基于GARCH過程和SV模型的上證50ETF的VaR計算.pdf_第1頁
已閱讀1頁,還剩62頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、上證50ETF期權(quán)于2015年2月9日正式在上海交易所上市交易,開啟了我國期權(quán)市場發(fā)展的序幕,這是我國資本市場的第一個上市期權(quán)產(chǎn)品,填補了我國證券交易所的產(chǎn)品空白。然而作為該期權(quán)合約的標的物上證50ETF在股市中的重要性也隨之進一步凸顯出來,這是因為影響期權(quán)價格的最大的風(fēng)險為其標的資產(chǎn)價格變動風(fēng)險(delta),若能管控好上證50ETF的風(fēng)險,對于規(guī)避上證50ETF期權(quán)的風(fēng)險,達到穩(wěn)健投資有積極的意義。故本文選取上證50ETF的日基金累

2、計單位凈值作為研究對象,計算其日回報率序列,以VaR作為風(fēng)險指標來度量市場風(fēng)險。
  本文對上證50ETF的VaR計算首先采用了完全估值法中的歷史模擬法和蒙特卡羅模擬法。又對上證50ETF的回報率序列進行了正態(tài)性、自相關(guān)性、平穩(wěn)性和ARCH效益檢驗,得出該序列存在金融資產(chǎn)回報率序列具有的一些重要形式化特征,如厚尾(Heavy tails)、波動聚集(Volatility clustering)等。針對明顯的厚尾性和波動聚集性,分別

3、采用了基于正態(tài)分布誤差的GARCH模型和t分布誤差的GARCH模型,經(jīng)過實證對比分析,發(fā)現(xiàn)基于更具有重尾性的t分布的GARCH模型對回報率序列的擬合相對更好。為了更準確的反映當前環(huán)境和條件對回報率的影響,選取了隨機波動(SV)模型進行改進。針對SV模型參數(shù)估計的復(fù)雜性,本文采用馬爾科夫鏈蒙特卡羅(MCMC)方法來實現(xiàn)參數(shù)的估計,經(jīng)過實證分析,得出基于MCMC方法的SV模型對上證50ETF回報率序列擬合效果最佳,風(fēng)險控制最為有效的結(jié)論。G

4、ARCH模型和基于MCMC方法的SV模型是本文的重點研究對象。
  本文內(nèi)容具體分為四章討論:
  第一章,首先介紹研究上證50ETF風(fēng)險價值的背景及意義;其次介紹了對金融市場進行風(fēng)險度量的歷史和國內(nèi)外研究現(xiàn)狀;最后對文本的研究內(nèi)容和方法進行了概述。
  第二章,主要介紹市場風(fēng)險的度量——VaR方法。系統(tǒng)的介紹了VaR的基本原理、計算方法、檢驗方法和優(yōu)缺點等內(nèi)容。其中在VaR的計算方法部分,主要介紹了歷史模擬法、蒙特卡

5、羅模擬法和GARCH過程。
  第三章,重點介紹基于MCMC方法的SV模型。首先講解了MCMC方法的基本思想和抽樣方法,如Metropolis-Hastings抽樣和Gibbs抽樣;然后介紹了SV模型的基本理論和如何進行波動率的預(yù)測。
  第四章,實證分析。首先對上證50ETF日回報率序列進行正態(tài)性等一系列檢驗,然后利用歷史模擬法、蒙特卡羅模擬法,GARCH模型及基于MCMC方法的SV模型來計算其VaR值,最后對計算結(jié)果進行

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論