基于

doi:10.16381/j.cnki.issn1003-207x.2015.02.007

中国管理科学 ›› 2015, Vol. 23 ›› Issue (2): 50-58.doi: 10.16381/j.cnki.issn1003-207x.2015.02.007

基于"已实现"波动率ARFI模型和CAViaR模型的VaR预测比较研究

余白敏¹, 吴卫星²

1. 对外经济贸易大学国际经济贸易学院, 北京 100029;
2. 对外经济贸易大学金融学院应用金融研究中心, 北京 100029

收稿日期:2012-02-17 修回日期:2014-11-12 出版日期:2015-02-20 发布日期:2015-02-28
作者简介:余白敏(1982-),女(汉族),四川省内江市人,中科院数学与系统科学研究院概率论与数理统计专业博士,对外经贸大学副教授,研究方向:金融数学、风险管理.
基金资助:
国家自然科学基金青年项目(11201069);国家自然科学基金资助项目(71373043,71331006,11371350);对外经济贸易大学校级科研课题(10QNJJX02);北京高等学校青年英才计划项目(YETP0888);对外经济贸易大学学科建设专项经费资助(XK2014102)

VaR Forecast Comparison between Realized Volatility ARFI and CAViaR Models

YU Bai-min¹, WU Wei-xing²

1. School of International Trade and Economics, University of International Business and Economics, Beijing 100029, China;
2. School of Banking and Financ, University of International Basiness and Economics, Beijing 100029, China

Received:2012-02-17 Revised:2014-11-12 Online:2015-02-20 Published:2015-02-28

摘要/Abstract

摘要： 高频金融数据在风险价值VaR度量和预测方面的价值已经引起了学术界和业界的广泛兴趣。计算和预测VaR的方法广义上可以分为两大类:间接法和直接法,在有了高频数据后,两类方法均可行,尤其是由于高频数据导出的"已实现"波动率的出现,使得间接法有明显改进。本文将从间接法中选取基于"已实现"波动率的ARFI模型与从直接法中选取的两个CAViaR模型进行比较,采用沪深300、上证指数、深证成指的5分钟高频数据,根据多种在评价VaR预测模型表现时广泛使用的后验测试,对各模型进行实证检验,结果表明基于CAViaR模型的预测表现优于基于"已实现"波动率的ARFI模型,这对风险管理从业者有一定的参考意义。

关键词: 高频, ", 已实现", 波动率, VaR, CAViaR

Abstract: The models for calculating and forecasting VaR can be classified into two broad categories: indirect-VaR and direct-VaR approaches.The VaR forecast performances between models taken from these two approaches respectively are compared. One is ARFI-VaR forecast model the indirect-VaR approach based on "realized volatility" obtained by high frequency data. Another two are CAViaR-based models, which are the representatives of direct-VaR approach. By the various backtests that are extensively used for VaR performance evaluation, using 5-min high frequency data of CSI 300 Index, SSE Composite Index and SZSE Component Index, the empirical evidence shows the CAViaR-based models perform better than realized volatility-based ARFI model.

Key words: high frequency, realized volatility, VaR, CAViaR

中图分类号:

余白敏, 吴卫星. 基于"已实现"波动率ARFI模型和CAViaR模型的VaR预测比较研究[J]. 中国管理科学, 2015, 23(2): 50-58.

YU Bai-min, WU Wei-xing. VaR Forecast Comparison between Realized Volatility ARFI and CAViaR Models[J]. Chinese Journal of Management Science, 2015, 23(2): 50-58.

参考文献

[1] Artzner P, Delbaen F, Eber J, et al. Coherence measures of risk [J]. Mathematical Finance, 1999, 9(3): 203-228.

[2] 林宇, 卫贵武, 魏宇, 等. 基于Skew-t-FIAPARCH的金融市场动态风险VaR测度研究[J]. 中国管理科学, 2009, 17(6): 17-24.

[3] 林宇. 基于双曲线记忆HYGARCH模型的动态风险VaR测度能力研究[J]. 中国管理科学,2011, 19(6): 15-24.

[4] Engle R, Manganelli S. CAViaR: Conditional autoregressive value at risk by regression quantiles [J]. Journal of Business and Economic Statistics, 2004, 22(4): 367-381.

[5] Huang Dashan, Yu Baimin, Lu Zudi, et al. Index-Exciting CAViaR: A new empirical time-varying risk model [J]. Studies in Nonlinear Dynamics & Econometrics, 2010, 14(2): 1-24.

[6] 刘新华, 黄大山. 中国股市风险CAViaR方法的稳定性分析及其时变建模[J]. 系统工程理论与实践, 2005, 25(3): 1-6.

