VaR_一种风险度量的方法

合集下载

基于VaR的金融风险度量与管理

基于VaR的金融风险度量与管理

基于VaR的金融风险度量与管理一、本文概述随着全球金融市场的不断发展和创新,金融风险管理逐渐成为金融机构和投资者关注的核心问题。

本文旨在探讨基于VaR(Value at Risk,风险价值)的金融风险度量与管理方法,分析其在现代金融风险管理中的应用及其优势。

我们将首先介绍VaR的基本概念、计算方法和主要特点,然后探讨VaR在金融风险管理中的应用,包括风险测量、风险限额设定、绩效评估等方面。

我们还将讨论VaR方法的局限性,并探讨如何结合其他风险管理工具和方法,提高风险管理的有效性和准确性。

我们将总结VaR在金融风险度量与管理中的重要地位,展望其未来的发展趋势和前景。

通过本文的研究,读者可以更深入地了解VaR在金融风险管理中的应用,为金融机构和投资者提供更加科学、有效的风险管理工具和方法。

二、VaR的基本原理与计算方法VaR,即Value at Risk,中文称为“风险价值”,是一种用于度量和量化金融风险的统计工具。

VaR的基本原理在于,它提供了一个在给定置信水平和持有期内,某一金融资产或投资组合可能遭受的最大损失估计。

这一度量方法的核心在于将风险量化,从而帮助金融机构、投资者和监管机构更准确地理解和管理风险。

计算VaR的方法主要有三种:历史模拟法、方差-协方差法和蒙特卡洛模拟法。

历史模拟法是一种非参数方法,它基于过去一段时间内资产价格的历史数据来估计未来的风险。

这种方法假设历史数据能够代表未来的可能情况,通过计算历史收益率的分布,进而得到VaR值。

这种方法简单易行,但对历史数据的依赖性强,且无法反映市场条件的变化。

方差-协方差法是一种参数方法,它基于资产收益率的统计分布来计算VaR。

这种方法首先估计资产收益率的均值、方差和协方差,然后根据这些参数计算VaR。

这种方法能够反映市场条件的变化,但需要假设资产收益率服从特定的分布,且对极端事件的预测能力有限。

蒙特卡洛模拟法是一种基于随机过程的计算方法,它通过模拟资产价格的随机变动来估计VaR。

市场风险度量方法

市场风险度量方法

市场风险度量方法
市场风险度量方法是用来衡量市场风险的工具或方法。

以下是一些常见的市场风险度量方法:
1. 波动率(Volatility):衡量资产价格变动的波动程度。

常用的衡量方法包括历史波动率、隐含波动率等。

2. Value at Risk (VaR):标准度量市场风险的方法之一。

VaR表示在给定时间里,在给定置信水平下,投资组合可能的最大损失金额。

常用的VaR计算方法有历史模拟法、参数法和蒙特卡洛模拟法。

3. 杠杆(Leverage):投资组合的杠杆水平显示了投资者使用借入资金进行投资的程度。

较高的杠杆意味着更高的市场风险。

4. 市场相关性:衡量不同资产之间的相关性。

相关性较高意味着资产之间的价格变动更为一致,增加了投资组合面临的风险。

5. 市场贝塔(Market Beta):衡量一个资产或投资组合相对于市场整体的风险。

市场贝塔大于1意味着资产或投资组合的价格变动较市场整体更为剧烈,风险更高。

6. 度量投资组合风险的模型:如CAPM(资本资产定价模型)、APT(套利定价
理论)等。

这些方法多数在金融机构和投资银行中使用,以帮助投资者评估和管理市场风险。

需要注意的是,市场风险度量方法的选择应该根据具体情况和投资目标来确定。

市场风险测度之VaR方法

市场风险测度之VaR方法

市场风险测度之VaR方法VaR方法是一种基于统计学和概率论的市场风险测度方法,其核心思想是通过测量投资组合或资产的价格变动范围,来估计在一定置信水平下的最大可能损失。

