精华内容
下载资源
问答
  • 一、知识点介绍1.1 历史模拟法我们在之前有用到Delta-Normal的GARCH和RiskMetrics方法来计算VaR和ES,假设的是残差满足正态分布,对残差进行二次相关序列的建模并拟合残差,能够得到未来的预测值。而这里说的历史...

    一、知识点介绍

    1.1 历史模拟法

    我们在之前有用到Delta-Normal的GARCH和RiskMetrics方法来计算VaR和ES,假设的是残差满足正态分布,对残差进行二次相关序列的建模并拟合残差,能够得到未来的预测值。而这里说的历史模拟法和蒙特卡罗模拟法跟上面有点不太一样,所基于的前提跟GARCH和RiskMetrics方法认为残差存在着二次自相关不同,本节所涉及到的两种方法也是认为历史可以预测未来(即趋势存在着一定的平稳性),历史模拟法认为历史的分布和未来的分布是一致的,因此历史所计算出来的VaR和ES可以用来代替未来的VaR和ES。有点像电影《土拨鼠之日》不断重复的一天。

    1.2 蒙特卡罗模拟法

    跟历史模拟法不同,蒙特卡罗模拟法认为的是标准化残差是满足某种分布的(比如说学生t分布),它跟《土拨鼠之日》有些不同,并不是每天的简单重复,有点类似于《楚门的世界》,每天都会有向前一点点的变化,而在这个波动率的变化当中,这里的一点点变化就是标准化残差沿着学生t分布在变动。在这里我有必要解释下标准化残差的概念,其实一开始对这个概念也是糊里糊涂的,但是后来看到代码的实现,其实发现跟标准化正态分布的数据点有点类似。实际上我们在刻画残差的时候,假设说没有其他无关的扰动,数据的数值变动(也就是残差)是完全遵循我们模型算出来的总体标准差sigma的变动的,如果是正态分布,我们应该能看到所有数据点都整整齐齐排在正态分布的曲线上(注意跟数据点出现的顺序无关,并且样本要足够大),但实际上不可能这么理想,本身模拟出来sigma也要变动,并且这个变动(err)我们假设是满足t 学生分布的,那么残差=sigama * err,这里的err是均值为0,标准差为1,自由度为df的标准的t分布,相当于t分布的err其实是一个标准,sigma*err相当于是一个线性的作用(思考利率一定的情况下,本金越多,收益当然越大)。

    我们绘制一下自由度为4的t分布图。

    curve(dt(x,df=4),from=-3, to=3, las='1', main='t distribution', cex.main=0.8)

    ff311e551554

    二、数据处理

    2.1 历史模拟法

    2.1.1 读取数据

    dd

    head(dd)#打印出前几行看一看

    dim(dd)#看看data的维度请款

    输出结果

    ff311e551554

    输出结果

    ff311e551554

    输出结果

    从返回的结果来看,数据一共有7列,有1258行。

    接下来,我们以收盘价计算出收益率的大小,同样是对数取差。

    dd

    head(dd)#打印出前6行看看结果

    ff311e551554

    2.1.2 计算VaR值

    #接下来我重新命名下改为loss,并每个值都转换成百分比的值

    loss

    #计算置信水平为95%的分位数

    VaR

    ff311e551554

    接下来我们知道了单日VaR的值是2.072488%,也就是在95%置信水平下的波动率不会超过这个值,这个是单日的,如果是多日的,则要乘以sqrt(T),然后再乘以投资金额就可以了。当然也可以用5天为一个滚动窗口,求平均值以及求这个5天窗口形成的数据的分位数VaR值,这样就不用乘以sqrt(T),但结果应该是有差别的。

    2.1.3 计算ES值

    ES是指当损失大于VaR以后的损失均值,因此我们通过排序把95%置信区间以后的最大数筛选出来,然后求算术平均就可以了。

    sloss

    ES

    ES

    ff311e551554

    所计算的单日头寸ES为2.942944%。

    2.2 蒙特卡罗模拟法

    我们接下来试着用代码来建模预测

    步骤如下:

