# 臺灣博碩士論文加值系統

(3.95.131.146) 您好！臺灣時間：2021/07/25 15:24

:::

### 詳目顯示

:

• 被引用:0
• 點閱:234
• 評分:
• 下載:11
• 書目收藏:0
 在金融市場中,資產價格的波動是造成風險的主要因素之ㄧ,投資人在面對此風險時,會評估此風險可能帶來的損失,進而準備相對應的措施。因此,如何正確的衡量下方的風險為一很重要的議題。文獻上,計算風險值 (VaR) 已逐漸成為預測及控管風險的重要工具, 風險值可以讓管理者 (或投資人) 預先了解投資部位的潛在風險可能有多少,並事先做好避險措施,或提撥相對的損失金額準備。近年來,計量分析已成為一種重要的衡量方式,較為著名的有 Koenker and Bassett(1978)所提出的分量法 (quantile method) 及 Newey and Powell(1987)所提出的 expectile 模型,這兩種方法皆能用來估計資產報酬的風險值。在金融市場裡,大部分的資產報酬具有波動叢聚的現象,也就是資產報酬分配具有自我相關性,因此本文利用 Engel and Manganelli (2004)所提出的條件自我相關風險值模型 (CaViaR) 來估計風險值,並以 Newey and Powell(1987) 所提出的 expectile 值為架構，推廣出期望百分位之條件自我迴歸模型來估計風險值。最後以 Dow Jones 和 NASDAQ 指數為實證資料,針對以上模型做實證分析,評估在不同的信賴水準下使用不同模型所計算出來的風險值的特質,並比較其穿透率，即每日投資損失超過風險值的比率。
 In financial markets, one of the major factors which will cause risk is due to the fluctuation of assets price. When a Investor faces risk, he/she should evaluate how much losses will happen, and thus to propose the corresponding strategies. Therefore, how to properly measure the downside risk is a very important issue.Value at risk (VaR) has become an important tool for predicting and managing risk. VaR is a measure of market risk which can be used by an investor to evaluate how much a portfolio could lose. Recently, the use of quantitative risk measures has become an essential management tool. Quantile regression is a famous method introduced by Koenker and Bassett (1978). Another method is expectile oﬀerred by Newey and Powell (1987). These two methods both can estimate the value at risk of assets return.In financial markets, volatility clustering is found on the distribution of most assets return. In other words, assets return tends to be autocorrelated. In this paper, we apply the condition autoregressive value at risk (CAViaR) model by quantiles regression method suggested by Engel and Manganelli (2004) to assessing the value at risk, and extend the CAViaR model by expectile regression method suggested by Newey and Powell (1987).Finally, Dow Jones and NASDAQ indices are illustrated as practical analyses. The proposed modeling approach and CaViaR modeling approach are both applied to evaluate the value at risk in different confidence levels of two stock indices. The penetration rate of daily return is also compared to evaluate the accuracy of the two methods.
 目錄1 緒論 11.1 研究動機 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.2 研究目的 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21.3 研究架構及流程圖. . . . . . . . . . . . . . . . . . . . . . . . . 32 文獻回顧 52.1 風險值的定義 . . . . . . . . . . . . . . . . . . . . . . . . . . 52.2 風險值的評量方法. . . . . . . . . . . . . . . . . . . . . . . . . 7 2.2.1局部評價法 . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.2.2完全評價法 . . . . . . . . . . . . . . . . . . . . . . . . . 92.3風險值的機率模型. . . . . . . . . . . . . . . . . . . . . . . . . 11 2.3.1Quantile 值 . . . . . . . . . . . . . . . . . . . . . . . .12 2.3.2Expectile 值 . . . . . . . . . . . . . . . . . . . . . . . .15 2.3.3Quantile 值與 Expectile 值 . . . . . . . . . . . . . . . . .162.4時間數列模型 . . . . . . . . . . . . . . . . . . . . . . . . . . .183 研究方法 243.1 風險值模型 . . . . . . . . . . . . . . . . . . . . . . . . . . .243.2 QVaR 模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.2.1模型建構 . . . . . . . . . . . . . . . . . . . . . . . . . .26 3.2.2QVaR 參數估計 . . . . . . . . . . . . . . . . . . . . . . . 263.3 Expectile 模型 . . . . . . . . . . . . . . . . .. . . . . . . . 29 3.3.1模型建構 . . . . . . . . . . . . . . . . . . . . . . . . . .29 3.3.2Expectile 模型之參數估計 . . . . . . . . . . . . . . . . . . 294 實例分析324.1 資料的選取與處理. . . . . . . . . . . . . . . . . . . . . . . . .324.2 指數報酬率之敘述統計 . . . . . . . . . . . . . . . . . . . . . . 334.3 實證結果 . . . . . . . . . . . . . . . . . . . . . . . . . . . .345 結論 45參考文獻 47附錄 50著作權聲明 54圖目錄1.1 研究架構流程圖 . . . . . . . . . . . . . . . . . . . . . . . . . 42.1 VaR 圖示法. . . . . . . . . . . . . . . . . . . . . . . . . . . 62.2 QVaR 示意圖. . . . . . . . . . . . . . . . . . . . . . . . . . 122.3 分段點 c 與 (a,b) 及 α 之間的關係. . . . . . . . . . . . . .. . .132.4 QVaR 圖形 . . . . . . . . . . . . . . . . . . . . . . . . . . .144.1 Dow Jones 股價報酬率之時間序列圖. . . . . . . . . . . . . . . . .344.2 NASDAQ 股價報酬率之時間序列圖 . . . . . . . . . . . . . . . . . .344.3 在 1% 的分位數下 Dow Jones 和 NASQAQ 兩模型之風險值比較 . . . . . .424.4 在 5% 的分位數下 Dow Jones 和 NASQAQ 兩模型之風險值比較 . . . . . .434.5 在 10% 的分位數下 Dow Jones 和 NASQAQ 兩模型之風險值比較 . . . . .44表目錄4.1 Dow Jones 和 NASDAQ 樣本內股價指數報酬之敘述統計 . . . . . . . . . 334.2 Dow Jones 和 NASDAQ 樣本外股價指數報酬之敘述統計 . . . . . . . . . 334.3 Dow Jones 和 NASDAQ 報酬率資料下 α 與 θ之轉換 . . . . . . . . . . 364.4 在 1% 的分位數下各模型之參數估計結果 . . . . . . . . . . . . . . . 394.5 在 5% 的分位數下各模型之參數估計結果 . . . . . . . . . . . . . . . 404.6 在 10% 的分位數下各模型之參數估計結果 . . . . . . . . . . . . . . .41
 Bollerslev T.(1986). Generalized Autoregressive Conditional Heteroscedasdicity,Journal of Econometrics, 31, 307-327.Dashan,H., Baimin.Y and Zudi. L.(2010). Index-Exciting CAViaR:A New Empirical Time-Varying Risk Model,Studies in Non-linear dynamics and econometrics, 14, Issue 2.Engle,R. F. (1982). Autoregressive Conditional Heteroscedas-ticity with Estimates of the Variance of UK Inflation,Econometrica,50, 987-1007.Engle,R. F. and S. Manganelli (2004). CAViaR : Conditionalautoregressive value at risk by regression quantiles,Journalof Business and Economic Statistics, 22,367-381.Huang,A.Y,S.P. Pen and F. Li (2011). Volatility forecasting ofexchange rate by quantile regression, 20, 591-606.J.P. Morgan and Reuters (1996). RiskMetrics-Technical Doc-ument,4th edtion.Jorion,P.(2000). Value at Risk:The New Benchmark for Man-aging Financial Risk,McGraw-Hill,Chicago.Koenker,R (2005). Quantile Regression. Cambridge,New York.Koenker,R. and G. Bassett (1978). Regression quantile, Econo-metrica, 46,33-50.Kuan,C.M.,J.H. Yeh and Y.C.Hsu (2009). Assessing value atrisk with CARE,the Conditional Autoregressive Expectilemodels, Journal of Econometrics,150,261-270.Lam, K., C.Y. Sim and R. Leung (2004). A theoretical frame-work to evaluate different margin-setting methodologies,Journal of Futures Markets, 24,117-145.Newey,W.K. and J.L. Powell (1987). Asymmetric least squaresestimation and testing, Econometrica, 55, 819-847.Taylor,J.W. (2005). Generating Volatility Forecasts from Valueat Risk Estimates. Management Science, 51, 712-725.Taylor,J.W.(2008). Estimating value at risk and expexted short-fall using expectiles,Journal of Financial Econometrics, 6,273-292.Yao,and H. Tong (1996). Asymmetric least squares regressionand estimation: A nonparametric approach,NonparaametricStatistics,6,273-292.
 電子全文
 國圖紙本論文
 推文當script無法執行時可按︰推文 網路書籤當script無法執行時可按︰網路書籤 推薦當script無法執行時可按︰推薦 評分當script無法執行時可按︰評分 引用網址當script無法執行時可按︰引用網址 轉寄當script無法執行時可按︰轉寄

