极端情况下对我国股市风险的实证研究

中国管理科学 ›› 2012, Vol. 20 ›› Issue (3): 20-27.

• 论文 • 下一篇

极端情况下对我国股市风险的实证研究

王艺馨¹, 周勇^1,2

1. 上海财经大学统计与管理学院, 上海 200433;
2. 中国科学院数学与系统科学研究院, 北京 100190

收稿日期:2011-07-29 修回日期:2012-02-07 出版日期:2012-06-29 发布日期:2012-07-05

The Empirical Study of China’s Stock Market Risk in Extreme Situations

WANG Yi-xin¹, ZHOU Yong^1,2

1. Shanghai University of Finance and Economics, Shanghai 200433, China;
2. Academy of Mathematics and Systems Science, Chinese Academy of Sciences, Beijing 100190, China

Received:2011-07-29 Revised:2012-02-07 Online:2012-06-29 Published:2012-07-05

摘要/Abstract

摘要： 准确地度量风险是对风险进行有效管理的前提也是投资者做出合理的投资决策的基础,然而在极端事件频繁发生的情况下,传统的VaR计算方法难以准确地度量股市风险,极值理论却可以很好地解决这一问题。本文特别关注了由2007年美国"次贷" 危机所引发的全球金融危机爆发时我国股市的风险度量问题,考虑到全球股市间极端事件的联动效应,利用基于极值理论的POT模型对上证综指日收益率的尾部数据直接建模拟合分布,进而计算出风险值VaR和CVaR,通过比较危机前后的风险值,发现随着金融危机的到来,我国股市的风险有了一定程度的释放。

关键词: 极值理论, POT模型, VaR, 次贷危机

Abstract: Accurate measure of risk is a prerequisite for effective risk management and a basis for investors to make rational decisions, but the traditional method of calculating VaR is invalid when extreme events occur frequently.Luckily, extreme value theory can solve this problem effectively. Risk measurement of China's stock market against the background of subprime crisis is studied. Considering the extreme co-movements and impacts, extreme value theory and POT model are used to fit the tail distributions of daily returns of Shanghai Composite Index, and then calculate VaR and CVaR. By comparing the risks before and after the crisis, it is shown that with the advent of the financial crisis, risks in China's stock market have been released to a certain degree.

Key words: extreme value theory, POT model, VaR, subprime crisis

中图分类号:

F830.9

王艺馨, 周勇. 极端情况下对我国股市风险的实证研究 [J]. 中国管理科学, 2012, 20(3): 20-27.

WANG Yi-xin, ZHOU Yong. The Empirical Study of China’s Stock Market Risk in Extreme Situations[J]. Chinese Journal of Management Science, 2012, 20(3): 20-27.

参考文献

[1] Longin F, Solnik B.Extreme correlation of international equity markets [J]. The Journal of Finance, 2001, 56(2): 649-675.
[2] Breymann W,Dias A,Embrechts P.Dependence structures for multivariate high-frequency data in finance [J]. Quantitative Finance, 2003, 3(1): 1-14.
[3] Zhang Zhengjun.A new class of tail-dependent time series models and its applications in financial time series [J]. Advances in Econometrics, 2005, 20(B): 317-352.
[4] Zhang Zhengjun,Huang J.Extremal financial risk model and portfolio evaluation [J]. Computational Statistics & Data Analysis, 2006, 51(4): 2313-2338.
[5] Zhang Zhengjun, Shinki K. Extreme co-movements and extreme impacts in high frequency data in finance [J]. Journal of Banking & Finance, 2007, 31: 1399-1415.
[6] 叶五一, 缪柏其. 基于Copula变点检测的美国次级债金融危机传染分析 [J]. 中国管理科学, 2009, 17(3): 1-7.
[7] 姬强, 范英. 次贷危机前后国际原油市场与中美股票市场间的协动性研究 [J]. 中国管理科学, 2010, 18(6): 42-50.
[8] 史金凤, 刘维奇, 杨威. 基于分位数回归的金融市场稳定性检验 [J]. 中国管理科学, 2011, 19(2): 24-29.
[9] Gnedenko B. Sur la distribution limite du terme maximum d’une serie aleatoire [J]. Annals of Mathematics, 1943, 44(3): 423-453.
[10] Longin F M. The asymptotic distribution of extreme stock market returns [J]. The Journal of Business, 1996, 69(3): 383-408.
[11] Bao Yong, Lee T H, Saltoglu B. Evaluating predictive performance of value-at-risk models in emerging markets: a reality check [J]. Journal of Forecasting, 2006, 25(2): 101-128.
[12] 周开国, 缪柏其. 应用极值理论计算在险价值(VaR)-对恒生指数的实证分析 [J]. 预测, 2002, 21(3): 37-41.
[13] Longin F M. From value at risk to stress testing: The extreme value approach [J]. Journal of Banking & Finance, 2000, 24(7): 1097-1130.
[14] 田新时, 郭海燕. 极值理论在风险度量中的应用-基于上证180指数 [J]. 运筹与管理, 2004, 13(1): 106-111.
[15] 柳会珍, 顾岚. 金融市场极端日收益数据的广义Pareto分布拟合 [J]. 数理统计与管理, 2006, 25(6): 723-728.
[16] 司马则茜, 蔡晨, 李建平. 度量银行操作风险的POT幂律模型及其应用 [J]. 中国管理科学, 2009, 17(1): 36-41.
[17] Balkema A A, de Haan L. Residual life time at great age [J]. Annals of Probability, 1974, 2(5): 792-804.
[18] Pickands J. Statistical inference using extreme order statistics [J]. The Annals of Statistics, 1975, 3(1): 119-131.
[19] McNeil A. Estimating the tails of loss severity distributions using extreme value theory [J]. ASTIN Bulletin, 1997, 27: 117-137.
[20] Artzner P, Delbaen F, Eber J M, Heath D. Coherent measures of risks [J]. Mathematical Finance, 1999, 9(3): 203-228.

