原创《高频价格数据信息对资产组合动态风险测度影响》：本论文为免费优秀的关于测度论文范文资料，可用于相关论文写作参考。
摘 要：组合风险的估计和预测一直都是风险管理中非常重要的一个方面.本文使用了利用高频数据信息的实现协方差矩阵、DCC-MVGARCH多元波动率模型、RiskMetrics模型和多元正交GARCH模型对沪深两市的指数资产组合风险在险价值的预测失败率进行了对比,并利用动态分位数检验方法对各模型的组合风险测度稳健性进行了对比研究.研究结果证明,基于高频数据的实现协方差矩阵模型能够显著提高组合风险测度的预测精度,且严格符合VaR置信区间所要求的失败率,能够很好地在提高资金使用效率和管理资产组合风险敞口间取得平衡.
关键词：实现协方差矩阵模型；在险价值；组合风险
中图分类号：F830 文献标识码：A 文章编号：1674-2265（2016）07-0003-06
一、引言
由于多元模型中维数灾难（The Curse of Dimensinality）的问题,如何确定资产组合的相关性及其变化情况,对资产组合配置、对冲和金融风险管理等多个领域都有着十分重要的理论和现实意义,如资产组合配置是否有效依赖于组合资产的相关系数,寻找最优的对冲比率更是需要精确估计对冲资产的相关系数,而想要精确地计算大型资产组合在险价值,则最好使用各资产相关系数的动态估计值.尽管得益于恩格尔和格兰杰（Engle和Granger）等人为代表的研究,波动率模型自20世纪90年代起就被大量开发出来,但是由于多元模型中需要估计的参数随着变量个数的增加呈几何级数增长,可以被用于精确估计大型多元动态相关系数的模型一直都难以得到.目前估计金融资产收益率波动相关系数的模型大致有以下几种类别：第一类方法是简单滚动历史相关系数法（Rolling Correlation Estimator）和基于RiskMetrics的指数平滑法,这种方法由于简单而且容易理解而被业界广泛使用.第二类较为复杂的方法就是一系列的多元GARCH和随机波动率模型,相关的文献见波勒斯勒夫、恩格尔和伍德里奇（Bollerslev、Engle和Wooldridge,1998）,波勒斯勒夫（Bolle-rslev,1990）,恩格尔和莫兹里奇（Engle和Mezrich,1996）等的研究,相关的综述类文章见波勒斯勒夫、周和科罗纳（Bollerslev、Chou和Kroner,1992）,波勒斯勒夫、恩格尔和尼尔森（Bollerslev、Engle和Nelson,1994）,丁和恩格尔（Ding和Engle,2001）等的研究.这些模型也有被应用的实例,不过由于模型估计的难度随着资产数目的增加飞快地增加,限制了它们在实际中被应用的范围.第三类方法则是以GARCH模型为基础而产生的多元相关系数模型,这些模型专门用于变量的相关系数估计,有单变量GARCH模型的灵活性,却不像上述多变量GARCH模型那样复杂、难以处理.亚历山大（Alexander,1998、2001）提出正交化GARCH模型,恩格尔和科罗纳（Engle和Kroner,1995）提出的Vech模型,波勒斯勒夫（1990）,恩格尔（2001、2002）分别提出恒定条件相关系数模型和动态条件相关系数模型,这些模型虽然也能得到相关系数矩阵不错的估计值,但是模型的识别和估计需要很多精巧复杂的建模技术；而最近同时发展起来的基于高频数据的非参数方法有安德森和波勒斯勒夫（Andersen和Bollerslev,1998）,贝恩多夫-尼尔森和谢泼德（Barndorff-Nielsen和Shephard,2002）,阿里扎德、勃兰特和德博尔德（Alizadeh、Brandt和Deibold,2002）等人提出的已实现波动率（Realized Volatility）.已实现波动率是通过把一个样本区间内的收益率的平方加总得到的.在给定弱正则条件下,当抽样频率趋向无穷大时,已实现波动率依概率收敛于二次方差QV（Quadratic Variation）.随着金融市场上理论和技术工具的飞速发展,高频交易的数据变得越来越容易获得,使用日内高频构建的已实现协方差模型可以轻松地得到资产的相关系数的精确估计.对于使用高频数据的已实现波动率模型,国内的研究者也进行了前沿性的探索和研究.徐正国、张世英（2004）使用上证综指的高低频数据对调整已实现波动率和GARCH模型以及随机波动模型的优劣进行了评定,认为高频数据能够得到波动率的更好估计.于亦文（2006）也利用上证综指的高频数据得到了相同的结论.唐勇、张世英（2006）发现,加权已实现极差波动很好地处理了日内波动的日历效应,是一种很好的日内波动测量指标.魏宇、余怒涛（2007）使用上证综指的高频数据对各类波动率模型进行实证分析,并针对四种损失函数提出使用自举法（Bootstrap）的高级预测能力检验法（SPA）.结果也是显示使用高频数据的已实现波动率要比传统的低频数据模型好.邵锡栋、殷炼乾（2008）的研究也指出,利用高频数据所构建的实现波动类GARCH模型估计能够为单个资产的价格风险提供更为精确的估计和预测.这些工作为本文的进一步探索提供了坚实的实证基础.
基于以上的思考,本文利用已实现协方差矩阵模型,对由中国沪深两市指数高频数据得到的实现波动率建模,首次在预测波动特征的基础上预测风险价值VaR,并同基于日收益数据的多种动态形式的相关系数模型的VaR预测能力进行比较.我们发现该模型能够显著提高组合风险测度的预测精度,且严格符合VaR置信区间所要求的失败率,能够很好地在提高资金使用效率和管理资产组合风险敞口间取得平衡.本文的结构安排如下：第二部分构建了已实现协方差矩阵模型,并给出了其他三种相关系数的动态估计模型；第三部分利用上一部分介绍的几个竞争性模型预测了分散投资和对冲投资两个类型的指数型投资组合的在险价值,并利用恩格尔等（2004）的动态分位数检验对各个模型的预测能力进行实证比较；第四部分是本文得到的主要结论.
二、组合资产风险水平的动态估计模型
测度论文参考资料：
结论：高频价格数据信息对资产组合动态风险测度影响为关于对写作测度论文范文与课题研究的大学硕士、相关本科毕业论文测度是什么意思论文开题报告范文和相关文献综述及职称论文参考文献资料下载有帮助。