VaR方法通过考虑价格波动、相关性和分布假设等因素,将市场风险以单一的数值表示,为投资者提供了一个快速且直观的衡量标准。

VaR方法的测算过程相对简单,通常可以通过历史数据、模拟分析和风险度量模型等多种方式来完成。

其中,历史数据法是最常用的方法之一,它通过分析过去一段时间的市场价格变动情况,计算得出投资组合或资产的VaR值。

模拟分析法则是基于随机模拟的方法,通过生成大量随机价格路径,从中计算得出VaR值。

风险度量模型则是建立在统计学和数理金融理论的基础上,通过建立适当的数学模型,计算得出VaR值。

VaR方法的测度结果可以为投资者提供一定的参考信息,帮助他们更好地识别和管理市场风险。

通过测算VaR值,投资者可以了解到在特定置信水平下的最大可能损失,从而对投资组合或资产的风险水平进行评估和控制。

例如,当VaR值较高时,投资者可以采取适当的对冲或风险管理策略来降低风险暴露;反之,当VaR值较低时,投资者可以考虑适度增加投资组合的风险敞口以追求更高的回报。

然而,需要注意的是,VaR方法存在一定的局限性。

首先,VaR方法是基于历史数据和假设的,对于极端市场事件的预测能力有限。

其次,VaR方法只提供了风险的下限,并不能绝对保证投资组合或资产的损失不会超过VaR值。

因此,在使用VaR方法进行风险测度时,投资者应该结合其他市场风险测度方法和风险管理工具,综合分析和评估风险暴露。

总之,VaR方法作为一种常用的市场风险测度方法,在金融领域发挥着重要的作用。

它通过测算最大可能损失来衡量投资组合或资产的市场风险,为投资者提供了一个快速且直观的风险度量标准。

然而,需要注意的是,VaR方法有其局限性,投资者应该在使用过程中综合考虑其他因素,并采取适当的风险管理策略。

市场风险度量方法

市场风险度量方法

市场风险度量方法市场风险度量方法是用来衡量投资组合、资产或投资项目所面临的市场风险的方法。

市场风险度量是投资管理中的重要环节之一,能够帮助投资者了解市场风险的程度,从而做出合适的投资决策。

下面将介绍一些常用的市场风险度量方法。

1. 波动率度量法:波动率是市场价格随时间变动的波动程度,是衡量市场风险的重要指标。

常用的波动率指标包括标准差、方差和平均绝对偏差等。

基于历史数据对这些指标进行计算,可以得到投资组合或资产的波动率。

波动率越大,市场风险越高。

2. Value at Risk(VaR)法:VaR是一种用来度量投资组合或资产可能的最大损失的方法。

它基于统计学模型和历史数据,通过计算在给定置信水平下的最大可能损失,来衡量市场风险的程度。

例如,一个10%的VaR指标意味着有10%的概率投资组合或资产的损失将超过这个指标。

3. 杠杆风险度量法:杠杆风险是指投资组合或资产由于借款而承担的风险。

当杠杆比例较高时,投资者可能会面临更大的风险。

常用的杠杆风险度量指标包括资产负债比率、固定资产负债率和杠杆倍数等。

这些指标可以帮助投资者了解借款对投资组合或资产的风险影响。

4. 市场风险指数:市场风险指数是一种用于衡量整个市场风险的指标,代表了市场整体波动的程度。

常见的市场风险指数包括道琼斯工业平均指数(DJIA)、标准普尔500指数(S&P 500)和纳斯达克综合指数(NASDAQ)。

投资者可以通过观察市场风险指数的变化来了解市场风险的趋势。

5. Capital Asset Pricing Model(CAPM)法:CAPM是一种用来估算投资组合或资产预期回报的模型,也可以用来衡量市场风险。

该模型将一个资产的预期回报与市场整体的风险联系起来,通过市场风险溢价来衡量市场风险的程度。

市场风险溢价越高,市场风险越大。

这些市场风险度量方法各有优劣,适用于不同的情况和投资者。

因此,在实际运用中,投资者可以综合使用多种市场风险度量方法,以全面评估市场风险。

风险:用VaR度量风险

风险:用VaR度量风险

风险:用VaR度量风险提高金融风险控制水平的需求催生了统一的风险度量方法——风险价值法(VaR),而私人部门越来越多地采用其作为抵御金融风险的第一防线。

监管机构和央行也为VaR提供了推动力。

