精华内容
下载资源
问答
  • R语言写的VAR预测模型

    2017-08-15 13:11:56
    R语言写的 var模型 最新出炉
  • 风险模型VaR模型1

    千次阅读 2018-08-09 20:12:36
    风险模型VaR模型 VaR,Value-at-Risk 的缩写。直译过来,便是“在险价值”或“风险价值”;明确定义的话,便是“在市场正常波动下,给定置信水平ppp,某一金融资产或资产组合在未来持有期T内可能遭受的最大损失值...

    1.VaR是什么?

      VaR,Value-at-Risk 的缩写。直译过来,便是“在险价值”或“风险价值”;明确定义的话,便是“在市场正常波动下,给定置信水平 p p ,某一资产或资产组合在未来持有期T内可能遭受的最大损失值”,用数学的语言描述:

    PXVaR=1p P ( X ≤ − V a R ) = 1 − p ,①

    其中 X X :该资产或资产组合在未来持有期T内的损益,为随机变量。通常VaR为正, X X 可正可负,正代表盈利,负代表亏损。

      例:某基金公司在2008年8月8日公布,置信水平为99%,持有期为10天的基金A的VaR为3600万元,可为以下三种等价描述:
    (1)基金A在未来10天的损失超过3600万的概率小于1%;
    (2)该基金公司以99%的概率作出保证:基金A在未来10天的损失不超过3600万;
    (3)该基金在未来的100天有1天的损失可能会超过3600万。

    2.如何求解VaR?

      根据VaR的定义(式①),我们的第一反应:找到损益X的分布函数或分布律,就可解出VaR。但是,实际运用中,我们更多的是通过收益率的分布函数或分布律来求解(至于为什么,请大家思考下)。那么收益率跟VaR的关系是什么呢?

      假设某资产或资产组合期初的市场价值为 V0 V 0 。预测经过未来的持有期 T T ,期末的市场价值为VT(随机变量)。在置信水平 p p 下,期末的市场价值最低可能为VT。通常大家觉得该VaR应表示为:

    VaR=V0VT V a R = V 0 − V T ∗ ,②

    式②称为绝对VaR。
    若以 VT V T 的期望为参照来表示:
    VaR=EVTVT V a R = E ( V T ) − V T ∗ ,③

    式③称为相对VaR。
    又因为 VT V T 可以表示为:
    VT=V01+R V T = V 0 ( 1 + R ) ,④

    其中 R R 为未来持有期T的收益率,为随机变量。
    VT V T ∗ 可以表示为:
    VT=V01+R V T ∗ = V 0 ( 1 + R ∗ ) ,⑤

    其中 R R ∗ 为置信水平 p p 下,未来持有期T的最小收益率。
    代入式②、式③:
    VaR=V0R 绝 对 V a R = − V 0 R ∗ ,⑥

    VaR=V0ERV0R 相 对 V a R = V 0 E ( R ) − V 0 R ∗ 。⑦

    那么,只要找到 R R <script type="math/tex" id="MathJax-Element-9017">R</script>的分布函数或分布律,就能求解出VaR了,具体方法见下一章。

    展开全文
  • 风险模型VaR模型2

    千次阅读 多人点赞 2018-08-14 16:30:55
    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。 1.方差—协方差法 假定RRR服从某一...

      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 R R 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R的分布函数或分布律。

    1.方差—协方差法

      假定不管是过去的收益率 R R 还是未来的收益率R,都是独立同分布的。所以方差—协方差法借助历史数据来估计未来收益率 R R 的分布。而且,方差—协方差法事先假定R服从某一具体分布,如正态分布、对数正态分布等。具体步骤如下:
    (1)收集数据
    ①确定持有期 T T :即根据R的定义(未来持有期 T T 的收益率),确定我们是要收集日收益率、周收益率还是年收益率等等;
    ②确定观察期:即确定我们是要收集多长时间里的收益率数据,观察期和持有期共同确定了我们收集数据的个数。

    (2)计算R
    ①确定置信水平 p p :根据需求确定;
    ②参数估计:我们已经假定了R服从某一具体分布,但是该分布函数的所有参数还是未知的,如,正态分布的均值 μ μ ,方差σ2;指数分布的 λ λ ;均匀分布的a b b 等。假如现在我们收集了n个收益率 R R 的数据:Ri i=1,2n i = 1 , 2 , … , n ,那么我们可用这些历史数据来估计参数,具体的估计方法有矩估计法、极大似然估计法等,就不具体阐述了;
    ③计算 R R ∗ :通过参数估计,我们获得了 R R 的概率密度函数fx和分布函数 Fx F ( x ) 。根据 R R ∗ 的定义(置信水平 p p 下,未来持有期T的最小收益率),用数学语言表示:

    Rfxdx=FR=1p ∫ − ∞ R ∗ f ( x ) d x = F ( R ∗ ) = 1 − p

    则我们要找的 R R ∗ 等于: R R 的概率分布的下分位数z1p。特殊分布可通过查表求得该下分位数 z1p z 1 − p

    (3)计算VaR
    ①计算绝对VaR:根据公式,

    VaR=V0R 绝 对 V a R = − V 0 R ∗ ,

    因为 V0 V 0 已知, R R ∗ 已求出,所以代入公式即可;
    ②计算相对VaR:根据公式,
    VaR=V0ERV0R 相 对 V a R = V 0 E ( R ) − V 0 R ∗ ,

    这里的 ER E ( R ) 可由样本均值来估计,即:
    ER=1ni=1nRi E ( R ) = 1 n ∑ i = 1 n R i ,

    也可通过概率密度函数来计算,即:
    ER=+xfxdx E ( R ) = ∫ − ∞ + ∞ x f ( x ) d x ,

    因为 V0 V 0 已知, ER E ( R ) R R ∗ 已求出,所以代入公式即可。

    (4)案例
    基金A的期初价值为 V0=1000 V 0 = 1000 万 ,假定其服从正态分布,根据收集到的历史收益率(持有期为10天),估计出 R R ~N0.1,0.04。假定置信水平 p= p = 99%,则:

