基于已实现EGARCH模型的股票市场风险度量方法研究

摘要

“互联网+”时代催生了众多崭新的金融模式和金融产品，加之国内外政治和经济环境的不断变化，防范金融风险逐渐成为政府与实业界的工作重心。随着云计算、大数据等新技术的发展，对金融高频数据进行收集、分析的技术日益成熟，基于已实现测度的波动率预测和风险度量逐渐成为研究热点，但是基于Realized EGARCH模型对中国股市进行风险度量的研究亟待补充。本文对已实现EGARCH模型的残差分布进行拓展，尝试利用非参数和半参数方法对条件方差进行估计，并比较了不同分布假设和不同参数估计方法下已实现EGARCH模型对沪深300指数收益波动率和VaR的预测效果。
　　本文以R-EGARCH模型为主要研究对象，选择股票市场中代表性指数——沪深300作为主要实证分析样本。首先研究了学生t分布和GED分布假设下R-EGARCH模型的参数估计方法，并应用其对沪深300指数进行波动率预测和VaR度量，同时探讨了二元已实现测度模型的预测效果;其次，本文提出已实现EGARCH模型波动率方程的非参数和半参数估计方法，从而对沪深300指数进行波动率预测和风险度量，并与参数估计法下预测结果进行对比;最后将单一变量模型推广至多元情况，提出多元DCC-REGARCH模型及其参数估计方法，据此对沪深300指数和互联网金融指数之间的相关性进行研究，并得到该指数组合的VaR测度。
　　本文基于R-EGARCH模型对沪深300指数进行波动率预测和VaR风险度量，实证分析结果显示:厚尾分布假设能够提高R-EGARCH模型预测精度，其中基于学生t分布的R-EGARCH模型表现出较高的预测精度;至于对波动率的预测效果，参数法R-EGARCH模型的预测精度显著高于非参数以及半参数方法下的预测精度;相较于只包含RK的R-EGARCH模型，基于RK+DR多重测度的R-EGARCH模型对波动率和VaR预测都表现出较高的精度;不同置信水平下各种模型的VaR预测效果有较大差异，而R-EGARCH模型倾向于获得较少的失败天数;多元DCC-REGARCH模型能够有效度量沪深300指数和互联网金融指数组合的风险，并且适用于金融资产相关性研究。

目录

声明

摘要

第一章 绪论

1．1．研究背景与意义

1．2．国内外研究现状

1．3．研究内容与方法

1．4．本文创新之处

第二章 基于R-GARCH模型的VaR测度理论与实证分析

2．1 VaR测度

2．1．1 VaR的定义

2．1．2 VaR的计算方法

2．1．3 VaR的检验

2．2 GARCH族模型

2．2．1 GARCH模型

2．2．2 EGARCH模型

2．3 已实现测度与R-GARCH模型

2．3．1 已实现测度

2．3．2 R-GARCH模型

2．4．1 数据选择与处理

2．4．2 沪深300指数收益率特征分析

2．4．3 基于GARCH模型的波动率预测和VaR测度

2．4．4 基于EGARCH模型的波动率预测和VaR测度

2．4．5 基于R-GARCH模型的波动率预测和VaR测度

第三章 基于R-EGARCH模型的VaR测度理论与实证分析

3．1 R-EGARCH模型

3．1．1 R-EGARCH模型

3．1．2 不同分布假设下的参数估计方法

3．1．3 波动率方程的非参数估计

3．1．4 波动率方程的半参数估计

3．2 基于参数R-EGARCH模型的波动率预测和VaR测度

3．2．1 单一已实现测度R-EGARCH模型的波动率预测和VaR测度

3．2．2 多重已实现测度R-EGARCH模型的波动率预测和VaR测度

3．3 基于非参数和半参数R-EGARCH模型的VaR测度

3．4 模型评价

3．4．1 波动率预测效果比较

3．4．2 VaR预测效果比较

第四章 多元DCC-REGARCH模型和VaR测度

4．2 基于多元DCC-REGARCH模型的VaR测度

4．2．1 数据选取

4．2．2 资产组合相关性分析与VaR测度

第五章 总结与展望

5．1 主要结论

5．2 本文研究不足与后续研究方向

参考文献

致谢