    建立GARCH模型,预测出均值和方差方程

    进行蒙特卡罗模拟

    其中蒙特卡罗模拟计算VaR和ES的方法思路如下:

    ff311e551554

    最终得到的数据点分布还是按照之前的95%分位点的方法去取得VaR以及计算尾部均值ES。

    2.2.1 建立GARCH模型

    在这里我们加多一个参数distribution.model='std'表明标准化残差是满足t分布的。

    spec3

    #拟合模型

    fit3

    #查看模型的拟合结果

    show(fit3)

    输出结果

    ff311e551554

    我们之后还要用到这些参数来计算当天的方差->经过标准化t 学生分布转化后的残差->计算出当天的损失率的值->计算出5天损失率的总和

    我们先把这些参数都存储起来

    mu

    alpha

    beta

    df

    #从拟合结果当中提取历史波动率

    sig

    2.2.2 进行蒙特卡罗模拟

    接下来要初始化一开始的数据值

    #设置天数为一周,也就是5天

    t

    #迭代次数

    nround

    #设置随机性,这样你再重新运行代码也是相同的满足随机分布的数字

    set.seed(42)

    #生成t分布的一个矩阵,行为天数,列为迭代次数

    err

    #设置迭代的起始点,取历史数据的最后一行,包括数据点和标准差

    init

    #初始化x_t为空值

    xt

    输出结果

    ff311e551554

    ff311e551554

    #以init为起点,进行nround轮迭代

    for (j in 1:nround){

    lt

    at

    vart

    for (i in 1:t){

    var

    vart

    at

    lt

    }#此循环结束后,得到未来5期的损失变量序列的一次模拟值lt

    xt

    }#此循环结束后就得到5期损失变量总和的3000次模拟值

    输出结果

    ff311e551554

    ff311e551554

    #计算VaR值

    VaR2

    #计算ES

    sxt

    ES2

    VaR2

    ES2

    ff311e551554

    ff311e551554

    idxVaR2]#筛选出大于VaR2值的索引

    ES3

    ES3

    ff311e551554

    以另外一种方法打印出ES的均值与排列后的尾部均值是一致的,说明结果比较靠谱。

    结果表明,用蒙特卡罗模拟法得到一周的VaR值和尾部均值ES为4.376929%和5.841472%。也就是说在95%的置信水平下,未来一周最大损失率不超过4.376929%,万一发生95%外的损失均值为5.841472%。

    三、总结

    本文介绍了历史模拟法和蒙特卡罗模拟法计算VaR和ES的实现,历史模拟法比较好理解,但是蒙特卡罗模拟法的流程需要花点心思研究下,并且不同模型的前提是不同的,要关注模型成立的前提条件决定使用什么样的模型。

    参考资料

    展开全文
  • 历史模拟法VAR

    2015-04-26 21:19:19
    历史模拟法计算var,希望对同学们有所帮助
  • 基于历史模拟法VaR计算及其优化,陈玉峰,孙洪祥,VaR是20世纪90年代初期开始发展起来的一种金融市场风险测量方法,近来已经成为金融机构的一个重要的管理测度,VaR的计算有多种方法�
  • 计算VaR的两种常用方法:参数法(正态VaR和对数正态VaR)和非参数法(历史模拟法),主要使用的函数是scipy.stats的求特定分布分位点的函数ppf,以及np.percentile求样本中的分位数。

    参数法

      正态VaR:假设资产组合的收益率服从正态分布,那么VaR也服从正态分布,VaR=-(μ-Z·σ)×P0,算出来的是loss,如果为负则为收益。μ为资产组合的期望收益率,用往年平均收益率替代;σ为组合收益率的波动率;Z=Φ-1( c )为正态分布的分位数(取正数);P0为组合的价值。证明如下:
    在这里插入图片描述