[7] Andersen T, Bollerslev T, Diebold F, et al. The distribution of realized stock return volatility [J]. Journal of Financial Economics, 2001, 61(1): 43-76.

[8] Andersen T, Bollerslev T, Diebold F, et al. The distribution of realized exchange rate volatility [J]. Journal of the American Statistical Association, 2001, 96 (453): 42-55.

[9] Andersen T, Bollerslev T, Diebold F, et al. Modeling and forecasting realized volatility [J]. Econometrica, 2003, 71(2): 579-625.

[10] Barndor-Nielsen O, Shephard N. Non-Gaussian Ornstein-Uhlenbeck based models and some of their uses in financial economics [J]. Journal of the Royal Statistical Society, 2001, 63(2)67-241.

[11] Barndor-Nielsen O, Shephard N. Econometric analysis of realized volatility and its use in estimating stochastic volatility models [J]. Journal of the Royal Statistical Society, 2002, 64(1): 253-280.

[12] 徐正国, 张世英. 调整"已实现"波动率与GARCH 及SV 模型对波动的预测能力的比较研究[J]. 系统工程, 2004, 22(8): 60-63.

[13] 魏宇, 余怒涛. 中国股票市场的波动率预测模型及其SPA检验[J]. 金融研究, 2007, (7): 138-150.

[14] 房振明, 王春峰, 付臣余. 基于高频数据的股指风险价值预测[J]. 统计与决策, 2007, (18): 89-91.

[15] 邵锡栋, 殷炼乾. 基于实现极差和实现波动率的中国金融市场风险测度研究[J]. 金融研究, 2008,(6): 109-121.

[16] 陈功, 程希骏, 马利军. 基于CAViaR的DCC模型及其对中国股市的实证研究[J]. 数学的实践与认识, 2009, 39(4): 75-81.

[17] 王新宇, 宋学峰, 吴瑞明. 基于AAVS-CAViaR模型的股市风险测量研究[J]. 系统工程学报, 2010,25(3): 327-333.

[18] Huang Dashan, Yu Baimin, Fabozzi F, et al. CAViaR-based forecast for oil price risk [J]. Energy Economics, 2009, 31(4): 511-518.

[19] Kupiec P. Techniques for verifying the accuracy of risk measurement models[J]. Journal of Derivatives, 1995, 3(2): 73-84.

[20] Christoersen P. Evaluating interval forecasts [J]. International Economic Review, 1998, 39(4): 841-862.

[21] Geweke J, Porter-Hudak S. The estimation and application of long memory time series models[J]. Journal of Time Series Analysis, 1983, 4(4): 221-238.

[22] Koenker R, Bassett G. Regression quantiles[J]. Econometrica, 1978, 46(1): 33-50.

[23] Bao Yong, Lee T, Salto glu B. Evaluating the predictive performance of value-at-risk models in emerging markets: A reality check [J]. Journal of Forecasting, 2006, 25(2): 101-128.

基于"已实现"波动率ARFI模型和CAViaR模型的VaR预测比较研究

VaR Forecast Comparison between Realized Volatility ARFI and CAViaR Models

PDF (PC)

可视化

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]	吴鑫育,谢海滨,马超群. 经济政策不确定性与人民币汇率波动率[J]. 中国管理科学, 2024, 32(8): 1-14.
[2]	谢林利,凌爱凡. 权益极端尾部风险、杠杆率与公司债信用利差[J]. 中国管理科学, 2024, 32(5): 47-60.
[3]	傅强,石泽龙. 系统性金融风险的联合网络关联度测量及频率研究[J]. 中国管理科学, 2024, 32(2): 1-10.
[4]	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.
[5]	叶志强,张顺明,沈雪晨,郑洁菲. 我国上市公司定向增发的收益波动率择时效应研究[J]. 中国管理科学, 2024, 32(10): 30-40.
[6]	闫达文,李存,迟国泰. 基于混频数据的中国上市公司财务困境动态预测研究[J]. 中国管理科学, 2024, 32(1): 1-12.
[7]	郭杨莉,马锋. 基于马尔科夫和混频数据模型的黄金期货市场波动率预测研究[J]. 中国管理科学, 2024, 32(1): 13-22.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	陆静, 喻浩. 产业政策对股票特质波动率的影响及机制研究[J]. 中国管理科学, 2023, 31(1): 21-36.
[14]	陆静, 张银盈. “特质波动率之谜”与估计模型有关吗？[J]. 中国管理科学, 2022, 30(9): 36-48.
[15]	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.