    Φ(R0.10.2)= 因 为 , Φ ( R ∗ − 0.1 0.2 ) = 1%,

    R0.10.2=z0.01 R ∗ − 0.1 0.2 = z 0.01 , 通过查表, z0.01=2.33 z 0.01 = − 2.33 ,

    R0.10.2=2.33 R ∗ − 0.1 0.2 = − 2.33 ,

    R=0.366 R ∗ = − 0.366 ,

    所以, VaR=1000×0.366=366 绝 对 V a R = − 1000 万 × ( − 0.366 ) = 366 万 。

    计算结果表明:在未来10天,期初价值为1000万的基金A的绝对损失大于366万的概率不超过1%。

    2.历史模拟法

      同样假定不管是过去的收益率 R R 还是未来的收益率R,都是独立同分布的。所以历史模拟法同样借助历史数据来估计未来收益率 R R 的分布。但不同的是,历史模拟法不事先假定R的具体分布,而将 R R 看作离散型随机变量。具体步骤如下:
    (1)收集数据
    ①确定持有期T:即根据 R R 的定义(未来持有期T的收益率),确定我们是要收集日收益率、周收益率还是年收益率等等;
    ②确定观察期:即确定我们是要收集多长时间里的收益率数据,观察期和持有期共同确定了我们收集数据的个数。

    (2)计算 R R ∗
    ①确定置信水平 p p :根据需求确定;
    ②计算R:假如现在我们收集了 n n 个收益率R的数据: Ri R i i=1,2n i = 1 , 2 , … , n 。相当于分布律如下,

    PR=Ri=1ni=1,2n P ( R = R i ) = 1 n , i = 1 , 2 , … , n ,

    根据 R R ∗ 的定义(置信水平 p p 下,未来持有期T的最小收益率),用数学语言表示:
    RiRPR=Ri=1p ∑ R i ≤ R ∗ P ( R = R i ) = 1 − p

    联立两个式子,我们知道:将 Ri R i 从小到大排序,第 n1p n ( 1 − p ) 个数便是要找的 R R ∗ 。若 n1p n ( 1 − p ) 不为整,则四舍五入。

    (3)计算VaR
    ①计算绝对VaR:根据公式,

    VaR=V0R 绝 对 V a R = − V 0 R ∗ ,

    因为 V0 V 0 已知, R R ∗ 已求出,所以代入公式即可;
    ②计算相对VaR:根据公式,
    VaR=V0ERV0R 相 对 V a R = V 0 E ( R ) − V 0 R ∗ ,

    这里的 ER E ( R ) 由样本均值来估计,即:
    ER=1ni=1nRi E ( R ) = 1 n ∑ i = 1 n R i ,

    因为 V0 V 0 已知, ER E ( R ) R R ∗ 已求出,所以代入公式即可。

    (4)案例
    基金A的期初价值为 V0=1000 V 0 = 1000 万 ,共收集到254个历史收益率(持有期为1天),将其从小到大排序。假定置信水平 p=95% p = 95 % ,则 R R ∗ 为第 254×5%=12.713 254 × 5 % = 12.7 ≈ 13 个数(假设第13个数的值为 0.354 − 0.354 ),所以,

    VaR=1000×0.354=354 绝 对 V a R = − 1000 万 × ( − 0.354 ) = 354 万 。

    计算结果表明:在95%置信水平下,期初价值为1000万的基金A未来1天的绝对损失不超过354万。

    3.蒙特卡罗模拟法

      当然也假定不管是过去的收益率 R R 还是未来的收益率R,都是独立同分布的。但不同的是,蒙特卡罗模拟法事先假定该资产或资产组合的市场价值服从某一具体的随机过程。我们这里以几何布朗运动为例给大家阐述一下:
      假定基金A的价值波动满足几何布朗运动,单位时间的期望收益率为 μ μ ,单位时间的标准差为σ,则有:

    dVt=μVtdt+σVtεdt d V t = μ V t d t + σ V t ε d t , ①

    其中 Vt V t 为时刻 t t 的市场价值,ε是随机数,且 ε ε ~ N0,1 N ( 0 , 1 ) 。
    将式①离散化:
    ΔVt=μVtΔt+σVtεΔt Δ V t = μ V t Δ t + σ V t ε Δ t 。 ②

    我们将持有期 T T 看做是m个小时间段累积起来的,且有 Δt=Tm Δ t = T m 。 基金A的期初值为 V0 V 0 ,那么经过1个 Δt Δ t 后的价值为:
    V0+Δt=V0+ΔV0=V0+μV0Δt+σV0εΔt V 0 + Δ t = V 0 + Δ V 0 = V 0 + ( μ V 0 Δ t + σ V 0 ε Δ t ) ,

    那么经过2个 Δt Δ t 后的价值为:
    V0+2Δt=V0+Δt+ΔV0+Δt=V0+Δt+μV0+ΔtΔt+σV0+ΔtεΔt V 0 + 2 Δ t = V 0 + Δ t + Δ V 0 + Δ t = V 0 + Δ t + ( μ V 0 + Δ t Δ t + σ V 0 + Δ t ε Δ t ) ,

    依此类推,经过持有期 T T m Δt Δ t )后的价值为:
    V0+mΔt=V0+(m1)Δt+ΔV0+(m1)Δt V 0 + m Δ t = V 0 + ( m − 1 ) Δ t + Δ V 0 + ( m − 1 ) Δ t ,

    其中 V0+mΔt=VT V 0 + m Δ t = V T 。需要注意的是,上述推导过程中的 ε ε 是随机数,也就是说 m m 个式子中的ε代表的不是同一个值。

