VaR模型中的分位点水平内生化－－基于分位点回归的新视角

摘要

基于后续检验的思想，本文拓展了Engel 和Manganelli(1999)提出的样本外DQ(Dynamic quantile)统计量的应用，并通过一系列蒙特卡罗试验证实，很多模型的DQ 统计量的取值对分位点水平的变化是非常敏感的。我们选出DQ 统计量的显著的连续区域，称之为稳定域，并将稳定域视为VaR 模型的可行域。另一方面，我们考察模型的预测精度，设计了衡量模型预测效果的间接拟合优度(IAF)统计量，以及衡量预测能力变化的似然比统计量(LR)（基于最小化的加权绝对离差平均(WAAE)）。类似的，本文通过蒙特卡罗试验研究了这两个统计量的性质。利用这三个统计量可综合考察模型在所关心的置信区域上预测效果的变化规律，从而选取最优的分位点水平管理风险。 通过对上证指数和一些股票数据的经验研究，本文证实了分位点水平内生化的必要性和价值及本文提出的内生化方法的有效性，并为文献关于VaR 效果评价中的常见悖论提供了有效的解释。