巴塞尔银行监管委员会于1995年4月宣布对商业银行资本充足率的要求也将建立在VaR的基础上。

[1]1995年12月,美国证券交易委员会发出提议,要求美国上市公司披露有关衍生工具的活动信息,而VaR即为披露的三种可选方法之一。

因此,显而易见的趋势是采用基于VaR的更透明化的金融风险报告方法。

VaR是指在给定的置信水平下,一段时间内最坏的预期损失。

VaR用一个数字测量了全球范围内市场风险的敞口和金融变量朝不利方向变动的可能性。

VaR用于测量风险的单位为美元。

比如说,信孚银行曾经在其1994年的年报中透露,其日VaR的平均值在99%的置信度下为3500万美元;人们很容易就会将这个数字与信孚银行6.15亿美元的年利润或47亿美元的权益总额相比较。

在这样的数据基础上,股东们和经理人们可以决定他们是否对这个程度的风险感到舒适。

如果答案是否定的,那么计算VaR的过程就可以被用来确定该从哪些方面减少风险。

除了金融报告,VaR还可用于很多别的目标,比如说为交易员设定头寸限额,以及在风险调整的基础上衡量回报率和模型评估等。

机构投资者们也把VaR作为一种衡量他们对风险敞口控制的动态方法,特别是在很多外部基金经理也参与其中的时候。

非金融公司,特别是那些参与期货交易的机构,也在考虑建立以VaR 为中心的风险管理系统。

VaR提供了一种对冲总风险效果的连续测量,相较过去那些传统的、通常关注个别交易的对冲方案,这种方案在适用性方面的提高相当显著。

不用怀疑,这些理想的特质说明了当前全盘偏向VaR趋势的缘由。

然而,尽管VaR受到了普遍的追捧,但是人们并没有认识到VaR只是对风险的估计。

实际上,VaR只是由于不利金融风险而导致的可能损失的近似值。

金融风险度量VaR方法及其应用

金融风险度量VaR方法及其应用

第25卷第6期V ol 125 N o 16长春师范学院学报(自然科学版)Journal of Changchun N ormal Un iv ersity (N atural Science )2006年12月Dec 2006金融风险度量VaR 方法及其应用张 峰,胡艳连(郑州航空工业管理学院数理系,河南郑州 450015)[摘 要]风险价值(VaR )是近年来受到国际金融界广泛支持和认可的一种度量金融风险的工具。

本文介绍了VaR 的基本原理、VaR 的计算方法,并且比较了各种计算方法的优缺点及发展方向,阐述了将VaR 方法引入中国金融风险管理领域对我国的金融市场建设的重大意义。

[关键词]VaR ;金融风险;风险管理[中图分类号]O29 [文献标识码]A [文章编号]1008-178X (2006)06-0022203[收稿日期]2006-02-20[作者简介]张 峰(),男,陕西铜川人,郑州航空工业管理学院数理系教师,西安交通大学硕士研究生,从事金融计算与金融优化研究。

1 引言随着金融创新的不断涌现和金融交易的全球化,金融市场得到迅猛发展,这也使得金融市场的波动日益加剧,金融机构的运作也面临更为复杂的风险。

金融风险主要包括市场风险(Market Risk )、信用风险(Credit Risk)、操作风险(Operational Risk)、流动性风险(li quidity risk)及法律风险(Legal r i sk)等,其中市场风险和信用风险是最重要的两种。

20世纪70年代金融风险管理主要是对于信用风险的管理,随着金融市场的波动更加剧烈,并且出于风险分散的需要,金融衍生工具应运而生并迅速发展,但也孕育了更大的风险,例如巴林银林(Barings Bank)的倒闭、日本大和证券(Daiwa Securities)巨额交易亏损等等。

由于管理金融市场风险成为严峻的问题,VaR (Value at Risk ,简称V aR )应运而生了,1993年,由三十小组(the G roup of Thirty )发表了关于衍生工具的报告,监管组织第一次明确地赞同采用“风险价值系统”(Value at Risk S ys 2tem)来评估金融风险,1994年J 1P 1m organ 提出风险管理V aR ,最初主要应用于金融市场风险的度量和控制。

