跳到主要內容

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
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:溫婉菁
研究生(外文):Wen,Wan-Ching
論文名稱:利用期望百分位條件自我迴歸模型評估風險值
論文名稱(外文):Assessing Value at Risk by the Expectile Conditional Autoregressive model
指導教授:李孟峰李孟峰引用關係
指導教授(外文):Li,Meng-Feng
口試委員:吳庭斌李美杏李孟峰
口試委員(外文):Wu,Ting -PinLee, Mei-HsingLi,Meng-Feng
口試日期:2012-06-21
學位類別:碩士
校院名稱:國立臺北大學
系所名稱:統計學系
學門:數學及統計學門
學類:統計學類
論文種類:學術論文
論文出版年:2012
畢業學年度:100
語文別:中文
論文頁數:54
中文關鍵詞:風險值分位迴歸Quantile 值Expectile 值CAViaR
外文關鍵詞:Value at riskquantile regressionQuantileExpectileCAViaR
相關次數:
  • 被引用被引用:0
  • 點閱點閱:234
  • 評分評分:
  • 下載下載:11
  • 收藏至我的研究室書目清單書目收藏: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 1
1.1 研究動機 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 研究目的 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 研究架構及流程圖. . . . . . . . . . . . . . . . . . . . . . . . . 3

2 文獻回顧 5
2.1 風險值的定義 . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 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 . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3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 . . . . . . . . . . . . . . . . .16
2.4時間數列模型 . . . . . . . . . . . . . . . . . . . . . . . . . . .18
3 研究方法 24
3.1 風險值模型 . . . . . . . . . . . . . . . . . . . . . . . . . . .24
3.2 QVaR 模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.1模型建構 . . . . . . . . . . . . . . . . . . . . . . . . . .26
3.2.2QVaR 參數估計 . . . . . . . . . . . . . . . . . . . . . . . 26
3.3 Expectile 模型 . . . . . . . . . . . . . . . . .. . . . . . . . 29
3.3.1模型建構 . . . . . . . . . . . . . . . . . . . . . . . . . .29
3.3.2Expectile 模型之參數估計 . . . . . . . . . . . . . . . . . . 29
4 實例分析32
4.1 資料的選取與處理. . . . . . . . . . . . . . . . . . . . . . . . .32
4.2 指數報酬率之敘述統計 . . . . . . . . . . . . . . . . . . . . . . 33
4.3 實證結果 . . . . . . . . . . . . . . . . . . . . . . . . . . . .34
5 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 . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1 VaR 圖示法. . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 QVaR 示意圖. . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 分段點 c 與 (a,b) 及 α 之間的關係. . . . . . . . . . . . . .. . .13
2.4 QVaR 圖形 . . . . . . . . . . . . . . . . . . . . . . . . . . .14
4.1 Dow Jones 股價報酬率之時間序列圖. . . . . . . . . . . . . . . . .34
4.2 NASDAQ 股價報酬率之時間序列圖 . . . . . . . . . . . . . . . . . .34
4.3 在 1% 的分位數下 Dow Jones 和 NASQAQ 兩模型之風險值比較 . . . . . .42
4.4 在 5% 的分位數下 Dow Jones 和 NASQAQ 兩模型之風險值比較 . . . . . .43
4.5 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 . . . . . . . . . 33
4.2 Dow Jones 和 NASDAQ 樣本外股價指數報酬之敘述統計 . . . . . . . . . 33
4.3 Dow Jones 和 NASDAQ 報酬率資料下 α 與 θ之轉換 . . . . . . . . . . 36
4.4 在 1% 的分位數下各模型之參數估計結果 . . . . . . . . . . . . . . . 39
4.5 在 5% 的分位數下各模型之參數估計結果 . . . . . . . . . . . . . . . 40
4.6 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 : Conditional
autoregressive value at risk by regression quantiles,Journal
of Business and Economic Statistics, 22,367-381.

Huang,A.Y,S.P. Pen and F. Li (2011). Volatility forecasting of
exchange 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 at
risk with CARE,the Conditional Autoregressive Expectile
models, 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 squares
estimation and testing, Econometrica, 55, 819-847.

Taylor,J.W. (2005). Generating Volatility Forecasts from Value
at 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 regression
and estimation: A nonparametric approach,Nonparaametric
Statistics,6,273-292.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