      对数正态VaR:假设资产组合的对数收益率服从正态分布,那么资产价格P和VaR服从对数正态分布,VaR=(1-eμ-z·σ)×P0,各参数的含义同上。可按照以下思路简单证明:假设资产原始价格为P0,在某一置信水平下受到一个极端冲击后价格下降为P(比如在95%的置信水平下最低价格为P),这一过程的对数收益率为R,即P=P0×eR,那么根据定义VaR=|P0-P|=|P0(1-eR)|,假设R服从正态分布,那么在此置信水平下的极端收益率为μ-z·σ,代入到R中即得VaR公式。

      注意如果要求%VaR,那么公式中就不用乘P。对数正态VaR的值会比正态VaR要小。

      假定有一家国内金融机构在2018年12月28日(最后一个交易日)的投资组合市值为1亿元,组合中配置的5种金融资产配置为:贵州茅台股票15%,交通银行股票20%,嘉实增强信用基金50%,华夏恒生ETF基金5%,博时标普500ETF基金10%。管理层要求计算持有期分别为1天和10天、置信水平为99%情况下的VaR,同时假定整个投资组合收益率是服从正态分布或对数正态分布。

    data=pd.read_excel('C:/Users/lenovo/Desktop/投资组合.xlsx',index_col=0)
    data
    Out[7]: 
                贵州茅台  交通银行  嘉实增强信用基金  华夏恒生ETF  博时标普500ETF
    日期                                                     
    2015-01-05  202.52  7.05     1.071   1.0955      1.1205
    2015-01-06  197.83  6.90     1.073   1.0860      1.1105
    2015-01-07  192.94  6.76     1.074   1.0964      1.1239
    2015-01-08  191.76  6.53     1.074   1.1042      1.1446
    2015-01-09  190.31  6.50     1.075   1.1075      1.1346
               ...   ...       ...      ...         ...
    2018-12-24  568.00  5.61     1.285   1.4505      1.5116
    2018-12-25  565.79  5.63     1.286   1.4488      1.5116
    2018-12-26  560.08  5.68     1.286   1.4475      1.5814
    2018-12-27  563.00  5.72     1.286   1.4393      1.5963
    2018-12-28  590.01  5.79     1.287   1.4358      1.5885
    R=np.log(data/data.shift(1)).dropna()
    w=np.array([0.15,0.2,0.5,0.05,0.1])
    Rmean=R.mean();Rcov=R.cov()
    Rp=np.sum(R.mean()*w)
    volp=np.sqrt(w@Rcov@w.T)
    print('投资组合的μ={:.6f},σ={:.6f}'.format(Rp,volp))
    投资组合的μ=0.000268,σ=0.006427
    def VaR_norm(miu,sigma,x,P,n):#n参数为持有期,x为置信水平
    	import scipy.stats as st
    	z=abs(st.norm.ppf(q=1-x))#标准正态分布中1-x的概率对应的分位点
    	return -(miu-z*sigma)*P*np.sqrt(n)
    def VaR_lognorm(miu,sigma,x,P,n):
    	import scipy.stats as st
    	z=abs(st.norm.ppf(q=1-x))
    	return (1-np.exp(miu-z*sigma))*P*np.sqrt(n)
    print('99%置信水平下1天的normal VaR为{:.2f},lognormal VaR为{:.2f}'.format(\
    VaR_norm(Rp,volp,0.99,1e8,1),VaR_lognorm(Rp,volp,0.99,1e8,1)))
    99%置信水平下1天的normal VaR为1468366.22,lognormal VaR为1457638.30
    print('99%置信水平下10天的normal VaR为{:.2f},lognormal VaR为{:.2f}'.format(\
    VaR_norm(Rp,volp,0.99,1e8,10),VaR_lognorm(Rp,volp,0.99,1e8,10)))
    99%置信水平下10天的normal VaR为4643381.70,lognormal VaR为4609457.03
    

      以第二个结果为例,在99%的置信水平、持有期为10天的情况下,VaR达到了464.34万元,意味着从理论上来说未来的10个交易日内,有99%的把握认为1亿元的投资组合累计最大亏损不会超过464.34万元。

    非参数法(历史模拟法)