      根据推导过程,我们发现只要依次求出 V0+Δt V 0 + Δ t V0+2Δt V 0 + 2 Δ t … … V0+(m1)Δt V 0 + ( m − 1 ) Δ t 就可求出 V0+mΔt V 0 + m Δ t VT V T 。求解过程中涉及到 V0 V 0 T T m Δt Δ t μ μ σ ε ε
    V0 V 0 T T :已知;
    m:根据自身需求确定;
    Δt Δ t :根据公式 Δt=Tm Δ t = T m 确定;
    μ μ :表示单位时间收益率的期望(单位时间可以为1小时、1天等),通过历史收益率数据估计得到;
    σ:表示单位时间收益率的标准差(单位时间可以为1小时、1天等),通过历史收益率数据估计得到;
    ε ε :生成随机序列 εii=1,2,,m ε i , i = 1 , 2 , … , m
    这样,就生成了 VT V T 的一种可能值。

      对 ε ε 模拟 k k 次,我们就能得到VT k k 种可能值VTjj=1,2,,k
      在置信水平 p p 下,VT的最小值 VT V T ∗ :将 VjT V T j 从小到大排序,第 k1p k ( 1 − p ) 个数便是 VT V T ∗ 。(该方法与历史模拟法异曲同工)
      根据绝对VaR的公式:

    VaR=V0VT 绝 对 V a R = V 0 − V T ∗ ,

    V0 V 0 已知, VT V T ∗ 已求出,代入公式即可。
      根据相对VaR的公式:
    VaR=E(VT)VT 相 对 V a R = E ( V T ) − V T ∗ ,

    可根据 VjTj=1,2,,k V T j , j = 1 , 2 , … , k 估计 E(VT) E ( V T )
    E(VT)=1kj=1kVjT E ( V T ) = 1 k ∑ j = 1 k V T j ,

    V0 V 0 已知, E(VT) E ( V T ) VT V T ∗ 已求出,代入公式即可。

    展开全文
  • 提出了一种新的动态VaR和CVaR风险测度方法。 该方法旨在获取具有长期依赖性的波动时间序列的风险度量的预测估计。 该方法基于异方差时间序列模型。 FIGARCH模型用于波动率建模和预测。 该模型被简化为无穷级的AR模型...
  • 通过var模型获得残差的协方差计算,利用乔里斯基方差分解技术进一步将其转换为下三角矩阵,可以用于计算变量间的风险溢出效应
  • 基于GARCH-VaR模型的中国能源市场风险的实证分析,解晓峰,刘传哲,能源是人类生存的基础,是经济的命脉。我国是个能耗大国,在不断推进的工业化和城市化进程中,能源问题越来越成为我国经济发展和
  • 论文研究-基于BEMD-Copula-GARCH模型的股票投资组合VaR风险度量研究.pdf, 鉴于股票波动具有显著的多尺度特征,本文引入二元经验模态分解(EMD)与二元Copula-GARCH算法...
  • 为了衡量中国保险基金四种主要投资类型(银行存款,债券投资,股票投资,基金投资)的风险和绩效,本文首先介绍了中国保险基金投资的发展和现状,然后介绍使用VaR模型来衡量每种投资类型的风险。 最后,通过RAROC...
  • VAR模型风险计量分析简单整理

    千次阅读 2019-03-04 23:36:18
    最近帮朋友研究一个海龟期货模型,一直以为模型模型,原来该模型是一种策略,并非模型。在此记录下成长了金融期货的知识,满满的干货,简单记录方便日后回顾。 data1=read_excel("检验(0.2,0).xlsx&...

    最近帮朋友研究一个海龟期货模型,一直以为模型是模型,原来该模型是一种策略,并非模型。在此记录下成长了金融期货的知识,满满的干货,简单记录方便日后回顾。
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    data1=read_excel("检验(0.2,0).xlsx")
    str(data1)
    data=data1[1:3]
    data1=data[-2]
    
    y=data1$每日收益率
    t=data1$时间
    str(data)
    length(y)
    mean(y)
    mean.fun <- function(d, i) 
    {    m <- mean(y[i])
         n <- sd(y[i])
         v <- (n-1)*var(y[i])/n^2
         return(c(m,n,v))
    }
    
    mean.fun (y,1:500)
    
    air.boot <- boot(data, mean.fun, R = 500)
    print(air.boot)
    
    data1=read_excel("检验(0.2,0.1)策略.xlsx")
    str(data1)
    data=data1[1:3]
    data1=data[-2]
    
    y=data1$每日收益率
    t=data1$时间
    str(data)
    length(y)
    mean(y)
    mean.fun <- function(d, i) 
    {    m <- mean(y[i])
         n <- sd(y[i])
         v <- (n-1)*var(y[i])/n^2
         return(c(m,n,v))
    }
    
    mean.fun (y,1:500)
    
    air.boot <- boot(data, mean.fun, R = 500)
    print(air.boot)
    
    data1=read_excel("检验(0.2,0.2)策略.xlsx")
    str(data1)
    data=data1[1:3]
    data1=data[-2]
    
    y=data1$每日收益率
    t=data1$时间
    str(data)
    length(y)
    mean(y)
    mean.fun <- function(d, i) 
    {    m <- mean(y[i])
         n <- sd(y[i])
         v <- (n-1)*var(y[i])/n^2
         return(c(m,n,v))
    }
    
    mean.fun (y,1:500)
    
    air.boot <- boot(data, mean.fun, R = 500)
    print(air.boot)
    
    data1=read_excel("检验(0.5,0)策略 (1).xlsx")
    str(data1)
    data=data1[1:3]
    data1=data[-2]
    
    y=data1$每日收益率
    t=data1$时间
    str(data)
    length(y)
    mean(y)
    mean.fun <- function(d, i) 
    {    m <- mean(y[i])
         n <- sd(y[i])
         v <- (n-1)*var(y[i])/n^2
         return(c(m,n,v))
    }
    
    mean.fun (y,1:500)
    
    air.boot <- boot(data, mean.fun, R = 500)
    print(air.boot)
    
    data1=read_excel("检验(0.5,0.2).xlsx")
    str(data1)
    data=data1[1:3]
    data1=data[-2]
    
