论文部分内容阅读
由于经济国际化和金融活动一体化的进展,世界各国经济的联动性变得更加紧密,不仅体现在各国经济活动的相互制约相互影响,还体现在金融风险的相互作用上。金融机构为了提高产品的市场竞争力,获取更多的利益,积极推进产品的研发创新,使得金融行业频发各种新型风险。近来股市中的"去杠杆化"政策也表明了对股市风险进行管理的必要性。金融风险的相互交织使得测度风险更加困难。金融时序分布的非正态性使得传统风险测度模型的应用存在很大的局限性,利用Copula方法,可以灵活构造投资组合的联合分布,进而对金融市场风险进行VaR测度。由此可知,论文的研究有理论意义和应用价值。论文重点研究了 Copula-VaR风险度量模型的优越性。论文首先从金融市场的资金供求均衡和投资者追求收益最大化的角度阐述了投资的目的和意义,梳理了与选题相关的国内外文献。接着研究了投资组合建模的理论基础,包括波动率GARCH族模型、Copula模型的原理以及GARCH-Copula模型的构建方法。然后研究了常用的风险测度方法,主要介绍了VaR方法,并提出Copula-VaR模型能更好地捕捉当下金融风险的特征。最后对股票投资组合的风险进行测度,证明了Copula方法有利于计算合理的VaR值。论文的研究得到了两点结论。第一点,论文验证了经济转型期的样本数据仍然具有金融时间序列"尖峰"、"厚尾"、"波动集聚性"和"杠杆效应"等特征。第二点,在GARCH(1,1)模型的基础上,论文选择了具有厚尾分布的GARCH(1,1)过程作为边缘分布模型,更准确地刻画了金融时序偏离正态分布的特点。然后选择不同的Copula连接函数来刻画相关结构,计算了各个模型下的VaR值。论文的实证分析结果表明,采用Copula技术计算的VaR值优于传统模型计算的VaR值,但不同种类的Copula模型产生的效果相差很大。所以,选择恰当的模型才能更准确地对金融数据进行风险研究。