      历史模拟法的思路是将所有样本的收益率或收益额进行排序,根据置信水平找出对应分位数的值(数值小的一端),再取绝对值就是VaR。依然以上述案例为例,用历史模拟法计算持有期分别为1天和10天、置信水平为99%情况下的VaR。

      step1:生成投资组合的日收益序列:

    rp=pd.Series((1e8*R)@w,index=R.index)#投资组合的日收益额
    import matplotlib.pyplot as plt
    from pylab import mpl
    mpl.rcParams['font.sans-serif']=['SimHei']
    mpl.rcParams['axes.unicode_minus']=False
    plt.hist(rp,bins=40,edgecolor='k')
    plt.xlabel('投资组合日收益额')
    plt.ylabel('频数')
    plt.title('投资组合日收益额直方图')
    plt.grid()
    

    在这里插入图片描述
      step2:对投资组合的日收益额序列进行正态性检验,计算投资组合的VaR:

    st.normaltest(rp)
    Out[15]: NormaltestResult(statistic=192.37738470012968, pvalue=1.681828434884396e-42)
    #显然p<0.01,拒绝服从正态分布的原假设,因此用参数法计算VaR可能会产生偏差
    def VaR_daily(a,x):
    	#求a数列第(1-x)%分位的数值的绝对值,默认升序排序
    	return abs(np.percentile(a,(1-x)*100))
    print('99%置信水平下1天的VaR为{:.2f},10天的VaR为{:.2f}'.format(\
    VaR_daily(rp,0.99),VaR_daily(rp,0.99)*np.sqrt(10)))
    
    99%置信水平下1天的VaR为2135730.95,10天的VaR为6753774.29
    

      在99%的置信水平下历史模拟法计算出的10天VaR=675.38万元>正态VaR=464.34万元,可见在本案例中历史模拟法具有对尾部极端风险更强的捕捉能力。

      还有一种改进的参数法叫非参数密度估计(Non-parametric Density Estimation),将损失额直方图的每一根立柱的顶部中点进行连线,那么在线下的区域就可以当做该分布的概率密度函数,这样我们就能根据求出任意置信水平下的VaR,可以解决传统历史模拟法下n个样本最多只能有n个置信水平的问题。
    在这里插入图片描述

    展开全文
  • VaR是指在给定的置信度下,资产组合在未来持有期内所遭受的最大可 能损失
  • 风险价值(VaR)及其所有相关问题仍然是风险管理中的主要模式。风险价值的一个关键问题是它没有适当地考虑波动率,这意味着危机期间风险被低估。 解决这个问题的一个强有力的方法是将VaR与GARCH模型结合起来考虑...

    原文链接:http://tecdat.cn/?p=3817 

     

    风险价值(VaR)及其所有相关问题仍然是风险管理中的主要模型。风险价值的一个关键问题是它没有适当地考虑波动率,这意味着危机期间风险被低估。

    解决这个问题的一个强有力的方法是将VaR与GARCH模型结合起来考虑条件波动性。为了说明这种方法,我们将一个正态分布的GARCH(1,1)应用于股票市场指数。

    ##初始化
    #Load Packages
    library(fImport)
    library(fPortfolio)
    library(ggplot2)
    
    #输入
    from = "1995-11-20"
    to = "2015-12-17"
    symbol = "^SSMI"
    
    #获取数据
    TS <- yahooSeries(symbol, from = from, to = to)
    SMI <- TS[,ncol(TS)]
    SMI <- returns(SMI, method = "continuous")
    
    #绘制收益率 
    seriesPlot(TS[,4])

    从Yahoo获取数据

    histPlot(SMI, main = "SMI Returns")
    

     

    模型估计

    SMI收益数据有5078个观测值。我使用前3078个观察值对GARCH模型进行初始估计。其余的2000个观测值用于验证和测试。

    library(rugarch)
    library(zoo)
    
    SMIdf <- as.data.frame(SMI)
    
    #GARCH
    #GARCH定义 (改变分布类型)
    gspec11 <- ugarchspec(variance.model = list(model = "sGARCH", 
                          garchOrder = c(1, 1)),
                          mean.model=list(armaOrder=c(0,0), 
                          include.mean = FALSE), 
                          distribution="norm")
    