    y=data1$每日收益率
    t=data1$时间
    str(data)
    length(y)
    mean(y)
    mean.fun <- function(d, i) 
    {    m <- mean(y[i])
         n <- sd(y[i])
         v <- (n-1)*var(y[i])/n^2
         return(c(m,n,v))
    }
    
    mean.fun (y,1:500)
    
    air.boot <- boot(data, mean.fun, R = 500)
    print(air.boot)
    
        data1=read_excel("检验(0.5,0.5 黑色).xlsx")
        str(data1)
        data=data1[1:3]
        data1=data[-2]
        
        y=data1$每日收益率
        t=data1$时间
        str(data)
        length(y)
        mean(y)
        mean.fun <- function(d, i) 
        {    m <- mean(y[i])
             n <- sd(y[i])
             v <- (n-1)*var(y[i])/n^2
             return(c(m,n,v))
        }
        
        mean.fun (y,1:500)
        
        air.boot <- boot(data, mean.fun, R = 500)
        print(air.boot)
        
        data1=read_excel("检验(0.5,0.5).xlsx")
        str(data1)
        data=data1[1:3]
        data1=data[-2]
        
        y=data1$每日收益率
        t=data1$时间
        str(data)
        length(y)
        mean(y)
        mean.fun <- function(d, i) 
        {    m <- mean(y[i])
             n <- sd(y[i])
             v <- (n-1)*var(y[i])/n^2
             return(c(m,n,v))
        }
        
        mean.fun (y,1:500)
        
        air.boot <- boot(data, mean.fun, R = 500)
        print(air.boot)
        
        data1=read_excel("检验(1,0).xlsx")
        str(data1)
        data=data1[1:3]
        data1=data[-2]
        
        y=data1$每日收益率
        t=data1$时间
        str(data)
        length(y)
        mean(y)
        mean.fun <- function(d, i) 
        {    m <- mean(y[i])
             n <- sd(y[i])
             v <- (n-1)*var(y[i])/n^2
             return(c(m,n,v))
        }
        
        mean.fun (y,1:500)
        
        air.boot <- boot(data, mean.fun, R = 500)
        print(air.boot)
        
        data1=read_excel("检验(1,0.5)修改.xlsx")
        str(data1)
        data=data1[1:3]
        data1=data[-2]
        
        y=data1$每日收益率
        t=data1$时间
        str(data)
        length(y)
        mean(y)
        mean.fun <- function(d, i) 
        {    m <- mean(y[i])
             n <- sd(y[i])
             v <- (n-1)*var(y[i])/n^2
             return(c(m,n,v))
        }
        
        mean.fun (y,1:500)
        
        air.boot <- boot(data, mean.fun, R = 500)
        print(air.boot)
        
        data1=read_excel("盈亏分析 (1,1)策略.xlsx")
        
        str(data1)
        data=data1[1:3]
        data1=data[-2]
        
        y=data1$每日收益率
        t=data1$时间
        str(data)
        length(y)
        mean(y)
        mean.fun <- function(d, i) 
        {    m <- mean(y[i])
             n <- sd(y[i])
             v <- (n-1)*var(y[i])/n^2
             return(c(m,n,v))
        }
        
        mean.fun (y,1:500)
        
        air.boot <- boot(data, mean.fun, R = 500)
        print(air.boot)
    
    
    
    收集很多的Bootstrap模型的网站如下:
    https://blog.csdn.net/yujunbeta/article/details/24142545
    
    https://blog.csdn.net/yujunbeta/article/details/9255965
    
    https://blog.csdn.net/weixin_43452592/article/details/83893349
    
    http://blog.sina.com.cn/s/blog_5cd2f1e201019dz2.html
    
    https://blog.csdn.net/u013421629/article/details/73124004【直方图添加曲线】
    https://blog.csdn.net/yucan1001/article/details/13169687
    https://blog.csdn.net/it_beecoder/article/details/83090689
    
    https://blog.csdn.net/kmd8d5r/article/details/79366648
    
    par(mar=c(5,5,4,5)+0.1)
    bar <- barplot(absolute,ylab="总数",col="skyblue",col.axis="skyblue",col.lab="skyblue")
    mtext(LETTERS[1:8],side=1,line=1,at=bar,col="black")
    #mtext(" ",side=1,line=3,col="black")
    par(new=T)
    plot(bar,cum_per,axes=F,xlab="",ylab="",col="red",type="b")
    axis(4,col="red",col.ticks="red",col.axis="red")
    mtext("累计百分比%",side=4,line=3,col="red")
    title(main = '帕累托图')
    

    意义网站整理如下:
    http://www.cnblogs.com/wuzhitj/p/4363848.html 【累积分布函数:累计概率分布,将多个利润用折线图表示】

    https://blog.csdn.net/qq_19600291/article/details/79165229 【 蒙特卡罗分布】

    https://blog.csdn.net/PyDarren/article/details/79850368

    https://zhuanlan.zhihu.com/p/26517940

    http://www.sohu.com/a/67508574_116235

    https://weibo.com/p/230418659ec1310102wnes

    https://blog.csdn.net/qq_23851075/article/details/52052449

    展开全文
  • VaR方法(Value at Risk,简称VaR)[风险价值模型]

    万次阅读 多人点赞 2013-06-26 14:31:13
    VaR方法(Value at Risk,简称VaR),称为风险价值模型,也称受险价值方法、在险价值方法     风险价值VaR(Value at Risk)技术是目前市场上最流行、最为有效的风险管理技术。   VaR方法提出的背景  传统...

