基于非正態(tài)分布的動(dòng)態(tài)金融波動(dòng)性模型研究.pdf

1、風(fēng)險(xiǎn)管理的基礎(chǔ)和核心是對(duì)風(fēng)險(xiǎn)的定量分析和評(píng)估。在風(fēng)險(xiǎn)資產(chǎn)的收益率服從正態(tài)分布的條件下，方差是最好的風(fēng)險(xiǎn)度量，而大量研究已經(jīng)表明金融資產(chǎn)收益率是非正態(tài)的，是“厚尾”和“有偏”的。因此本文在非正態(tài)分布條件下討論金融波動(dòng)性建模研究。具體從以下幾個(gè)方面進(jìn)行了分析探討：
　　 1、金融收益序列非正態(tài)分布檢驗(yàn)及理論解釋。市場(chǎng)價(jià)格異常波動(dòng)的原因，可以分為主觀和客觀兩個(gè)方面，客觀方面的原因來(lái)自市場(chǎng)本身，主要是制度因素；主觀方面的原因來(lái)自投資者，

2、主要是投資者的心理因素。因此，本章將首先介紹收益率非正態(tài)分布特征的檢驗(yàn)方法，然后分別從市場(chǎng)微觀結(jié)構(gòu)理論角度和行為金融學(xué)角度討論收益率分布尖峰厚尾特征以及偏度特征的形成原因，給出收益非正態(tài)分布的理論解釋。
　　 2、金融收益“厚尾”分布動(dòng)態(tài)擬合(Ⅰ)——基于廣義極值分布的自回歸條件密度模型研究。在考慮當(dāng)前預(yù)期和波動(dòng)性條件下，為了有效地捕獲極端條件下收益率時(shí)間序列動(dòng)態(tài)特征，建立了基于高頻數(shù)據(jù)的波動(dòng)性模型和條件極值VaR模型。應(yīng)用智能

3、優(yōu)化算法對(duì)條件極值分布的時(shí)變參數(shù)進(jìn)行估計(jì)，考察了在不同樣本容量分塊下的條件極值VaR，并對(duì)VaR計(jì)算結(jié)果的精度進(jìn)行了Kupiec-LR檢驗(yàn)和動(dòng)態(tài)分位數(shù)檢驗(yàn)。研究結(jié)果表明，基于高頻數(shù)據(jù)的條件極值分布較好的擬合了極端條件下的收益率特征，與McNeil提出的傳統(tǒng)條件極值VaR相比，應(yīng)用高頻數(shù)據(jù)建立在條件廣義極值分布基礎(chǔ)上的條件極值VaR的Kupiec檢驗(yàn)DQ檢驗(yàn)值都較為理想，表明該模型能夠捕捉到我國(guó)市場(chǎng)風(fēng)險(xiǎn)特征，提高極端情況下風(fēng)險(xiǎn)測(cè)度能力。<

4、br>　　 3、金融收益“厚尾”分布動(dòng)態(tài)擬合(Ⅱ)——基于廣義帕雷托自回歸條件L-矩模型。為了解決厚尾分布不擁有完整的中心矩集合而無(wú)法進(jìn)行矩估計(jì)的問(wèn)題，在金融領(lǐng)域引入近年來(lái)在水文領(lǐng)域發(fā)展較為迅速的L-矩理論。在考慮當(dāng)前預(yù)期和波動(dòng)性條件下，基于L-矩理論分別考察了廣義帕雷托分布對(duì)高頻收益超額數(shù)的靜態(tài)尾部擬合和動(dòng)態(tài)尾部擬合，應(yīng)用條件VaR以及Kupiec-LR檢驗(yàn)對(duì)擬合的結(jié)果進(jìn)行了檢驗(yàn)。研究結(jié)果表明，L-矩理論可以很好的解決厚尾分布的矩估

5、計(jì)問(wèn)題，根據(jù)VaR以及Kupiec-LR檢驗(yàn)表明，基于L-矩的廣義帕雷托分布較好的擬合了極端條件下的收益率尾部，可以捕獲極端條件下收益率時(shí)間序列動(dòng)態(tài)特征。
　　 4、金融收益“偏度”和“峰度”的動(dòng)態(tài)擬合——條件偏度和峰度的波動(dòng)性建模研究。為了有效地捕獲收益率時(shí)間序列高階矩動(dòng)態(tài)特征，在考慮當(dāng)前預(yù)期和波動(dòng)性條件下，首先討論了一維的動(dòng)態(tài)偏度和峰度建模研究。其次，為了考察多個(gè)市場(chǎng)或多個(gè)金融資產(chǎn)之間的高階矩風(fēng)險(xiǎn)度量問(wèn)題，推導(dǎo)了高階中心矩和

6、協(xié)矩之間的關(guān)系，提出了能夠有效解決維數(shù)災(zāi)禍問(wèn)題的多維條件高階矩模型。在多維分布基礎(chǔ)上，采用動(dòng)態(tài)條件相關(guān)性(DCC)和自回歸條件密度技術(shù)，通過(guò)智能優(yōu)化算法對(duì)條件高階矩模型的時(shí)變參數(shù)進(jìn)行估計(jì)。實(shí)證研究結(jié)果表明，多維條件高階矩模型較好的擬合了收益率時(shí)間序列高階矩動(dòng)態(tài)特征，與之前的高階矩模型相比，能夠有效解決高階矩模型的維數(shù)災(zāi)禍問(wèn)題，表明該模型能夠捕捉到我國(guó)多個(gè)市場(chǎng)之間高階矩風(fēng)險(xiǎn)特征，提高多維條件高階矩模型測(cè)度能力。在已實(shí)現(xiàn)協(xié)方差矩陣的基礎(chǔ)上，

7、利用高次變差推導(dǎo)了己實(shí)現(xiàn)高階矩模型。為了對(duì)未來(lái)的波動(dòng)特性加以預(yù)測(cè)，在考慮已實(shí)現(xiàn)高階矩的特性下，建立了己實(shí)現(xiàn)高階矩FIVAR模型。
　　 5、不確定條件下考慮偏度和峰度的投資組合研究。通過(guò)分析傳統(tǒng)投資組合理論的不足，在有偏t分布基礎(chǔ)上討論條件高階矩投資組合，應(yīng)用貝葉斯理論分析不確定條件下高階矩風(fēng)險(xiǎn)及其在投資組合理論中的應(yīng)用問(wèn)題。應(yīng)用MCMC對(duì)有偏t分布進(jìn)行了參數(shù)估計(jì)和投資組合權(quán)重的優(yōu)化。研究結(jié)果表明，考慮偏度和峰度會(huì)對(duì)投資組合策略