    

    结果

    
    #VaR 结果
    plot(Returns, type = "l", pch = 16, cex = 0.8,  col = gray(0.2, 0.5),
         ylab = "Returns", main = "95% VaR Forecasting", xaxt = "n")
    

    从图中我们可以看到,VaR-GARCH(黑线)组合更加符合实际,降低了发生波动时的VAR限制,而对于静态VaR(红线),我们观察到了收益率连续突破界限。


    最受欢迎的见解

    1.R语言基于ARMA-GARCH-VaR模型拟合和预测实证研究

    2.R语言时变参数VAR随机模型

    3.R语言时变参数VAR随机模型

    4.R语言基于ARMA-GARCH过程的VAR拟合和预测

    5.GARCH(1,1),MA以及历史模拟法的VaR比较

    6.R语言时变参数VAR随机模型

    7.R语言实现向量自动回归VAR模型

    8.R语言随机搜索变量选择SSVS估计贝叶斯向量自回归(BVAR)模型

    9.R语言VAR模型的不同类型的脉冲响应分析

     

    展开全文
  • 参数法和模拟法计算VaR

    千次阅读 2012-01-16 15:24:00
    回顾VaR的定义,为未来收益的累计分布函数,那么 所以,VaR本质上为未来收益的分位点。要计算它,最重要的是估计未来收益的分布。...后一个方向成为模拟法,在实际使用中,又可分为历史模拟法和蒙特卡洛模拟法...

    回顾VaR的定义,为未来收益的累计分布函数,那么

    所以,VaR本质上为未来收益的分位点。要计算它,最重要的是估计未来收益的分布。在实际计算中有两种大的方向:

    1. 满足某种分布(通常使用正态分布)的假设上,估计该分布的参数,便可确定整个分布,然后求分位点。
    2. 进行抽样,通过样本的分位点估计整个分布的分位点。

    第一个方向被称为参数法;后一个方向成为模拟法,在实际使用中,又可分为历史模拟法和蒙特卡洛模拟法两种。对于这三种方法,不单需要知道它们的计算方法,更重要地是了解它们的假设和适用范围。以下提到的风险因子、风险映射、风险矩阵、估值等概念,已在【VaR Primer】风险因子和估值框架里详细描述。其它比如风险矩阵等计算方法将在【VaR Primer】VaR的参数选择和计算细节里给出。

    1.参数法

    在参数法中,通常假设未来收益满足正态分布,这个假设的合理性在于:

    1. 风险因子的短期表现如股票收益率、利率变动等可以用联合正态分布近似
    2. 大多数资产都可以表示为风险因子的线性组合,并且
    3. 正态分布的任意线性组合仍然是正态分布,故一个组合的预期收益分布还是正态分布,由其方差唯一确定。

    参数法的计算步骤:

    1. 选择风险因子
    2. 计算风险因子的风险矩阵(通常选取指数加权法,详情见【VaR Primer】VaR的参数选择和计算细节)。
    3. 计算组合分解到各个风险因子上的暴露市值(或者delta)
    4. 计算组合的事前波动率
    5. 然后将波动率转化为VaR:

    2.模拟法

    模拟法是在模拟场景下,计算组合的收益样本,通过大量的模拟场景,取这些模拟出来的收益样本的分位点得到VaR。根据生成样本的方法,有历史模拟法 和蒙特卡洛模拟法,其中历史模拟法使用历史实际场景,而蒙特卡洛模拟法则随机生成场景(基于某种假设的分布和用历史数据拟合的参数)。

    模拟法的合理性基于:当样本数量足够多时,样本分位点无限接近于真实的VaR,即样本分位点是VaR的无偏估计。

    2.1.历史模拟法

    历史模拟法指使用历史上实际发生的场景作为模拟场景,然后计算当前组合在历史场景下的损益情况。这有点像电影回放。

    历史模拟法无需对风险因子的收益分布作任何假设,这使得可以完美地描述尾部。但历史法基于一个重要的假设:过去历史会在未来重演。这一方面,可能忽略掉可能的尾部风险;另一方面,又可能将不可能发生的尾部带入到未来。

