沪深300指数高频数据下的股市风险测量——基于realized-garch模型

《沪深300指数高频数据下的股市风险测量——基于realized-garch模型》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、学校编码：１０１７３分类号密级学号：２０１４１００３１０ＵＤＣ—＞若化畔资Ａ每硕：ｔ学位论文沪深３００指数高频数据下的股市风险测量—基于ＲｅａＨｚｅｄ－ＧＡＲＣＨ模型ＴｈｅＲｉｓｋＭｅａｓｕｒｅｍｅｎｔＵｓｅｄ化ｅＨｉｇｈＦｒｅｕｅｎｃＤａ化ｏｆｑｙＣＳＩ３００Ｉｎｄｅｘｚｅｄ－Ｂａｓｅｄｏｎ化ｅＲｅａｌｉＧＡＲＣＨＭｏｄｅｌ张誤？？：？；．．Ｊ记．、Ｖ．ｒ■－７．■－Ｖ／ｆ，．＿指导教师姓名：王雪掠教授－

2、．七－级学科名祿；应用经济学；１－－；二级学科名祿一：数量经济学论支答瓣时间：２０１６年１０月—－－－■■Ｉ■■’一１－；？＿－＂？Ｐ－－－摘要自从Ｊ．Ｐ．Ｍｏｒｇａｎ公司开发出ＶａｌｕｅａｔＲｉ化方法，在险价值Ｖａ民便成为风险一一管理中广泛使用的市场风险的度量标准，，它给风险度量提供了个统的方法一—将风险管理中最重要的方面资产价值的潜在损失用货币单位来表达，一简单直观地描述了资产在未来某给定时期内所面临的市场风险。计算ＶａＲ的－方

3、法有许多种，如风险度量制（ＲＭｅｔｒｉｃｓ）、基于波动率模型的计量方法、ｉｓｋ经验分位数Ｗ及极值方法。基于波动率模型（如ＧＡＲＣＨ模型）的方法仍然是目前的主流。使用ＧＡＲＣＨ类模型对波动率进行动态建模，能够比较好地描述，在金融市场中资产收益波动的动态变化特征，。传统的研究多针对低频数据尤其是股市中，信息是连续影响资产收益变化过程的，低频数据必然会造成信息不同程度的缺失，随着技术的发展进步和数据的可得性增强，采用高频数据对金融市场的波动率进行研究己成为金融研巧领域的热点问题一般。高频数据一一是时间间隔较短（低于

4、日）的证券交易数据，针对高频数据出现种全新的＂＂—ＲＶｔｔ已实现ｅ址ｚｅｄ，波动度量方法波动率（ｏｌａｉｌｉｙ）它在预测未来波动一时能够充分利用当日的信息，，而且是日收益波动率的无偏致且有效的估计＂＂鉴于它的优势，越来越多的研究尝试把ＧＡＲＣＨ族模型和己实现波动联合。＂起来建立模型。除了直接将己实现波动率作为外生变量加入ＧＡＲＣＨ模型的＂＂一ＧＡＲＣＨ－Ｘ模型外Ｈａｎｓｅｎ１２）（２０己实现，提出了种将波动率纳入＂ＧＡＲＣＨ框架的完整模型－），称办Ｅ实现ＧＡＲＣＨ模型（ＲｅａｌｉｚｅｄＧＡＲＣＨ。‘Ｒｅａ

5、－ｌｉｚｅｄＧＡＲＣＨ模型是在传统的ＧＡＲＣＨ模型的基础上加入了波动率盼己实ｓ’一现测度，将己实现波动率和条件波动率通过个称为测量方程的式子结合起来，，从而整合了已实现测度和条件波动率。本文正是在此背景之下对Ｒ－ｅａｌｉｚｅｄＧＡＲＣＨ模型进行实证研究和应用拓展，为风险管理中计算ＶａＲ时模型的应用及误差分布的设定提供一个更好的借鉴。本文介绍了ＶａＲ及其主要计算方法，着重分析基于波动率模型的参数方法，在此方法上引出对波动率建模的重要性，并对包括ＡＲＣＨ模型和ＧＡＲＣＨ模型在内的波动率模型进行总结。通过对高频金

6、融数据特征进行分析，详细分析了＂己实现被动率的Ｒｅａ－结合ｌｉｚｅｄＧＡＲＣＨ模型。本文在理论分析的基础上，分０５－别基于两个时间段的沪深３０指数分钟高频数据，对ＲｅａｌｉｚｅｄＧＡＲＣＨ模型Ｉ的模型估计、数据拟合、波动预测Ｗ及ＶａＲ估测应用等方面进行了实证分析，且两个时间段在模型估计和波动预测上得到相近结果，运对在模型的稳健性及一其预测的准确性上所得到的结论是种强化。另外，为了拟合金融高频数据的尖峰厚尾等特征ｅ址ｚｅｄ－ＧＡＲＣＨ模型推广到残差服从厚尾分布，本文将标准Ｒ（如、ｅｄ－ｔ分布Ｓｋｅｗｔ分布及

7、ＧＥＤ广义误差分布）的情形之下，并进行充分的对比研巧，结果显示这种推广可Ｗ显著增强模型对样本的拟合和预测能力，进而可Ｗ改进风险度量效果，对提高风险管理水平和完善金融实证研究都有重要意义。通过实证研究，本文得到；ｅａ－在波动率建模方面，ＲｌｉｚｅｄＧＡＲＣＨ模型与传统ＧＡＲＣＨ模型相比，能够更好地反应金融数据的尖峰厚尾等特征，在模型参数估计上具有稳定性，而且模型拟合程度更高一。，对波动率的预测更为准确更进步地，从模型拟合程－度和波动率预测效果两个方面进行比较，基于ＧＥＤ分布的ＲｅａｌｉｚｅｄＧＡＲＣＨａ

8、模型表现最优，Ｒ进行计算和效果评价，结果同样；在风险度量方面通过对Ｖ表明Ｒｅａｅｄ－ｌｉｚＧＡＲＣＨ模型要优于ＧＡＲＣＨ模型，而且考虑了厚尾分布的模型能够更准确地反应尾部风险。在１％和５％的置信水平