基于var和cvar的我国开放式基金绩效评价

《基于var和cvar的我国开放式基金绩效评价》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、基于VaR和CVaR的我国开放式基金绩效评价摘要随着开放式基金的发展，开放式基金日趋成为主流的投资产品，加之投资开放式基金能够获得免税等有利条件，它逐渐获得大众的青睐。基金的产品种类繁多，我国目前已有的开放式基金更是数以百计。面对纷繁复杂的基金产品，如何做出合理的投资选择，基金的绩效评价就显得尤为的重要。现代的很多投资者都认为基金是一种不可靠的投资方式，这主要是投资者在对基金的认识上还有些偏差。他们认为基金投资基本上是无风险的投资，而事实上任何的理财产品或者投资的金融产品都是有风险的，只是分风险大小不同而已。目前我国现有的基金业绩评价指标过度侧重基金净值，把关

2、注点都放在了基金的收益上，忽略了基金存在的风险。本论文引入了由传统Sharp比率演变而来的基金业绩评价RAROC模型，此模型综合考虑了基金的收益和风险，从而使基金的评价更为客观合理。同时，论文改进了RAROC模型中风险度量方法，从而使模型更加的精确。本论文首先回顾了国内外基金业绩评价的主要理论与研究成果，提出了以CVaR代替VaR作为RAROC模型的风险度量，并在此基础上进行基金业绩评价。然后论文对VaR和CVaR风险度量进行了理论介绍，在理论研究的基础上，论文选取了样本基金股票型基金、混合型基金和债券型基金各8只用于实证分析。这24只样本基金分别用T残差假设

3、为T分布和GED分布下的参数模型GARCH、EGARCH、TARCH和基于峰度法的极值POT模型估计了VaR和CVaR值。实证结果表明，所选参数模型中GED分布下的GARCH模型拟合效果最好；同时，基于峰度法的极值POT模型也能够很好地拟合尾部收益分布。然后，通过Lopez(1998)提出的损失函数方法进行模型比较，发现GED分布下的GARCH模型在估计VaR时优于极值POT模型；而通过定义的ELC统计量的比较，发现极值POT模型在计算CVaR时优于GARCH—GED模型。最后，在模型比较之后，选出最优的风险度量结果计算RAROC值再进行基金的业绩评价。关键词

4、：开放式基金；业绩评价；GARCH模型；VaR；CVaR；RAROCTHEPERFoRMANCEEVALUATIoNoFoURCoUNTRY’SOPEN—ENDFUNDSBASEDoNVALRANDCVARABSTRACTWiththedevelopmentoftheopen—endfunds，open—endfundshavebecomethemainstreaminvestment．Investingtheopen—endfundshastheadvantageoftaxavoidance，SOmoreandmoreinvestorslikethem．Fu

5、ndshaveaviderangeofproductsandourcountryhashundredsofopen-endfundsatpresent．Inthefaceofthevariousopen—endfunds，performanceevaluationoffundsisimportanttomakeareasonabledecisionforinvestors．Manyinvestorsthinkthatfundsaredeceptious，becausethereisstillsomedeviationontheunderstandingofth

6、efunds．Theythinkthatinvestingfundsisarisk-freeinvestment，butanyfinancialproductisrisky,justthesizeofriskdifferent．Otherwise，ourcountry’Sfundperformanceevaluationindexeshaveanexcessiveemphasisonfund’Snetvalue．Theypayattentiontothereturnsoffundandignoretherisk．Thisarticleintroducesthe

7、performanceevaluationmodel--RAROCmodel，whichevoluesbythetraditionalSharperatio．ThismodelhassuchaIIIcomprehensiveconsiderationofreturnsandriskthatfundevaluationbecomesmoreobjectiveandreasonable．Atthesametime，thisarticleimprovesthemethodofriskmeasurementintheRAROCmodelSOastomakethemod

8、elmoreprecise．First