开放式lof基金风险度量的实证研究——基于garch var模型的方法

《开放式lof基金风险度量的实证研究——基于garch var模型的方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、开放式LOF基金风险度量的实证研究——基于GARCHVaR模型的方法-社会科学论文开放式LOF基金风险度量的实证研究——基于GARCHVaR模型的方法王亚军李星野摘要：风险度量是金融市场风险管理的核心，VaR风险管理办法作为目前最普遍流行的风险管理工具，被广泛应用在各种金融资产风险管理中。本文运用GARCH-VaR方法实证研究了开放式基金在收益率序列分别服从三种分布假设下，股票型基金和债券型基金的VaR值，并进行了后测检验。结果表明，GARCH-VaR方法比传统静态VaR方法更适合描述基金风险程度，基于GED分布假设计算的Va

2、R相比较正态分布和t分布所计算的VaR更能真实反应基金风险。股票型基金风险大于债券型基金风险,不同的基金类型在不同假设下的风险不尽相同。关键词：LOF基金；GARCH-VaR；t分布；GED分布一、引言VaR（Valueatrisk）译为风险价值或在险价值，含义为“处在风险中的价值”，是指当市场正常波动时，一定置信水平条件下某项金融资产在持有期内可能遭受到的最大损失。VaR方法产生于20世纪80年代。1994年JP摩根公司创立了RiskMetrics系统，将当时未被大多数资本市场参与者所了解的这种新的风险价值管理工具（Valu

3、e-at-Risk）免费推向市场，逐渐成为世界金融业风险管理典范，极大推动了VaR方法应用普及。此后，VaR方法开始被银行、非银行金融机构和金融监管当局普遍接受，并广泛用于金融资产风险管理。目前度量VaR值的方法主要有三种：非参数法（主要有历史模拟法，蒙特卡罗模拟法），半参数方法（主要有极值理论），参数方法（方差—协方差法）。传统VaR模型中，通常假设资产收益率无条件服从正态分布。但实证研究表明，金融资产收益率序列并非如此，而通常表现出尖峰厚尾特性，波动聚集性和杠杆效应。传统的VaR计算方法是一种静态计算方法，所涉及的金融资产

4、期望收益率和收益率方差在一定时期内保持为常数限制了VaR的适用范围。GARCH模型能很好克服收益率序列时变性，又能通过假设收益率序列服从不同分布描述分布的尖峰厚尾特性。因此，GARCH模型能有效追踪金融时间序列收益率的动态方差，精确计算VaR值。本文采用将广义自回归条件异方差模型（GARCH）引入VaR计算过程，通过构建GARCH-VaR模型估算能反映时变特性的动态VaR值。欧立辉[1]计算VaR的值，比较得出在GED分布假设情况下，GARCH-VaR模型是所分析的几种计算VaR方法中最有效方法。鲁皓和周志凯[2]风险进行度量

5、，实证研究发现基于GARCH-GED分布模型的VaR方法比传统方法更有效，能较好刻画证券投资基金的市场风险。张敏和郑丕谔[3]计算时变风险价值的GARCH-VaR模型簇，在不同假设下对我国基金市场风险进行实证分析。发现基于GED分布的EGARCH-VaR模型能较好评估开放式基金的统计特征和市场风险。陈权宝和连娟[4]比较研究得出结论，即基于GED分布的假设条件下模型计算的VaR值最能真实反映基金的风险，不同的基金投资风格所含的投资风险不尽相同。二、GARCH-VaR模型理论介绍1.GARCH类模型基本理论1982年Engle在

6、研究通货膨胀时提出自回归条件异方差模型（ARCH模型）。Bollerslev随后在1986改进了ARCH模型使之扩展成为GARCH(p，q)模型，使用简单的GARCH模型来替代一个高阶的ARCH模型，较好弥补了ARCH模型的不足。GARCH（p,q)模型的一般表达式如下：GARCH模型的优点在于，不仅能描述资产收益率序列有偏分布，且保留了描述过度峰度优势。一般认为使用GARCH模型在预测金融资产收益率最为成功。通常GARCH（1，1）模型能描述许多金融时间序列的异方差问题，即能在一定程度上反映实际数据的长期记忆特征。GARCH

7、模型中残差序列的条件分布通常被假设为正态分布，但这种假设在处理金融市场中具有尖峰厚尾特性的收益率序列时却并不适合，因为源于导致资产价格发生剧烈变动的信息往往以成堆而非平滑连续方式出现，这就是波动的聚集性。实践中GARCH模型残差的分布通常为正态分布（高斯分布）、t分布和广义误差分布（GED分布）。正态分布是一种薄尾分布，其概率密度函数以指数函数衰减至零，很难刻画因为波动聚集所导致的尖峰厚尾现象。t分布的尾部要比标准正态分布的尾部肥大，峰也要比正态分布尖，当t分布的自由度趋于无穷大时，t分布的概率密度函数等于标准正态分布的概率密

8、度函数，t分布近似等于标准正态分布。在GED分布中，当自由度等于2时，GED分布是正态分布，自由度大于2时，GED分布的尾部比正态分布的尾部更薄，自由度小于2时，其尾部比正态分布的更厚，峰度比正态分布更尖。因此自由度小于2的GED分布比正态分布更适合描述序列的尖峰厚尾特性。2