基于高頻數(shù)據(jù)的條件極值動態(tài)VaR估計研究.pdf

1、自從布雷頓森林體系崩潰，發(fā)達國家金融機構(gòu)的倒閉和巨虧案例,尤其是2008年以來由美國次貸危機引起的全球金融危機，金融機構(gòu)面臨著巨大的市場風險。風險管理的核心是風險測量。目前，靈敏度的分析方法、波動性測量方法、VaR在險價值法、壓力試驗法和基于極值理論的方法是金融風險管理中市場風險測量的主要工具。傳統(tǒng)的風險測量和計算方法，如在險價值（Value at Risk)，在對收益分布尾部特征估計方面存在一定不足。于是學者引入極值理論，從一個新的角

2、度對極端的市場條件下的金融機構(gòu)損失進行估計。與此同時大數(shù)據(jù)時代帶來的信息風暴改變著我們的思維、生活和工作，也對數(shù)據(jù)處理方法、統(tǒng)計指標和擬合分布的選擇也提出了更高的要求。學者們漸漸地開始在高頻數(shù)據(jù)的基礎上，對金融市場風險如何更好地測量進行研究。
　　本文在條件極值分布的前提下，動態(tài)估計高頻數(shù)據(jù)的VaR。第一步，建立BSP-HAR-RV這樣一個模型對最優(yōu)頻率進行選擇。我國的股票交易市場高頻數(shù)據(jù)頻率為每分鐘，通過繪出平均雙冪變差已實現(xiàn)波

3、動率散點圖，在考慮測量產(chǎn)生的誤差時，也考慮市場的微觀結(jié)構(gòu)會帶來的影響，對最優(yōu)頻率進行挑選。模型中選取雙冥變差RV作為指標，有效預計到金融數(shù)據(jù)中可能出現(xiàn)的跳躍點，頻率范圍定為[1,240]，作出了平均雙冥變差已實現(xiàn)波動率散點圖，選取最優(yōu)頻率。本文還建立了BSP-RM-RV-POT模型對金融高頻時間序列進行動態(tài)VaR估計。為了求得收益分布的下側(cè)分位數(shù)，首先求出樣本的對數(shù)收益率，然后收益率序列取負號，在負收益率分布的基礎上建立模型。在引入“已

4、實現(xiàn)波動率RV”后，再引入“已實現(xiàn)均值RM”，從自回歸模型中得出殘差序列。在這個基礎上，在條件極值理論的支持下對擾動項序列進行POT估計。
　　研究結(jié)果表明，在最優(yōu)頻率下，模型擬合的參數(shù)都通過了顯著性檢驗，擬合結(jié)果能夠預測波動率變化趨勢。在與5min、10min兩種頻率的對比結(jié)果來看，頻率f=10min時的變量的顯著性水平最好，均為0.01，與最優(yōu)頻率f=11min的結(jié)果相比，周已實現(xiàn)波動率的顯著性水平為0.10。但是從模型的總體

5、情況來看，最優(yōu)頻率模型的結(jié)果的殘差標準誤差為0.0004895，比在頻率f=5min、f=10min下抽樣的樣本所得到的模型，其殘差的標準誤差都要小，結(jié)果更優(yōu)。由此可以得出在最優(yōu)頻率下抽取的樣本可以提高模型的精度。本文建立BSP-RM-RV-POT對金融高頻時間序列，進行動態(tài)VaR估計，對RM和RV的自回歸序列計算得到殘差序列，通過General Parent Distribution對殘差序列來擬合，得到GPD模型擬合圖。從GPD模型