VaR的定义及算法

VaR的定义及算法

VaR的定义及算法当前应用广泛的VaR技术(V alue-at-risk)是1993年J·P·Morgon,G30集团在考察衍生产品的基础上提出的一种风险测度方法。

VaR方法一经提出便受到广泛欢迎:巴塞尔银行监管委员会于1996年推出的巴塞尔协议的补充规定中,明确提出基于银行内部VaR 值的内部模型法,并要求作为金融机构计量风险的基本方法之一;美国证券交易委员会(SEC)1997年1月规定上市公司必须及时披露其金融衍生工具交易所面临风险的量化信息,指出VaR方法是可以采用的三种方法之一;目前美国一些较著名的大商业银行和投资银行,甚至一些非金融机构已经采用VaR方法。

V AR之所以具有吸引力是因为它把银行的全部资产组合风险概括为一个简单的数字,并以美元计量单位来表示风险管理的核心——潜在亏损。

VaR的基本含义是在某一特定的持有期内,在给定的置信水平下,给定的资产或资产组合可能遭受的最大损失值。

这一含义体现了VaR 度量技术的综合性。

JP.Morgan定义为:V aR 是在既定头寸被冲销(be neutraliged)或重估前可能发生的市场价值最大损失的估计值;而Jorion则把VaR定义为:“给定置信区间的一个持有期内的最坏的预期损失”。

其数学定义式为:Prob(△p≥-VaR)=1-α其中:△p 表示在△t时间内,某资产或资产组合的损失;α为给定的置信水平。

对某资产或资产组合,在给定的持有期和给定的置信水平下,VaR给出了其最大可能的预期损失。

VaR计算主要涉及两个因素:目标时段和置信水平。

目标时段是指我们计算的是未来多长时间内的VaR,它的确定主要依赖于投资组合中资产的流动性而定,一般取为1天,1周,10天或1月;置信水平的确定主要取决于风险管理者的风险态度,一般取90%一99.9%。

为了更好的理解VaR的概念,可举例说明,例如J.P .M organ公司1994年年报披露,1994年该公司一天的95%VaR值为1500万美元。

VAR含义方法

VAR含义方法

VAR方法(Value at Risk方法,风险价值方法),也称受险价值方法、在险价值方法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;利用方差及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(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。

用公式表示为:Prob(△Ρ其中Prob表示:资产价值损失小于可能损失上限的概率。

△Ρ表示:某一金融资产在一定持有期△t的价值损失额。

VAR表示:给定置信水平α下的在险价值,即可能的损失上限。

α为: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800万元。

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800万元的概率为5%,平均20个交易日才可能出现一次这种情况。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