    VaR方法(Value at Risk,简称VaR),称为风险价值模型,也称受险价值方法、在险价值方法

     

     

    风险价值VaR(Value at Risk)技术是目前市场上最流行、最为有效的风险管理技术。

     

    VaR方法提出的背景

      传统的ALM(Asset-Liability Management,资产负债管理)过于依赖报表分析,缺乏时效性;利用方差β系数来衡量风险太过于抽象,不直观,而且反映的只是市场(或资产)的波动幅度;而CAPM(资本资产定价模型)又无法揉合金融衍生品种。在上述传统的几种方法都无法准确定义和度量金融风险时,G30集团在研究衍生品种的基础上,于1993年发表了题为《衍生产品的实践和规则》的报告,提出了度量市场风险的VaR(Value at Risk:风险价值)方法已成为目前金融界测量市场风险的主流方法。稍后由J.P.Morgan推出的用于计算 VaR的Risk Metrics风险控制模型更是被众多金融机构广泛采用。目前国外一些大型金融机构已将其所持资产的VaR风险值作为其定期公布的会计报表的一项重要内容加以列示。

     

    VaR的定义

      VaR(Value at Risk)按字面解释就是“在险价值”,其含义指:在市场正常波动下,某一金融资产或证券组合的最大可能损失。更为确切的是指,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

     

    VaR的表示公式[1]

      用公式表示为:

      P(ΔPΔt≤VaR)=a

      字母含义如下:

      P——资产价值损失小于可能损失上限的概率,即英文的Probability

      ΔP——某一金融资产在一定持有期Δt的价值损失额。

      VaR——给定置信水平a下的在险价值,即可能的损失上限。

      a——给定的置信水平

      VaR从统计的意义上讲,本身是个数字,是指面临“正常”的市场波动时“处于风险状态的价值”。即在给定的置信水平和一定的持有期限内,预期的最大损失量(可以是绝对值,也可以是相对值)。例如,某一投资公司持有的证券组合在未来24小时内,置信度为95%,在证券市场正常波动的情况下,VaR值为520万元,其含义是指,该公司的证券组合在一天内(24小时),由于市场价格变化而带来的最大损失超过520万元的概率为5%,平均20个交易日才可能出现一次这种情况。或者说有95%的把握判断该投资公司在下一个交易日内的损失在520万元以内。5%的几率反映了金融资产管理者的风险厌恶程度,可根据不同的投资者对风险的偏好程度和承受能力来确定。

     

     

     

    VaR的计算系数

      由上述定义出发,要确定一个金融机构或资产组合的VaR值或建立VaR的模型,必须首先确定以下三个系数:一是持有期间的长短;二是置信区间的大小;三是观察期间。

      1、持有期。持有期△t,即确定计算在哪一段时间内的持有资产的最大损失值,也就是明确风险管理者关心资产在一天内一周内还是一个月内的风险价值。持有期的选择应依据所持有资产的特点来确定比如对于一些流动性很强的交易头寸往往需以每日为周期计算风险收益和VaR值,如G30小组在1993年的衍生产品的实践和规则中就建议对场外OTC衍生工具以每日为周期计算其VaR,而对一些期限较长的头寸如养老基金和其他投资基金则可以以每月为周期。

      从银行总体的风险管理看持有期长短的选择取决于资产组合调整的频度及进行相应头寸清算的可能速率。巴塞尔委员会在这方面采取了比较保守和稳健的姿态,要求银行以两周即10个营业日为持有期限。

      2、置信水平α。一般来说对置信区间的选择在一定程度上反映了金融机构对风险的不同偏好。选择较大的置信水平意味着其对风险比较厌恶,希望能得到把握性较大的预测结果,希望模型对于极端事件的预测准确性较高。根据各自的风险偏好不同,选择的置信区间也各不相同。比如J.P. Morgan美洲银行选择95%,花旗银行选择95.4%,大通曼哈顿选择97.5%,Bankers Trust选择99%。作为金融监管部门的巴塞尔委员会则要求采用99%的置信区间,这与其稳健的风格是一致的。

      3、第三个系数是观察期间(Observation Period)。观察期间是对给定持有期限的回报的波动性和关联性考察的整体时间长度,是整个数据选取的时间范围,有时又称数据窗口(Data Window)。例如选择对某资产组合在未来6个月,或是1年的观察期间内,考察其每周回报率的波动性(风险) 。这种选择要在历史数据的可能性和市场发生结构性变化的危险之间进行权衡。为克服商业循环等周期性变化的影响,历史数据越长越好,但是时间越长,收购兼并等市场结构性变化的可能性越大,历史数据因而越难以反映现实和未来的情况。巴塞尔银行监管委员会目前要求的观察期间为1年。

      综上所述,VaR实质是在一定置信水平下经过某段持有期资产价值损失的单边临界值,在实际应用时它体现为作为临界点的金额数目。

     

    VaR的特点

      VaR特点主要有:

      第一,可以用来简单明了表示市场风险的大小,没有任何技术色彩,没有任何专业背景的投资者和管理者都可以通过VaR值对金融风险进行评判;

      第二,可以事前计算风险,不像以往风险管理的方法都是在事后衡量风险大小;

      第三,不仅能计算单个金融工具的风险。还能计算由多个金融工具组成的投资组合风险,这是传统金融风险管理所不能做到的。

     

    VaR在风险管理的应用

      VaR的应用主要体现在:

      第一,用于风险控制。目前已有超过1000家的银行、保险公司、投资基金、养老金基金及非金融公司采用VaR方法作为金融衍生工具风险管理的手段。利用VaR方法进行风险控制,可以使每个交易员或交易单位都能确切地明了他们在进行有多大风险的金融交易,并可以为每个交易员或交易单位设置VaR限额,以防止过度投机行为的出现。如果执行严格的VaR管理,一些金融交易的重大亏损也许就可以完全避免。

      第二,用于业绩评估。在金融投资中,高收益总是伴随着高风险,交易员可能不惜冒巨大的风险去追逐巨额利润。公司出于稳健经营的需要,必须对交易员可能的过度投机行为进行限制。所以,有必要引入考虑风险因素的业绩评价指标。

      第三,估算风险性资本(Risk-based capital)。以VaR来估算投资者面临市场风险时所需的适量资本,风险资本的要求是BIS对于金融监管的基本要求。下图说明适足的风险性资本与 VaR值之间的关系,其中VaR值被视为投资者所面临的最大可接受(可承担)的损失金额,若发生时须以自有资本来支付,防止公司发生无法支付的情况。

     

