基于EVT-POT-SV模型的极值风险度量.pdf

第 25卷第 12期 统 计 与 信 息 论 坛 2010年 12月 VoI．25 No．12 Statistics＆ InformationForum Dec．，2010 【统计理论与方法】 基于 EVT～POT～SV模型的极值风险度量 董耀武，周孝华，姜 婷 (重庆大学经济与工商管理学院，重庆 400030) 摘要：金融市场常受各种因素的影响造成剧烈波动，资产收益也会因此产生异常变化。针对金融资产收 益的厚尾性、波动的异方差性等特征，采用基于Markov链的MonteCarlo模拟积分方法，对随机波动模型进 行参数估计并取得标准残差序列，应用极值理论与随机波动模型相结合，建立了基于 EVT—POT—SV的动 态VaR模型。通过对上证综指收益做实证分析，结果表明：该模型能很好地刻画收益序列的波动性及尾部分 布特征，在度量上证综指收益的风险方面更加合理而有效。 关键词 ：SV；EVT—POT；厚尾 ；VaR 中图分类号：F831．5 文献标志码 ：A 文章编号：1o07—3116(2010)12—0O31--05 (EVT)是测量极端市场条件下市场风险的一种方 一 、 引 言 法，可 以较好地衡量极端 时间情况下 的风险损 金融市场的剧烈波动常常使得金融机构和监管 失[9-1o]。传统的VaR计算方法需要考虑资产回报 当局面临巨大挑战，即使金融系统局部风险的防范 分布的全部，极值理论则不需对资产回报的分布做 失效也很有可能导致全国乃至国际范围内的金融危 出假设，而是直接使用数据拟合分布的尾部，能更有 机。与之相对应，风险测量技术也在近年来得到了 效处理厚尾现象[1卜¨]。目前，国内用于极值理论对 重要的发展。JpMorgan银行于 1994年提 出的 金融资产的风险测度大多集中于资产收益的正态分 VaR(ValueatRisk)方法是当前度量金融风险最流 布及GARCH模型等方面，对金融时序刻画能力更 行的工具，成为风险管理的主流方法 。 强的SV模型，由于其参数的估计等困难在风险测 VaR预测效果的好坏，取决于金融资产回报误 度上的应用多限于简单的正态性VaR估计方法，而 差项的分布设定和波动率的预测。异方差模型被认 对资产收益的尾部特性考虑不足。 为是最能刻画金融市场波动性的模型，目前学者们 为了较好地描述金融市场 的波动性，对金融市 讨论最为广泛的是在 GARCH类模型的框架下，标 场的VaR进行更为准确的测度，本文应用随机波动 准化残差分布函数设定下取得 VaR的值[1叫]。然 模型(SV)描述资产收益序列的波动性，同时结合极 而，国外学者实证研究指出，GARCH类模型在面 值理论刻画该收益分布的尾部特征，建立起基于 对金融时间序列 “高峰厚尾”、“杠杆效应”等显著特 EVT—PCIT—SV的动态 V 模型，并通过对上证 征时对VaR的测度亦显得脆弱l5]。SV(Stochastic 综合指数的每 日收盘价进行实证分析。 Volatility)族是另一类异方差模型，SV模型中的波 二、基于 EVT—POT—SV 的 动性不仅依赖于以前的波动，还依赖于当前的信息 动态VaR模型 项，它能更为准确地描述金融时序，被认为是刻画金 融