 1 比較分量迴歸與極值理論在風險值估計之績效 2 結合類神經網路與分位數迴歸估計多期報酬率之風險值 3 不同風險值模型的績效評估-以亞洲股市為例 4 分量迴歸在風險值估計與回測檢定的應用 5 市場風險衡量的財務計量新方法 6 分量迴歸:時間序列模型下的理論與應用 7 極端報酬下不動產投資信託市場之傳遞效果-以亞洲各國與美國為例 8 流動性調整後風險值之探討－以台灣上櫃公司為例 9 應用CARE模型預測風險值與期望損失 10 以分量迴歸估計下方風險從事投資組合之研究 11 不同風險值模型的比較與應用

 無相關期刊

 1 以時變自我迴歸模型預測金融商品之風險值 2 來臺觀光亞洲旅客之特性分析 3 應用非線性迴歸分量法預測在2008-09年金融危機之風險值 4 共同基金銷售之客戶貢獻度探討 5 股票期貨風險值之探討 6 亞洲主要城市之房價與泡沫 7 以最大重疊離散小波轉換之風險值估計 8 分位數的估計與風險值之應用 9 系統可靠度之Beta機率密度函數估計 10 使用不對稱的動態關聯模型進行風險衡量:在台灣股票市場的應用 11 台灣與南韓匯率波動對兩國出口總值之交互影響 12 我國人民海外就業因素之探討 13 以資料包絡法評估組織中各單位經營績效 14 台灣股票市場風險值之衡量 -以AGDCC-GARCH模型為例 15 金融海嘯前後外匯市場風險值與報酬率-以高收益貨幣匯率為例

 簡易查詢 | 進階查詢 | 熱門排行 | 我的研究室