    VaR在期货上的应用

      期货合约是一种高杠杆的金融工具,期货交易具有高报酬、高风险的特征,因此期货交易风险的控制与管理非常重要。而VaR值可以使期货投资者了解目前市场上的风险是不是过大,可以让期货投资者在做期货交易之前判断期货交易的时机是否恰当,是否适合立即进行期货合约买卖的操作。如果VaR值比平日还来的大,则表示当日进场所承担机会成本将会较大,反之,如果VaR值比平日还来的小,则表示当日进场所承担机会成本将会较小。而对己拥有期货头寸的期货投资者来说,VaR可以告诉投资者目前所承担的风险是否己超过可忍受的限度。

      1、利用VaR方法正确制定期货保证金水平。

      期货价格的剧烈波动,令市场的风险急剧增加。如果不采取相应措施,则投资者甚至一些期货经纪公司的暴仓就势在难免。在国际期货市场上,为应对价格剧烈波动所带来的潜在市场风险,期货交易所普遍以提高保证金的方式进行有效防范。提高交易保证金水平是防范期货市场风险的一种市场化手段,具有灵活、透明、公平的特点。此举可以增强投资者对价格波动风险的抵御能力,不至于因价格波动较大而导致交易所会员和投资者穿仓,从而提高市场整体的抗风险能力

      期货保证金的主要目的在于降低违约风险,维护交易信用。如果仅以此角度考虑,那么最安全保险的方式是设定100%的保证金,如此,期货投资者将完全没有违约的机会,但也消除了期货市场的杠杆功能。因此,保证金机制的设计,除了考虑信用风险控管之外,必须兼顾到资金使用的效率。理想的保证金额度,一方面可以达到控制违约风险的目的,另一方面仍然提供具有吸引力的杠杆成数,维持市场参与者以小博大的资金效率。过高的保证金削弱资金效率,降低市场参与意愿,过低的保证金使结算中心和结算会员过度暴露于信用风险中,保证金设计必须在这两个极端之间取得平衡。我们知道,期货保证金所涵盖的风险应指正常交易状况下的所持期货头寸的损益,所以保证金不应被设计成为涵盖极端市场波动的机制,而这一点恰好符合VaR值在估算正常市况下最大可能损失金额的特性。

      在期货交易中,交易双方的履约诚信是期货交易的重要关键,为了降低违约风险,期货市场通过一系列严密的风险控制机制保证交易风险的控制。首先期货交易所结算中心在期货合约买卖过程中,介入买卖成为买方的卖方以及卖方的买方,代替一方而成为交易对手,同时承担对方于期货合约中应负的权利与义务。期货交易所结算中心介入期货交易后,等同于以结算中心的信用对期货合约的履约进行担保,从而使期货投资者无须顾虑交易对手的信用风险,但与此同时结算中心也承担了交易双方的信用风险,将自己暴露于任一方违约所带来的损失风险之下。为了防止期货投资者违约行为以及保护结算中心,期货交易的参与者必须存入保证金,作为未来损失的准备金。并实行每日盯市制度,每天按当日期货合约的清算价格计算未平仓部位的损益,将每日的收益加入保证金账户中、损失则自保证金账户中扣除。保证金账户中的余额不得低于维持保证金水平,否则将被追加保证金,以确保投资人有足够的损失准备。

      由此可见,期货保证金制度分为两个层次:第一层是会员经纪商向结算中心缴纳的结算保证金;第二层次是投资人向期货经纪公司交纳的客户保证金。这样的保证金制度源于期货交易的两层制。实际交易期货合约的过程包括两个层级,期货投资客户必须向期货经纪公司下达期货交易指令,期货经纪公司再将客户的交易指令下单至期货交易所进行撮合。因期货投资者在期货经纪公司处开户下单,故其账户由期货经纪公司管理,其保证金账户也由期货经纪公司结算和监控。通常我们把期货经纪公司向期货交易客户收取的保证金称为客户保证金。而期货经纪公司接受客户委托在期货交易所内进行交易时,必须保证该笔期货头寸能履行期货合约的责任,因此根据买卖期货合约的数量,期货经纪商公司必须在期货结算中心存入相应的保证金,称为结算保证金。期货结算中心只需监控期货经纪公司的保证金账户,而期货经纪公司再管理其投资人的保证金账户。换言之,期货结算中心承担与控制期货结算公司的风险,而期货结算会员承担与控制其客户的违约风险。期货交易所现行保证金设计制度是以保障期货价格单日波动损失金额为原则,通过参考最近一段期间的期货价格变动,以99.7%置信水平(三倍标准差)来估算单日最大可能发生的损失值(风险值),进而再转化为保证金水准。保证金(以指数期货为例)计算公式如下:

      结算保证金 = 指数 × 指数每点价值 × 风险价格系数

      其中风险价格系数决定于四个「样本群」(30个交易日、60个交易日、90个交易日、180个交易日)的风险值最大者(VaRmax),也就是

      风险价格系数=Max{VaRmax,5%}

      风险价格系数的下限5%,在于避免一段时间内,指数波动幅度降低,导致风险价格系数逐渐变小,使得保证金水准过低。若未来指数波动幅度突然扩大,原先保证金水平将不足以承担损失风险。下图比较现行制度(比如当变动达15%再调整保证金比率)和每日VaR值估算的差异,可明显看出,变动超过一定幅度(如15%时)才调整保证金使得保证金呈现阶梯状的变化(红线),而每日计算的保证金则每日水准不同(蓝线),当阶梯状的保证金水准高于每日调整的保证金水准时,表示期货结算公司交纳了较高的保证金;当阶梯状的保证金水准低于每日调整的保证金水准时,表示期交所面临保证金承担不足的违约风险。这说明 VaR值能够对现行保证金制度中的不足提供更好的补充,从而更使期货合约的保证金水平更为合理。

