论文部分内容阅读
自20世纪70年代以来,金融风险管理技术在金融动荡的压力下迅速发展,VaR方法因其简洁、明了的优势被看作业内比较流行的测量金融风险的方法,并且逐渐成为国际风险管理的行业标准。本文在简单介绍了选题背景及国内外研究现状之后首先总结了三种常用的金融风险度量方法:灵敏度(Sensitivity)分析方法、波动性(Volatility)分析方法和VaR方法,并对这三种方法进行了比较;接着详细说明了VaR的计算方法并在比较了各种方法的优缺点之后选择参数法进行VaR计算;然后详细介绍了本文要用到的方差预测方法——GARCH类模型法;最后是实证研究得出结论。本文有两大特点:第一,对GARCH类模型的介绍和应用比较齐全,详细介绍了11种GARCH类模型,把其中效果比较好的八种GARCH类模型应用到实证中。分别是GARCH(1,1)模型、EGARCH(1,1)模型、PARCH(1,1)模型、Component ARCH(1,1)模型,以及相应的GARCH-M类模型:GARCH(1,1)-M模型、EGARCH(1,1)-M模型、PARCH(1,1)-M模型、Component ARCH(1,1)-M模型。第二个特点是对分布的应用也比较齐全,在参数法计算VaR时一般都假设对数收益率序列服从正态分布,而本文分别假设对数收益率序列服从正态分布、t分布和GED分布。并最后比较这几种分布假设下的计算结果,得出结论。本文共用到24种模型进行VaR计算得出结果并进行检验。通过实证分析我们看到:GED分布假设下的GARCH类模型比正态分布和t分布假设下的GARCH类模型能够更好的刻画股市的波动性。t分布假设下估计的VaR值太保守,虽然正态分布假设下的部分模型也能通过检验,但是它们的检验值都大于GED分布假设下得到的检验值,而在GED分布假设下的各类GARCH类模型中PARCH(1,1)模型是最适合的。