基于极值分布理论的VaR与ES度量

本文应用极值分布理论对金融收益序列的尾部进行估计,计算收益序列的在险价值VaR和预期不足ES来度量市场风险。通过伪最大似然估计方法估计的GARCH模型对收益数据进行拟合,应用极值理论中的GPD对新息分布的尾部建模,得到了基于尾部估计产生收益序列的VaR和ES值。采用上证指数日对数收益数据为样本,得到了度量条件极值和无条件极值下VaR和ES的结果。实证研究表明:在置信水平很高(如99%)的条件下,采用极值方法度量风险值效果更好。而置信水平在95%下,其他方法和极值方法结合效果会很好。用ES度量风险能够使我们了解不利情况发生时风险的可能情况。     

基于多标度分形理论的金融资产收益非对称性测度方法研究

基于多标度分形理论,提出了一种新的更适用于实际金融资产收益数据的非对称性测度方法——两阶段非对称性检验法（Two-step asymmetry testing,TAT）,并运用Monte Carlo模拟考察了其与传统的偏度系数检验法的非对称性判定结论差异。实证结果表明：总体来讲,本文提出的两阶段非对称性检验法在常用检验水平下取得了较偏度系数法更为准确的金融资产收益非对称性判定结论,且两阶段非对称性检验法较偏度系数法更适用于具有非独立、非正态特性数据的非对称性检验。     

基于极值理论与蒙特卡洛模拟的商业银行操作风险度量研究

本文以商业银行操作风险的度量为研究目标,以操作风险高级计量法的思想为导向,运用极值理论及银行的损失分布情况对操作风险进行量化研究。极值理论注重模拟收益或损失分布的尾部,而操作风险存在明显的厚尾现象．所以极值理论可以比较有效地解决在操作风险数据较少的客观条件下如何计量操作风险的问题。文章阐述了如何运用极值理论对操作风险求取在险价值（vaR）,且在已有现实数据的情况下,引入蒙特卡洛模拟法扩展数据并进行实证分析,使得所求VaR值更加精确。     

基于极值理论和Bootstrap方法的E-VaR研究和实证分析

考虑金融时间序列的厚尾特性,讨论了应用极值理论中的广义Pareto分布模型度量风险的问题。利用Bootstrap和MLE方法对参数进行点估计和区间估计,得出E-VaR的估计值,并对深证综指收益进行实证分析,探讨与尾部相关的极值风险,结果令人满意。     

基于动态E-VaR模型的房地产收益波动性测度研究

基于房地产股票价格数据,针对现有大多数风险测度方法没有考虑到小概率、大损失的极端事件的现状,运用极值理论EVT和在险值VaR构造动态风险计量模型。Back-testing方法检验结果表明,基于动态E-VaR的市场风险测度方法对于指数收益率风险的度量具有较强的适用性。     

资产专用性、企业价值与资本结构--基于信息技木上市公司面板数据的实证研究

本文通过选取2010-2012年沪深两市信息技术行业上市公司的面板数据，研究资产专用性、企业价值与资本结构的关系。进行理论分析、面板数据单位根检验（ADF检验、LLC检验）、Hausman检验后，建立固定效应和Pooled EGLS的回归模型。结果表明：资产专用性在小于1％的显著性水平下与资本结构正相关，企业价值与资本结构负相关。此外，影响企业资本结构的因素还有公司规模、成长性、盈利能力。     

基于Copula函数的沪深股市尾部相关性分析

利用Granger因果检验考察上证指数与深证指数之间的联动特性，发现上证指数是深证指数的Granger原因。由于上证、深证指数之间的尾部非对称性，Frank Copula函数无法准确拟合数据分布，进而通过选择Archimedean Copula函数族中Gumbel Copula函数和Clayton Copula函数分别度量美国次贷危机前后上证、深证指数之间的尾部相关性。实证结果表明，上涨期和下跌期上证、深证指数之间分别具有较强的上尾和下尾相关性。但相比较而言，下跌期尾部相关系数大于上涨期尾部相关系数。     

金融市场的收益分布与EVT风险测度

通过对上证综指和标准普尔500指数收益波动的统计特征分析，实证检验了诸如非条件（Unconditional）正态分布、条件（Conditional）正态分布以及条件t分布等有关金融市场收益分布的主流假设，都无法准确刻画实际市场收益的尾部统计特征和风险状况。证明了无论是在成熟资本市场还是在新兴市场，极值理论（EVT）都能准确刻画实际市场的极端波动和风险状况，并通过不同收益分布模型假定下风险价值（VaR）的计算和相应的后验分析（Backtesting），实证说明了在不同显著性水平下各种收益分布假定的精确度和适用范围。     

厚尾金融数据的计量分析

近年来一些研究者将实测数据与正态分布进行比较后认为，实测数据分布的尾部往往厚于正态分布的尾部。本文讨论了金融数据正态性假设的检验问题，并利用正态化变换给出了厚尾金融数据的计量分析方法。     

利用GARCH-M类模型和极值理论对上证综指的研究

金融时间序列具有分布的厚尾性、波动的集聚性等特征,传统的方法难以准确的度量其风险。文中运用一种新的估计VaR和ES的方法,即采取两阶段法。首先用GARCH-M类模型(GARCH-M、EGARCH-M和TGARCH-M)拟和原始收益率数据,得到残差序列;第二步用极值分析的方法分析的尾部,最后得到收益率序列的动态VaR和ES。最后对三个模型的计算结果进行比较。