      2、利用VaR方法提高期货经纪公司竞争能力。

      假如我们去考察一些大的集团公司,如巴西咖啡制造商、德国的钢铁制造商和亚洲的航空公司等等,我们就会发现他们全都需要对商品价格、外汇汇率利率等价格的不利变动进行套期保值。他们最常使用的套期保值工具就是期货和交易所交易的期权产品。他们与期货经纪人的关系,主要体现在交纳期货保证金、交易和缴纳追加保证金。期货经纪公司是期货交易所的成员,它必须将客户交纳的保证金在转存于清算公司。但经纪公司向交易所缴纳的初始保证金通常低于客户向其缴纳的初始保证金,这主要是因为客户的某些头寸可以彼此抵消。另外,在大多数期货交易所,交易所对经纪公司的保证金标准要低于经纪公司对客户要求的保证金标准。

      那么,期货经纪公司为什么不降低向客户收取的保证金呢?如果降低保证金的话,期货经纪公司就可以向客户提供更有竞争力的报价:即同样的费用和较低的保证金。降低保证金对于那些对保证金高低比较敏感,或更多情况下对筹集现金较为昂贵的客户具有较大吸引力。而降低保证金所节约的资金并未出自期货经纪公司的腰包,所以这是一个对双方都有利的交易。因为许多对商品进行保值的客户信誉级别不高,融资较为昂贵。但是,这也正是降低保证金策略的局限性所在,如果这一策略使用过多的话,期货经纪公司将承担某些客户的信用风险。此外,但市场波动剧烈时,客户违约的可能性更大,从而使违约期间,追加的保证金更多。

      在面对上述情景时,VaR方法正好派上用场。即,期货经纪公司可以通过VaR方法把其保证金规模最优化,使其能够补偿大多数情况下的每日损失。这一工作包括两个方面,首先保证任何客户的损失不会将经纪公司置于无法生存的境地,第二,确保因信用风险导致的预期损失低于由交易佣金带来的收入。

      VaR值的计算可用于评估这两种状况。如果客户进行交易的资产相关性较弱,或者客户的违约概率较低,敞口头寸较少的话,VaR方法将使期货保证金降低的幅度大于目前所使用的方法,从而提高期货经纪公司的市场竞争力。

      3.期货交易中VaR值的计算

      虽然期货交易均使用保证金制度,但实际交易的是期货合约总值,因此需要注意的是,在计算VaR值时,应采用整个期货合约总值(投资组合)来评估,而不是投入的保证金。

      以下是计算VaR值的基本流程:

      第一,计算样本报酬率。取得样本每日收盘价,并计算其报酬率,公式如下:

      其中R为报酬率、P为收盘价、t为时间。

      第二,计算样本平均数及标准差:样本平均数和标准差分别有以下公式计算:

      第三,检测样本平均数是否为零。由于样本数通常大于30,所以采用统计数Z来检测。

      第四、计算VaR值。

      VaR=μ-Zaσ

      其中α为1-置信水平。

      下面就以买卖一手指数期货合约为例来说明VaR值的计算。假设最新的指数收盘价为4839,那么期货合约总值则为4839×200= 967800,然后,投资者应先选取大约半年的数据(通常都是使用股指每日报酬率),再利用以上四个步骤来推算出其单位风险系数,最后将单位风险系数与合约总值相乘,即可得出指数期货合约的VaR值。当然若投资者本身所投入的资金愈多,则所需承担的风险也将愈大。

     

    VaR模型的优点

      1、 VaR模型测量风险简洁明了,统一了风险计量标准,管理者和投资者较容易理解掌握。

      风险的测量是建立在概率论数理统计的基础之上,既具有很强的科学性,又表现出方法操作上的简便性。同时,VaR 改变了在不同金融市场缺乏表示风险统一度量, 使不同术语(例如基点现值、现有头寸等) 有统一比较标准, 使不同行业的人在探讨其市场风险时有共同的语言。

      另外,有了统一标准后,金融机构可以定期测算VaR值并予以公布,增强了市场透明度,有助于提高投资者对市场的把握程度,增强投资者的投资信心,稳定金融市场。

      2、可以事前计算, 降低市场风险。

      不像以往风险管理的方法都是在事后衡量风险大小,不仅能计算单个金融工具的风险, 还能计算由多个金融工具组成的投资组合风险。综合考虑风险与收益因素,选择承担相同的风险能带来最大收益的组合,具有较高的经营业绩。

      3、确定必要资本及提供监管依据。

      VaR为确定抵御市场风险的必要资本量确定了科学的依据, 使金融机构资本安排建立在精确的风险价值基础上, 也为金融监管机构监控银行的资本充足率提供了科学、统一、公平的标准。VaR 适用于综合衡量包括利率风险汇率风险股票风险以及商品价格风险和衍生金融工具风险在内的各种市场风险。因此, 这使得金融机构可以用一个具体的指标数值(VaR) 就可以概括地反映整个金融机构或投资组合的风险状况, 大大方便了金融机构各业务部门对有关风险信息的交流, 也方便了机构最高管理层随时掌握机构的整体风险状况, 因而非常有利于金融机构对风险的统一管理。同时, 监管部门也得以对该金融机构的市场风险资本充足率提出统一要求。

     

    VaR模型应用注意问题

      尽管VaR模型有其自身的优点,但在具体应用时应注意以下几方面的问题。

      1、数据问题。运用数理统计方法计量分析、利用模型进行分析和预测时要有足够的历史数据,如果数据库整体上不能满足风险计量的数据要求,则很难得到正确的结论。另外数据的有效性也是一个重要问题,而且由于市场的发展不成熟,使一些数据不具有代表性,而市场炒作、消息面的引导等原因,使数据非正常变化较大, 缺乏可信性。

      2、VaR 在其原理和统计估计方法上存在一定缺陷。

      VaR对金融资产或投资组合的风险计算方法是依据过去的收益特征进行统计分析来预测其价格的波动性和相关性, 从而估计可能的最大损失。所以单纯依据风险可能造成损失的客观概率, 只关注风险的统计特征, 并不是系统的风险管理的全部。因为概率不能反映经济主体本身对于面临的风险的意愿或态度,它不能决定经济主体在面临一定量的风险时愿意承受和应该规避的风险的份额。