极端情况下对我国股市风险的实证研究

The Empirical Study of China’s Stock Market Risk in Extreme Situations

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	陈杰,邢灵博,李胃胜,陈志祥,陈崇萍. 不完备质量下带有风险厌恶的库存决策模型[J]. 中国管理科学, 2024, 32(2): 54-64.
[2]	王江涛,蔡雅,郑承利. 一类自适应的风险预测算法及其应用[J]. 中国管理科学, 2023, 31(8): 1-8.
[3]	张鹏, 崔淑琳, 李璟欣. 一致性均值-CVaR可信性投资组合优化[J]. 中国管理科学, 2023, 31(6): 111-121.
[4]	刁姝杰, 匡海波, 朱佳钰, 孟斌. 基于混合CVaR的出口海陆仓质押率与物流服务努力水平联合决策研究[J]. 中国管理科学, 2023, 31(5): 93-103.
[5]	于辉, 李鑫. 零售商运营视角下投贷联动CVaR利率决策模型[J]. 中国管理科学, 2023, 31(2): 255-265.
[6]	叶五一,李艾琳,焦守坤. 基于动态模型平均的大豆期货市场风险溢出研究[J]. 中国管理科学, 2023, 31(12): 1-10.
[7]	汪冬华, 姚钰雯, 王暖. 基于Hawkes过程的国际原油市场与中国股票市场大幅波动联动性研究[J]. 中国管理科学, 2022, 30(8): 36-43.
[8]	欧阳资生, 杨希特, 黄颖. 嵌入网络舆情指数的中国金融机构系统性风险传染效应研究[J]. 中国管理科学, 2022, 30(4): 1-12.
[9]	张小婉, 易荣华, 俞莹, 王颖. 基于滚窗VAR的沪港通波动溢出效应测度[J]. 中国管理科学, 2022, 30(11): 42-51.
[10]	吴鑫育, 李心丹, 马超群. 基于期权与高频数据信息的VaR度量研究[J]. 中国管理科学, 2021, 29(8): 13-23.
[11]	蔡光辉, 项琳. 中国铜期货市场波动率估计与风险度量——基于广义已实现测度的Realized HAR GARCH模型[J]. 中国管理科学, 2021, 29(11): 1-12.
[12]	李成刚，李峰，赵光辉. 货币政策规则对国际资本流动与人民币汇率的时变影响——基于TVP-SV-VAR模型的实证检验[J]. 中国管理科学, 2021, 29(10): 35-46.
[13]	唐振鹏, 吴俊传, 冉梦, 张婷婷. 考虑投资者情绪的中国股市自激发效应研究[J]. 中国管理科学, 2020, 28(7): 1-12.
[14]	熊一鹏, 熊正德, 姚柱. 宏观压力测试下商业银行零售信贷产品PD模型预测研究[J]. 中国管理科学, 2020, 28(7): 13-22.
[15]	李红权, 何敏园, 黄莹莹. 我国金融机构的系统重要性评估:基于多元极值理论[J]. 中国管理科学, 2020, 28(5): 14-24.