论文部分内容阅读
改革开放以来,我国的金融市场发生了巨大的变化,金融机构面临着日趋多样,不断增大的市场风险。为了更加准确地度量市场风险,防范风险事件,及时的投资决策,有必要进行深入的研究。本文的主要工作有以下几个方面:首先,在查阅大量国内外相关文献及案例的基础上,对传统的几种计算VaR的理论和方法进行了有益回顾,在对不同的理论进行对比探讨的同时,对传统方法的不足进行了比较详尽的总结。其次,本文分别采用了GARCH、EGARCH和GJR模型作为单变量金融时间序列波动模型,来刻画联合分布的条件边际分布,并分别对比分析了(1,1)阶模型相对于(1,2)阶模型的优势。通过实证的方法证明上证综指和深证成指的对数收益率分布具有尖峰厚尾特征,波动性存在明显的GARCH效应,且上证综指还具有明显的杠杆效应,比较适合使用GJR(1,1)模型。而深证成指的杠杆效应不显著,故仍采用GARCH(1,1)模型。再次,本文采用CML法对Ga-Copula和t-Copula函数参数进行了估计。通过t-Copula函数将两个一元t分布进行连接,并通过该函数来描述上证综指和深证成指之间的相关结构。相关矩阵显示,上证综指和深证成指达到91.47%的相关水平,两市齐涨共跌现象十分显著,市场系统性风险较大。再次,本文采用Monte Carlo方法模拟产生各指数的收益率序列,计算出指数组合的VaR。并进行了Kupiec回溯检验,在各置信度上都不能拒绝t-Copula-GJRVaR模型,这说明该模型在投资组合风险度量上具有较高的准确性。最后我们通过t-Copula-GJR-VaR模型,对最近2年中国股票市场的波动性进行了详细的分析,发现在市场较为稳定的时期,模型的预测非常好,但当市场发生结构性转变时,模型的预测不再准确,模拟的VaR被击穿,同时伴随着VaR急剧增大的现象,我们基于此判断出市场变化的时间窗口,对于指导金融机构进行股市的投资决策,具有十分重要的现实意义。