      3、在应用Var模型时隐含了前提假设。

      即金融资产组合的未来走势与过去相似,但金融市场的一些突发事件表明,有时未来的变化与过去没有太多的联系,因此VaR方法并不能全面地度量金融资产的市场风险,必须结合敏感性分析压力测试等方法进行分析。

      4、VaR主要使用于正常市场条件下对市场风险的测量。

      如果市场出现极端情况,历史数据变得稀少,资产价格的关联性被切断,或是因为金融市场不够规范,金融市场的风险来自人为因素、市场外因素的情况下,这时便无法测量此时的市场风险。

      总之, VaR是一种一种既能处理非线性问题又能概括证券组合市场风险的工具,它解决了传统风险定量化工具对于非线性的金融衍生工具适用性差、难以概括证券组合的市场风险的缺点,有利于测量风险、将风险定量化,进而为金融风险管理奠定了良好的基础。随着我国利率市场化资本项目开放以及衍生金融工具的发展等,金融机构所面临的风险日益复杂,综合考虑、衡量信用风险和包括利率风险、汇率风险等在内的市场风险的必要性越来越大,这为VaR应用提供了广阔的发展空间。但是VaR本身仍存在一定的局限性,而且我国金融市场现阶段与VaR所要求的有关应用条件也还有一定距离。因此VaR的使用应当与其他风险衡量和管理技术、方法相结合。要认识到风险管理一方面需要科学技术方法,另一方面也需要经验性和艺术性的管理思想,在风险管理实践中要将两者有效结合起来,既重科学,又重经验,有效发挥VaR在金融风险管理中的作用。

     

     

     

    展开全文
  • 基于VaR风险控制下多期动态Log-最优资产组合模型,颜博,严定琪,本文考虑金融市场中的动态资产组合问题,以倍率-风险函数作为收益指标,风险价值(VaR)控制函数为风险指标,用动态规划方法建立�
  • 基于MF-VaR模型的基金投资风格漂移风险测度研究,许林,,基金投资风格漂移是把双刃剑,即在获取短期超额收益的同时,其背后也折射出巨大的漂移风险。本文以我国79只开放式股票型基金为样�
  • VaR风险耦合理论模型_数值模拟技术及应用研究_何旭彪.caj
  • 金融风险VaR模型研究\蒙特卡罗算法与matlab_精品教程_.pdf
  • 基于VaR-GARCH模型族的 我国黄金期货风险度量研究,王昱,刘传哲,金融时间序列具有分布的尖峰厚尾、波动的集聚性等特点,考虑到GED分布适合刻画资产收益的厚尾分布以及GARCH族模型能够动态描述收益�
  • 条件风险值_CVaR_模型的理论研究_蒋敏.caj
  • 然后根据每个模型的提前一天预测的波动率,我们计算每个市场的风险价值(VaR)。 SV估计的VaR度量值高于所有市场和所有阶段从政权转换模型获得的VaR度量值。 日本市场是一个例外,日本的随机波动率模型产生的VaR...
  • 风险价值(VaR)模型简介.pdf
  • 引入无风险证券的均值_VaR投资组合模型研究_安起光.pdf引入无风险证券的均值_VaR投资组合模型研究_安起光.pdf
  • 在CVaR风险度量准则下,构建了考虑用户风险规避的V2G备用消费价格补贴CVaR模型,并分别求解了一体化和分散决策下有、无消费价格补贴时的用户最优备用预订容量,以及有消费价格补贴下电网公司的均衡消费价格补贴....
  • 基于VaR-GARCH族模型的质押存货长期价格风险预测,何娟,蒋祥林,异于债券、股票等质押融资业务,存货质押业务风险度量的核心在于预测其长期价格风险。描述金融时间序列的一般特征,分析质押存货
  • 论文研究-基于Copula理论的多心理帐户组合VaR模型与基金风险管理.pdf, 在Shefrin和Statman的行为投资组合和多心理帐户理论的基础上,结合Copula理论对传统的VaR计算模型...
  • 主流保险业的实践已采用全球金融业的风险价值(VaR)作为主要的网络保险模型,而忽略了网络风险的区别特征和VaR的统计属性。 除非被消除和纠正,否则VaR在网络风险保险承保中的这种广泛误用预计将导致全球网络保险...
  • 为了研究电力市场环境下发电量在发电权交易市场中的分配比例问题,以条件风险价值(CVaR)为风险计量指标,把发电权交易市场分配的电量作为一种无风险资产,建立了带有CVaR约束的期望收益最大化的投标组合模型,讨论...
  • 基于ARCH族模型的上证A股指数VaR风险预测分析,贾胜如,,VaR方法作为当前国际金融界广泛认可的一种度量金融风险的工具,本文用当前金融领域刻画条件方差最典型的GARCH模型及其最新衍生模型
  • 变量值 使用蒙特卡罗和 GBM 模型计算股票的风险价值 (VaR) 的共享内存并行 Python 代码
  • 开发用于包含模型风险VaR 和贝叶斯推理的多方法实证研究; 分析马尔可夫链蒙特卡罗以启用贝叶斯推理以最小化模型风险; 开发网络保险组合框架,以尽量减少模型风险、尾部风险、系统性风险; 为超越模型风险管理...
  • 通过计算得到股票位于99%置信水平下的VAR,从而对其投资风险进行评价。通过对股票编号为000001.SZ、300231.SZ、002332.SZ、2012年01月04日-2018年12月28日时段的股票数据进行分析,证明了本模型的有效性。
  • 介绍了CVaR的概念及算法,并利用CVaR对风险进行度量,提出一个新的基于CVaR风险度量方法的投资组合优化模型。利用股票数据进行了实证分析,验证了模型的有效性。
  • VAR模型及蒙特卡罗模拟(张晓彤),可以用于风险评估,适合数学建模时使用,配合Eviews软件

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 10,586
精华内容 4,234
关键字:

var风险模型