VaR方法在投资银行市场风险管理中运用研究

作为市场风险度量方法之一,风险价值法(Value at Risk,以下简称VaR)能够有效地度量投行所面临的市场风险.结合上证综合指数,通过实证分析,讨论VaR法在投资银行市场风险评估领域中的具体应用.     

房地产板块风险分析——基于GARCH模型VaR方法

主要对GARCH模型在风险计量方面的理论方法进行了梳理,并选取2007年1月4日至2010年12月23日上证房地产指数日收盘价作为数据样本,运用GARCH模型VaR方法对我国股市中房地产板块的风险进行了实证分析。实证结果表明我国地产股指序列存在集聚效应,GARCH模型较传统静态法更能够较好的描述我国房地产板块的波动情况,因而测量的VaR值更能反映我国地产板块面临的风险程度。     

基于极值谱风险测度的金融市场风险度量

如何准确度量金融市场风险将是金融学研究的永恒话题.既考虑金融市场的实时波动,又关注投资者的风险态度,应是科学度量风险的方法.文章基于极值理论的POT模型,采用谱风险度量方法对上证综合指数、香港恒生指数和美国道琼斯指数进行了风险度量.实证结果表明,相对于忽视投资者风险态度的和值,考虑投资者风险厌恶态度的极值谱风险能够比较准确地度量金融市场的实际风险.     

Mc-GARCH模型在沪深股市VaR的度量中的运用

金融市场风险管理的核心是对风险的度量,度量风险最流行的方法是VaR方法。本文通过观察上证A股指数和深证A指数的收益率的分布情况,发现两市场的对数收益率存在明显的尖峰厚尾性,不服从正态分布的假定,并且由于两市场指数的对数收益率存在明显的波动聚集性。鉴于此,本文MCGARCH-VaR方法对上证A股指数、深证A股指数的VaR进行了估计及其虚拟资产组合的VaR值进行了估计,并对模型的估计效果进行了评价。     

基于GARCH(1,1)模型的我国商业银行市场风险研究

随着现今金融市场的发展,市场因子的波动性和联动性也随之增强。在互联网金融的时代变革下,商业银行作为传统的金融机构,其市场风险管理的重要性由此凸显。VaR是目前度量市场风险较为成熟的工具,也是巴塞尔委员会一直推荐的市场风险度量方法。以中国农业银行为例,基于GARCH(1,1)模型对其VaR值进行估计,研究表明VaR可以很好地刻画商业银行市场风险。     

金融市场风险度量方法研究及其实证分析

随着全球金融一体化、自由化进程加速,金融资产市场化、可交易化程度不断加深,金融市场风险逐渐成为金融机构和其他经济主体面对的主要风险之一.基于VaR方法的市场风险测量理论和技术,为测量金融市场风险提供了统一的框架和指标,成为金融市场风险管理的主流方法.在遵循VaR方法的基本框架下,利用VaR进行金融市场风险测量、管理所涉及的基本理论和实证问题进行研究和讨论,结果表明在我国的证券市场上GARCH模型能比较准确的度量市场风险.     

VaR模型在金融机构风险度量中的应用

作为风险度量和管理的新方法,VaR自诞生以来在风险管理领域得到了广泛的重视,并已成为金融市场风险管理中的主流方法。在阐述VaR模型的基本原理及其度量方法的基础上,分析了该模型在金融机构风险度量中的具体应用。     

基于VAR模型上证50指数的风险实证研究

随着中国金融期货交易所的成立，我国股指期货的推出就越来越临近了，但股指期货是一种风险较高的金融衍生产品，因此，在股指期货推出之前，需要研究有关指数的市场风险。以上证50指数作为研究标的，在对其随机性、平稳性和正态性检验的基础上，结合国际上广泛采用的市场风险测量工具——VaR（valueatrisk），对测量上证50指数市场风险相关问题进行实证研究，结果表明在中国的证券市场GARCH模型的结论是最准确的。     

基于VaR模型的我国股票市场风险度量研究

本文选取了2008年1月2日到2013年4月13日的上证综合指数的日收益率作为研究对象,对我国股票市场风险度量进行实证分析,得到如下结论:第一,GARCH族模型能够成功地描述收益率波动的时间相关性;第二,我国股票价格收益率波动具有非对称效应,存在"杠杆效应";第三,基于GDE分布的GARCH族模型比基于t分布的模型能够更好地描述我国股票市场的波动性。     

沪深300指数的VaR风险测量——基于历史模拟法和蒙特卡罗模拟法

VaR是目前金融市场风险测量的主流方法。本文基于历史模拟法和蒙特卡罗模拟法,以沪深300指数为研究对象,进行了VaR风险测量实证研究。研究发现,蒙特卡罗模拟法能够较好地覆盖实际损失,适于我国股票市场价格指数的风险度量。     