    2.2.蒙特卡洛模拟法

    历史模拟法的一个缺陷在于,计算结果依赖于少数几个极端历史样本,其它样本对结果几乎没有影响。蒙特卡洛模拟法则可补足这一点,它大概分为几步:

    1. 估计风险因子的分布:假设分布类型和计算分布参数。如果为联合正态分布,则计算风险矩阵。
    2. 根据分布生成随机场景(通常500个以上的场景)
    3. 计算组合中各个头寸在每个场景下的估值,得到在各个场景下的组合损益
    4. 根据上一步得到的组合损益样本,取对应的分位点

    蒙特卡洛模拟法与参数法一样的地方在于,它也需要对风险因子的分布做假设。但相较而言,参数法只能假设风险因子为联合正态分布,而蒙特卡洛法则不需要,因为它不基于“正态分布的线性组合还是正态分布”这个事实。

    虽然蒙特卡洛模拟法允许各种各样的分布,但最常用的还是联合正态分布。

    3.其他VaR指标的计算

    3.1.ES(Expected shortfall)

    对于参数法,ES可以使用下述转换公式:

    对于模拟法,ES即其样本分布的尾部平均值。比如计算95%的ES,只需取组合模拟场景下的收益的较小的5%部分的平均值。

    3.2.增量VaR、边际VaR和成分VaR

    增量VaR和成分VaR都用上一篇文章中的公式进行计算。因为不需要重新计算最耗费时间的风险因子分布参数估计和头寸估值,所增加的计算量很少。

    在用模拟法计算成份VaR时,由于模拟法本身就有一定的误差,使得直接使用成分VaR的计算公式得到的结果极为不稳定。由于资产的小幅度变化不改变 对各场景下的损益顺序,VaR总是在发生在同一个场景下。所以在实际中采取下面计算方法,这种方法可以消除重新估值和估计分位点带来误差:

    首先,在计算总VaR时,假设VaR在某个特定场合下取得,那么资产的成分VaR就是每个资产在该特定场合下的损益值。

    相对VaR指标

    上面所说的都是绝对指标,它们都可以推广到相对于某一基准上,即相对VaR等指标。在计算这些指标的过程中,需要将风险因子的收益换成风险因子相对于基准的相对收益即可。

    展开全文
  • (四十四)蒙特卡洛模拟法计算VaR

    千次阅读 2020-03-18 13:46:58
    蒙特卡洛模拟计算VaR的思路是,模拟组合中每一个资产在下一个交易日的价格,得到收益率就可以计算组合收益了,重复这个过程多次再按照历史模拟法VaR即可。
  • VaR - 风险价值 - 蒙特卡罗 - Python

    千次阅读 多人点赞 2018-11-15 00:47:06
    简单来说,蒙特卡罗模拟法即运用历史数据对未来进行多次模拟,以求得未来股价结果的概率分布。蒙特卡罗模拟法的公式如下, 其中S为股票的价格,为股价变动大小(有正负),μ为期望收益率(平均),Δt为时间间隔,σ为...
  • 简单来说,蒙特卡罗模拟法即运用历史数据对未来进行多次模拟,以求得未来股价结果的概率分布。蒙特卡罗模拟法的公式如下,其中S为股票的价格,为股价变动大小(有正负),μ为期望收益率(平均),Δt为时间间隔,σ为...
  • VaR如何计算?VaR计算方法

    千次阅读 2020-04-23 22:41:10
    VaR的计算方法通常有三大类:分析法、历史模拟法和蒙特卡罗模拟法,这3种方法从不同角度来分析资产的风险价值。后面的案例中将对股指期货交易中金的最大损失值进行计算,即对金的VaR值进行估计。 1、分析法 ...
  • 本资源包含,用matlab实现历史模拟法、蒙特卡罗法、参数模型法等三种方法求解VaR
  • 风险价值(下称VaR)的计算方法主要有历史模拟法(非参数法)、分析方法、蒙特-卡罗模拟法三类。不同的计算方法、计算参数下所得的VaR都是不同的。若某机构宣称其产品的VaR较低即投资风险较低,投资者还需在投前明确其...
  • matlab 在险价值 VaR 的计算