如果收益率服从正态分布 , 为了方便 , 先把一 般的 分 布 转 换 为 标 准 正 态 分 布 Ψ (ε) , 令 ε = R-μ σ ε σ , 其中 , 是收益率 R 的标准离差 . 则 ~ N
图1 上证综指及其收益率时序图
Fig. 1 Shanghai Stock index and its returns
q p
2 σ t = α 0 +
i =1
2 αε ∑
i
t- i
+
j =1
2 βσ ∑
j
t- j
( 2)
图2 VaR 风险控制图
Fig. 2 VaR for stock index
图 2 中显示了每日收益率和置信水平为 95 % 和 99 %的条件置信区间 , 统计结果得到约有 95 % 的收益率落在 95 %的置信区间内 , 而约有 98. 5 % 的收益率在 99 %的置信区间内 . 由此看来该模型 已经抓住了风险变化的特征 . 但也看到 , 当置信水
2 ε t | M t - 1 ~ N ( 0 ,σ t) ,
β 0 ( j = 1 , 2 , …, p) . j ≥
(2) 式被称为 G ARCH ( p , q ) 模型 . G ARCH ( p , q) 模型等价于 ARCH ( q) 模型在 q 趋于无穷时的情
况 , 但待估参数却大为减少 . 由上面两个模型的条 件方差形式可知 , ARCH ( q) 模型是一个短记忆过 程 ,即随机误差项 ε t 的条件方差仅依赖于过去 q 时期的实现 . 而 G ARCH ( p , q ) 模型为一长记忆过 程 ,即 ε t 的条件方差依赖于所有过去的时期的实 现. G ARCH 模型的本质特征是随机误差项的条件 方差服从 ARMA 过程 . ARCH 及其以后产生的扩展模型能很好地模 拟方差的行为 ,经济学家也很热衷于对误差方差的 形式作一些小小的改动 , 构造出新的模型 . 这些模 型被称为 G ARCH 模型类 . 我们可以在一定的分布假设下 , 应用上面的 2 G ARCH 模型类计算时变的条件方差 σ t ,将σ t 代替 VaR 计算公式中的 σ, 即可计算得到 VaR 的值 VaR t σ = Pt - 1α t. 我们应用条件异方差方法 , 估计了上证综指收 益率的风险 . 图 2 是利用 AR ( 6) - GRACH ( 1 ,1) -M 模 型进行估计所得到的持有期为一天 、 置信水平为 95 %和 99 %的 VaR 风险控制图 ( 出于方便 , 纵坐标 用收益率表示 ,而不是用 VaR 值 ,在本文中对讨论 结果没有影响) .
收稿日期 : 2001 - 12 - 13 ; 修订日期 : 2002 - 02 - 21
推广 . 在险价值 (VaR) 可定义为 : 在一定的市场条件 下 ,一项交易或头寸 ,由于市场反向变动 ,在未来一 个选定的时期内 ,对一个设定的概率而言的预期最 大损失值 [1 ] . 在险价值可以通过以下公式计算而 得: 在险价值 ( VaR) = 头寸当前价值 ×头寸相对 于相关风险改变量敏感度 × 风险因素可能变化幅 度. 这里 ,头寸当前价值是指以目前市场价格和比 率计算的资产组合市值 ; 头寸相对于相关风险因素 改变量的敏感度 ,是指风险因素的市场变化所导致 的组合价值的改变量 ; 风险因素的可能变化幅度 , 是指在设定的置信水平下 ,风险因素相对于目前水 平的最大可能变化幅度 ,它是整个在险价值计算的 核心 ,其计算的关键部分是给出风险因素波动率的 估计 . 计算在险价值的方法大致可分为三类 : 分析 法、 历史法和蒙特卡罗模拟法 . 分析法是基于资产收益的历史时间序列 ,计算 各种资产收益的波动率和相关系数 . 资产组合的在 险价值 ,是组合中所包含的各金融资产收益的波动 率及相关系数的函数 . 历史法又分为简单历史法和 历史模拟法 . 简单历史法不需要对资产收益的分布 作任何假定 ,它从实际历史数据中直接寻找所要的 最低收益率作为在险价值的估计 . 历史模拟法就是
( 0 , 1) . 设 - α = R′ -μ (α > 0) , 于是
9
σ
1 - c =
∫f ( R) d R = ∫Ψ (ε) dε.
- ∞ - ∞
R′