基于中国证券市场高频交易的VaR计算方法的风险管理研究

20世纪80年代以来,伴随着全球金融市场的改革,金融衍生品发展迅速,交易品种越来越丰富,吸引了大量的投资者的关注,交易量迅猛增长,为市场提供了系统性风险管理的工具,同时也推动了证券市场的不断完善。日益波动剧烈的金融市场也使得金融风险暴露越来越频繁。新产品的陆续推出也使得传统风险度量方法不能满足金融市场的需要,迫切需要寻求更加可靠、精确、通用和符合市场实际情况的度量风险模型。VaR这种计算方法适应了时代发展。本文主要基于VaR计算方法研究中国证券市场高频交易的风险管理。     

应用VaR方法对我国寿险公司的挑战

<正>我国已经加入WTO,经济的国际化程度逐步提高。保险市场已于2005年全面对外开放。随着中国金融市场体系的建设,市场风险的重要性日益提高。随着利率市场化、汇率体制改革,衍生金融工具的广泛使用,寿险公司所面临的市场风险日益多样化,由于VaR模型具有可以综合度量风险的特点,在我国有着广泛的应用空间。但是在实际中又会面临很多问题,这些问题会导致风险衡量的     

我国证券市场风险测度研究——基于GARCH模型及VaR方法

在经济全球化和金融一体化的影响下,全球的金融环境发生了重大的变化,金融市场的波动性和系统风险也随之加剧。VaR作为一种新的风险度量和管理的工具,自诞生以来就得到广泛应用,它相比于传统的金融风险管理模型,更具有实用性和投资参考意义。我国股票市场发展时间较短,存在许多不成熟不规范的地方,使得我国证券市场指数经常大起大落,加强风险管理势在必行。     

半方差法和VAR方法的评价与实证分析——基于GARCH类模型

基于GARCH类模型,应用上证综合指数与港元对美元汇率数据,选择最优模型拟合汇率和指数,并估计VaR值,最后将VaR与半方差进行比较分析。结果表明,VaR与半方差在不同方面各具有直观性的优势:VaR用于衡量单个投资品或投资组合的风险上具有明显的优势,而半方差能直观地用于不同投资产品之间波动性的比较。     

我国不同时期证券收益率波动特征研究——基于GARCH族模型的实证分析

经济全球化的发展促进了世界资源配置的优化并提高了金融业的运行效率,但同时也降低了金融体系的稳定性、加剧了金融市场的波动性和市场风险。我国的证券市场充满着不确定性,市场形势处于不断变化的状态。借鉴国内外的研究成果,通过GARCH族模型进行实证分析,从描述统计和经济计量角度刻画证券上证综合指数收益率波动的特征,进而总结出我国证券市场中收益波动的统计特征。为了提高模型和研究结果的可靠性和精度,将我国1996年股市改革以及2008年金融危机作为分界点,对自我国股票市场建立(1990年12月19日)至今(截止至2015年3月2日)一共5880个数据进行分段分析,总结得出各不同阶段我国证券市场波动的特点。     

基于状态转移波动模型的金融市场动态风险测度研究

测度金融市场动态风险VaR的一个关键在于如何准确刻画金融市场收益波动率。引入马尔可夫状态转移的ARCH（Regime switching ARCH,SWARCH）模型。构建出基于状态转移波动模型的金融市场动态风险测度模型,然后运用其对中国大陆上证综指和伦敦金融时报100指数的市场风险进行测度,并运用Back-testing中的似然比率检验方法（Likelihood Ratio Test,LRT）对金融市场风险测度的准确性进行检验。实证结果表明,基于SWARCH的风险测度模型,不仅能够准确测度不同类型金融市场的动态风险,而且在测度金融市场大风险方面展现出同样具有优越的测度能力。     

关于几种金融风险度量模型的评价研究

风险度量方法一直是金融投资研究的热点问题之一,风险定量化研究又是风险管理的中心任务之一,本文针对VaR、CVaR、GRM金融风险度量模型进行了比较研究,并从静态和动态两方面进行了评价,对目前我国金融市场具有重要的借鉴意义。     

商业银行市场风险的VaR度量方法的概述

商业银行市场风险的度量一般采取标准法和内部模型法(即VaR模型)。《巴塞尔新资本协议》之后,VaR模型逐渐成为商业银行主要的风险评价和管理工具。然而VaR模型存在缺陷。本文论述了实际应用中的VaR度量方法及其不足之处。     

我国铜现货风险度量研究

面对铜价的剧烈波动,有效度量铜现货风险对市场参与者而言至关重要。本文比较了受金融危机影响市场环境变化前后两个时期——震荡时期和下行时期,历史模拟法HS、正态分布ND、广义条件异方差GARCH、随机分布SV和极值分布EV五种模型对铜现货对数收益率日VaR和ES的估计效果。结果表明,投资者适宜运用GARCH模型预测铜现货市场风险波动剧烈时期的风险价值VaR,运用EV模型预测铜现货风险的尾部损失的均值。     

我国开放式股票型基金的风险度量——基于GARCH—VAR模型

应用GARCH—VaR风险度量模型,对我国开放式股票型基金市场风险进行测量和分析,则能比较好的描述收益率波动的动态变化特征。该模型较符合我国证券投资基金的现状,并且可得到一个随时间变化的VaR序列,从而便于研究VaR的变化趋势和未来VaR的预测。对比不同分布下各模型计算出的VaR值的准确程度,可以为股票型基金的风险管理提供一个度量上的参考。