APP下载

基于分位数概率分布的动态VaR模型及其应用

2014-01-01张绍宗

统计与决策 2014年24期
关键词:特征模型

杨 杰,张绍宗

(1.华南师范大学 经济与管理学院,广州 510006;2.云南师范大学 经济与管理学院,昆明 650092)

1 VaR的估计方法

VaR的常见估计方法有历史模拟法、蒙特卡洛模拟法和参数法,实践中采用较多的是参数法,其核心思想是设定金融资产或资产组合的收益率服从特定的参数分布,再通过实际数据进行参数估计,进而确定出收益率的具体分布。最后计算对应置信水平的分位数,从解出相应的VaR值。由于金融资产的收益序列常常具有尖峰厚尾的特征,因而采用参数法计算VaR时需要确定合适的概率分布来刻画这种特征,国内外很多学者正是沿着这一思路在估计金融资产的VaR值。如,Press S.在1987年提出用混合高斯分布来拟合道琼斯指数的效果比正态分布的拟合效果要好;R.N.Mantegna和H.E.Stanley(1994,1995)首次提出截断Levy分布,并将其用于美国股票和债券市场收益率的尾部拟合,实证研究显示截断Levy分布可以刻画其厚尾特征;Peter Verhoeven等(2004)用非对称t分布、非对称一般误差分布(GED)等六种分布形式代替正态分布,用于表述欧元对美元的汇率变动分布,结果表明,在描述序列的偏度、峰度以及极大似然函数值方面,前者均优于后者。国内学者的研究中,潘家柱等(2000)讨论了广义Pareto分布的性质,并利用此模型对上证指数和深证指数的收益率进行分析,给出了相应的VaR估计值;张明恒、程乾生(2002)研究了金融资产收益的混合高斯分布模型,给出了混合高斯分布的Kolmogorov-Smirnov检验方法,分析了金融资产收益的非高斯性;卢方元(2004)对上证综指和深证成指收益率分布状况进行实证分析,研究结果表明两类股指收益率均可以用稳定分布对其进行描述。……

登录APP查看全文

猜你喜欢

特征模型
一半模型
重尾非线性自回归模型自加权M-估计的渐近分布
如何表达“特征”
不忠诚的四个特征
3D打印中的模型分割与打包
FLUKA几何模型到CAD几何模型转换方法初步研究
线性代数的应用特征
一个相似模型的应用