基于GJR-GARCH、FHS、Copula和极值理论的中国证券市场VaR模型研究

论文摘要

本文详细研究了VaR模型以及相关的理论,包括FHS技术、GARCH模型、Copula理论和极值理论,这些相关的理论主要应用于对时间序列分布的描述、拟合及预测,从而在此基础上利用VaR模型度量资产的风险。本文从三个层次进行了实证研究:（1）应用传统历史VaR模型来计量中国证券市场的市场风险,即利用参数VaR方法对我国证券市场进行实证研究,计算上海证券交易所的上证综合指数的VaR值,以此来检验这一方法在我国上市公司市场风险管理的有效程度。通过样本区间内上证综合指数实际值与预测VaR预测下限进行对比,发现有11天的实际指数值跌破预测下限。（2）应用基于GJR-GARCH和FHS技术的VaR模型来度量中国证券市场的市场风险,结果显示,在置信水平为95%时,实际上证指数低于指数VaR预测下限的天数为8天。可见,本文所建立的基于GJR—GARCH和FHS的VaR模型对于这一阶段的上证综合指数市场风险的拟合效果较好,结果优于传统历史模拟法。（3）应用基于GJR-GARCH、Copula和EVT的VaR模型来计量中国证券市场的市场风险,投资组合在持有期（24小时）最大损失为12.6225%,最大可能获得的收益为8.9172%,置信水平为90%、95%和99%时的VaR值分别为-1.6377%、-2.2782%和-4.2981%,即该投资组合在未来24小时的损失有90%的概率不超过1.6377%,有95%的概率不超过2.2782%,有99%的概率不超过4.2981%。

论文目录

• 摘要
• Abstract
• 目录
• 1 绪论
• 1.1 研究背景
• 1.2 文献综述
• 1.3 本文研究内容及结构安排
• 2 VaR方法和FHS技术
• 2.1 VaR（Value at Risk）方法
• 2.2 FHS（Filtered Historical Simulation）技术
• 3 GJR--GARCH模型
• 3.1 自回归条件异方差（ARCH）模型
• 3.2 广义自回归条件异方差（GARCH）模型
• 3.3 GJR-GARCH模型的一般形式及极大似然估计
• 4 Copula理论和极值理论
• 4.1 Copula理论
• 4.1.1 Copula函数的定义及性质
• 4.1.2 多元正态Copula函数（The Multivariate Gaussian Copula,MGC）
• 4.1.3 多元t-Copula函数（The Multivariate Student's Copula,MTC）
• 4.1.4 多元扩散Copula函数（The Multivariate Dispersion Copula,MDC）
• 4.1.5 阿基米德Copula函数（The Archimedean Copula）
• 4.1.6 核Copula函数（The Kernel Copula）
• 4.1.7 一致性和相关性测度（Concordance and Assosication Measure）
• 4.2 极值理论
• 5 中国证券市场风险实证研究
• 5.1 历史模拟VaR方法对中国证券市场的实证研究
• 5.1.1 参数设定及数据来源
• 5.1.2 计算及分析过程
• 5.1.3 本章小结
• 5.2 基于GJR-GARCH和FHS的VaR模型实证研究
• 5.2.1 数据来源及分析
• 5.2.2 模型的建立及结果分析
• 5.2.3 本章小结
• 5.3 基于GJR-GARCH、EVT和Copula的VaR模型实证研究
• 5.3.1 数据来源及分析
• 5.3.2 模型的建立及结果分析
• 5.2.3 本章小结
• 6 总结与展望
• 参考文献
• 附录1 不同置信水平下VaR值（%）
• 附录2 5.1节程序
• 附录3 5.2节程序
• 附录4 5.3节程序
• 在学期间发表的学术论文及科研成果
• 致谢