为回归的误差扰动项，模型假定其服从条件期望为零而条件方差为ht的条件正态分布。?渍t-1为已知的前t-1期信息集合，?渍t-2，…，p以保证条件方差大于零的性质成立。
1986年Bollerslev在ARCH模型的基础上又提出了它的扩展形式GARCH模型，其不同之处在于条件方差ht的表示中引入了若干前期的方差，表明条件方差不仅与前若干期的误差项?着t有关，还与前若干期的条件方差有关，即GARCH（p，q）：
从上述表达形式可以看出，在GARCH模型下金融资产收益的准确分布是很难获得的，因此要通过概率分布来直接求解VaR损失也是相当困难的。但如果能够估计得到上述GARCH模型的相关参数，那么就可以根据上述的方程形式对资产的未来损失进行Monnte-Carlo模拟，然后通过与历史模拟法类似的方法获得资产损失的近似分布和最终的VaR损失额，参阅文献Abken（2000）。 （2）半参数方上一页 [1] [2] [3] [4] [5] [6] [7] [8] 下一页 |
|
|
| |
|
上一个论文： 中小板、创业板罕见恐慌性杀跌
下一个论文： 深圳市中小板上市公司收益状况的实证分析 |
|
用户登录 
新用户注册 