    千次阅读 多人点赞 2019-04-17 12:13:26
    历史模拟法 蒙特卡罗模拟法 参数模型法 代码和数据下载 VaR 模型 Value at Risk 在险价值,即 VaR。是指一定时期内,一定置信水平下,某种资产组合面临的最大损失。 Prob(Δp≤VaR)=1−αProb(\Delta p \le VaR)...
  • 计算风险价值VaR

    2018-12-04 12:38:11
    主要内容: 1、数据可视化与标准化 2、历史模拟法 3、基于随机收益率序列的蒙特卡罗风险价值计算 4、基于几何布朗运动的蒙特卡罗模拟 等等
  • 压力测试就是要评估压力情景下的损失对金融机构的影响,对于历史情景可以直接用历史模拟法,对于头脑风暴情景可以用蒙特卡洛模拟法,计算出来的Stressed VaRVaR大,但是也较为主观。
  • Python金融实战之计算VaR

    千次阅读 多人点赞 2020-02-24 10:37:05
    一、历史模拟法计算VaR 1.VaR 定义:Value at Risk,在一定概率水平(置信度)下,某一金融资产或证券组合价值在未来特定时期内的最大可能损失。一日 5% VaR 可以理解为一天发生损失超过VaR的概率小于等于5%。 2....
  • 采用历史模拟法、蒙特卡罗模拟法、指数加权法、等权重法、GARCH法和极值理论法六种参数方法和非参数方法对国际有色金属期货市场风险值VaR建模, 并引入基于极值理论的预期...
  • 风险模型—VaR模型2

    千次阅读 2018-08-14 16:30:55
    在风险模型—VaR模型1中,我为大家介绍了什么是VaR,如何求解VaR—利用收益率RRR的分布函数或分布律。今天我将为大家介绍如何求解VaR—如何求解收益率RRR的分布函数或分布律。 ...2.历史模拟法...
  • VaR风险价值-Python版本

    万次阅读 多人点赞 2018-11-12 01:11:18
    3.1 历史模拟法 3.1.1 使用TUSHARE读入美的复权后估计数据 隆重介绍一下TUSHARE, 非常好的财经数据库, 能获取到国内股价信息 #环境&amp;数据准备 import sys as sy import numpy as np import pandas as ...
  • 金融风险度量的 VaR 模型 作 者 郝芸芸 系 别 经济管理学院 专 业 金融学 ...历史模拟法蒙特卡洛模拟法以及方 差一 方差法各种方法均存在自身假设条件或固有的缺陷在选择 计算 VaR 的方法时需要在计算效率所需数据信息
  • UL=Credit VaR=WCL-EL,主要思想是二项分布+历史模拟法,适合估计组合中资产不相关的情况下的Credit VaR。注意求集合子集的方法以及df.map函数的使用。
  • VaR(value at risk)在险价值

    万次阅读 2018-04-09 15:35:40
    VaR的方法有:历史模拟方法,正态方法,蒙特卡洛方法,压力测试VaR方法可以有效测算出金融市场正常波动下资产组合的市场风险,但金融市场极端事件时有发生,市场价格分布具有明显的肥尾效应,这个时候用VaR方法...
  • 理论推导和实证研究结果表明, 基于Copula-VaR的能源价格风险模型充分考虑了能源价格之间的相互关系优化组合权重, 在计算能源投资组合权重分配时, 与历史模拟法、等权重分配方法和单一投资方案相比, 能更好地降低...
  • 完全估值,可处理非线性、大幅波动与厚尾问题;利用计算机反复生成模拟数据,计算结果更具可靠性和精确性;利用风险因子变化的历史数据信息改善和修正随机模拟模型,对风险因子未来变化的模拟更贴近现实

空空如也

空空如也

1 2 3
收藏数 44
精华内容 17
关键字:

var历史模拟法