这样求风险价值 VaR 就转化为求偏离 α, 使其 左边区域面积等于 1 - c , 这可根据给定的置信水平 c , 通过查标准正态分布表 , 得到对应的标准正态分 布的分位数 . 因此 , 有 σ, R′= μ - α ) = P0α σ. VaR = E ( P) - P′= - P0 ( R′ - μ 以上的方法可以推广到正态分布和其他的累 积概率函数 , 其中的所有不确定性都体现在 σ 上 , 当然不同的分布会得到不同的 α值 . 这一方法被称 为参数法 [ 1 , 2 ] . 对于任意的投资组合 , 为计算其 VaR , 需要估 计组合的回报率标准差 . 假设包括 N 种资产 , 投资 组合的回报率是其标的资产的线性组合 . 定义权重
因此 , 找到最小收益率 R′ , 即等同于找到了
VaR. 令 f ( . ) 为收益率分布的概率密度函数 , 则不
管随机变量 R 服从何种分布 , 在给定的置信度下 , 下面的式子总是有效的 :R′
图 1 是上证综指及其收益率时序图 , 时间自 1998 年 1 月 5 日至 2001 年 12 月 31 日 , 共 723 个交 易日 , 数据来自分析家软件 . 我们通过考察上海股 市的波动情况 , 可以看到上证指数的收益率存在明 显的异方差性 , 即在某些时期内的波动十分激烈 , 而另一些时期的波动又相对平静 .
VaR — — — 一种风险度量的方法
陈学华 ,杨辉耀
( 广州大学 数量经济学研究所 , 广东 广州 510405)
摘 要 : 在险价值是目前市场风险估值的主流理论 ,被用来估计市场风险暴露在给定置信度下的最坏的预期损 失 . 本文介绍了 VaR 的概念和计算方法 . 考虑到时变风险 ,讨论了 G ARCH 模型 ,最后给出了评价模型的后验测试 方法 . 关键词 : 在险价值 ; G ARCH 模型 ; 置信水平 ; 后验测试 中图分类号 : F 830. 59 文献标识码 : A
W i = Pi / P0 , 其中 , Pi 是资产 I 的价值 , P0 是资产组
2 VaR 的数学表述和有关参数估计
) =1 设在给定置信水平 C 下 , 有 Prob ( R < R′ - c. 其中 , R 为描述收益率的随机变量 , R′ 称为在
给定的置信水平下的最小收益率 . 设期望收益率为 μ, 期初的资产价值为 P0 , 则期末的资产价值为 p = P0 ( 1 + R ) . 根据前面给出的在险价值的定义 , 在 给定置信水平 C 下 , 投资组合的最小价值为 p′ = ) . 故下面的式子成立 : P0 ( 1 + R′
10
广州大学学报 ( 自然科学版) 第1卷
ARCH 模型具有良好的特性 , 即持续的方差和
p≥ 0, q≥ 0 ,α 0 ,α 0 ( i = 1 , 2 , …, q) , 0 ≥ i ≥
处理厚尾的能力 ,能较好地描述股价等金融变量的 波动特征 ,表明金融时间序列的比较明显的变化是 可以预测的 . 存在 ARCH 效应时 , 使用 ARCH 模型 与使用无条件方差的普通最小二乘法相比 ,能显著 提高预测的准确性 . 正是由于 ARCH 模型的这一特 点 ,它在过去十几年里得到了普遍的重视和推广 . 下面作一些简单的介绍 [3 ,5 ] . 设随机变量 Yt 与解释变量 X t 和参数 B 之间 的回归关系可以用以下模型表示 : Yt = X′ tB + ε t ,
). VaR = E ( P) - P′= - P0 ( R′ - μ
合的价值 , 令 W 代表权重的列向量 , R 是回报率的 列向量 . 则组合的回报率可表示为 R P = W T R , 方差
2 T 为σ 表示 R 的方差 - 协方差阵 , 从 P = W ∑W , ∑ σ 而投资组合 VaR p = α p P0 . 由此可见 , 应用分析法计 算 VaR 的关键是对参数 σ的估计 .
描述股票价格等金融现象过去最常用的模型 是随机游走模型 , 但对于异方差性的这一特征 , 用 随机游走模型却很难解释 . 为了刻画时间序列的这 种特征 ,Engle 于 1982 年首先提出了自回归条件异
方差 ( ARCH) 模型 , 并立即受到广大研究人员的重 视 . 目前已出现了许多重要的研究成果 ,ARCH 模 型的理论和数学结构已经建立 ,它的性质和特点已 为研究人员和实际工作者所接受 .
t- i
( 1)
α 0 > 0 ,α i ≥0 ( i = 1 , 2 , …, q) 则称 ( 1 ) 式为 ARCH ( q ) 模型 . 在实际应用中 , 为了达到更好的拟合效果 , 常常需要更大的阶数
q , 这会增加待估参数的个数 , 而降低参数估计的
效率 . 针对这个问题 , Bollerslec 在 ARCH ( q) 模型中 增加了 P 个自回归项 , 即 :
第1卷 第2期 2002 年 3月
广州大学学报 ( 自然科学版)
JOURNAL OF G UANGZHOU UNIVERSITY(Natural Science Edition)
Vol. 1 No12 Mar. 2002
文章编号 :1671-4229 (2002) 02-0008-05
ε t = zσ t t , zt 为 i . i . d , 并且
E ( z t ) = 0 , Var ( z t ) = 1 .
其中 ,ε t 序列无关 , M t - 1 为 t - 1 期获得的信
2 息集 , 再设 σ t 具有如下形式 :
q
2 σ t = α 0 +
相关文档
最新文档