一、D-G正态模型在VaR计算上的改进（论文文献综述）
宋成园[1]（2019）在《协方差矩阵的贝叶斯分析》文中研究说明协方差矩阵的研究在近半个世纪中备受人们的关注,它被广泛应用到各个学科中,例如,航天物理（Pope and Szapudi[1],Hamimeche and Lewis[2]）,经济学（Ledoit and Wolf[3]）,环境科学（Frei and Kunsch[4],Eguchi et al.[5]）,气候学（Guillot et al.[6]）,和基因学（Schafer and Strimmer[7]）等方面。但如何找到一个无约束且具有解释性的协方差矩阵估计在统计研究中仍然是一个公开问题Pourahmadi[8],特别是在高维数据中。因此,协方差矩阵的估计问题成了一个极有意义和挑战性的研究方向。在实际应用当中,我们经常遇到样本观察值个数少于协方差矩阵维数的情况,这时,一些传统的经典方法无法得到理想的结果。本文,我们采用贝叶斯的方法来对协方差矩阵进行研究分析。我们考虑了三个不同的模型,分别是多元正态模型,分层正态模型,以及单因素多元协方差分析模型,并提出了不同的协方差矩阵先验,同时研究了贝叶斯估计和统计推断问题。针对我们提出的先验,我们还给出了全新且高效的协方差矩阵后验分布的抽样方法,该方法大大提高了协方差矩阵抽样的效率。本文主要的工作列出如下:（1）我们用贝叶斯方法研究多元正态模型下的协方差矩阵估计问题。提出了一类新的协方差矩阵先验,其中inverse Wishart和reference先验（Yang and Berger[9]）都是它的特例。常见的协方差矩阵先验,例如,inverse Wishart先验和Jeffreys先验往往无法充分收缩协方差矩阵的特征值,我们提出的先验可以很好地解决这一问题。此外,我们得到该先验的一些令人满意的结果,例如,无论矩阵维数多大,我们的先验只需要一个样本观察值就可以使其后验分布存在。这样一来,即使在样本量很少的情况,对协方差矩阵作有效的推断也成为了可能。同时,针对这一类的先验,我们还提出了高效的协方差矩阵后验分布的抽样方法。（2）我们研究了分层正态模型下的超参数先验的选取问题。在贝叶斯分析中,分层模型占了很大一部分。但是,超先验的选取和使用往往具有不确定性。经典的客观贝叶斯方法,例如,Jefferys先验和reference先验方法,只能应用在简单的分层模型下。另外,如果用非正规的贝叶斯方法,例如,将非分层先验应用到分层模型下,经常会导致一些极坏的结果。一个典型的例子是,非分层的Jefferys先验的协方差矩阵先验会导致后验分布不适当,特别是在层数高的情形下。Berger et al.[10]从容许性（admissibility）角度来研究分层正态模型下的超参数先验的选取问题。尽管他们研究了很多超先验的适当性（propriety）和容许性,但是并没有给出一个全局的结论。我们基于容许性、可实施性（implement）和模拟结果的考虑,提出了一组特殊的分层正态模型下的客观超先验,从而彻底解决这一问题。（3）我们用贝叶斯方法研究了单因素多元协方差分析模型（Multivariate one-way ANOVA）的参数估计问题。众所周知,单因素多元协方差分析模型在当前的统计理论和应用中具有十分重要的意义。它被广泛应用到数据融合当中,可以研究不同数据源的相关性。该模型有三个未知参数:一个总体均值向量和两个协方差矩阵。我们从贝叶斯角度,研究了各种主观和客观先验。特别地,对于两个协方差矩阵,我们提出了一类新的先验——可交换先验。提出这类先验,我们基于三方面考虑:第一,该先验可以很好地应用到“信号噪音比”矩阵中。第二,可交换结构可以被视为一个很好的降维方法。第三,该先验在计算上有很好的优势。值得指出的是,该先验是一类共轭先验。我们研究了该先验及其后验的适当性和矩的存在性。对于这类先验,我们还提出了高效的MCMC抽样方法。另外,模拟和实际数据都体现出该先验的优越性。
熊尚飞,邹小燕[2]（2014）在《电力市场价格风险价值与波动预测研究综述》文中研究说明电力工业的市场化改革后,电价由供需双方共同决定,电价波动更加剧烈,给电力市场参与者带来了巨大风险,电力市场风险度量的重要性不言而喻。在风险管理技术中VaR作为风险的度量指标得到了广泛认同,对计算电力市场VaR的非参数法、参数法和半参数法分别进行了总结评述,其中重点分析了基于GARCH模型和基于"实现波动"参数法和基于极值理论的半参数法。半参数法结合了非参数法和参数法的优点提高了VaR的计算精度,阀值的确定仍需进一步研究。
何春[3]（2013）在《中国证券市场风险价值研究 ——基于分位数回归的VaR和CAViaR的研究》文中研究说明VaR指的是,在一定概率水平下,金融资产在未来特定一段时间的最大可能损失,它在风险度量、风险控制和风险监管等方面都具有众多优点,现已逐渐成为全球金融机构风险管理的主流方法。尽管对VaR的研究与应用在国外已逐渐完善成熟,但因中国证券市场的独特国情,VaR方法在我国的应用与国外还存在着一定差距,将VaR运用于中国证券市场的风险价值计量仍有待进一步发展和研究。分位数回归是一种半参数方法,它采用最小一乘回归的最优化途径估计参数,不需要进行正态分布的假设和分布参数的设定,适合我国金融时间序列的尖峰厚尾特征,在金融风险价值度量方面有着明显优势。因此,如何结合中国的实际国情,建立基于分位数回归的VaR风险计量模型,具有十分重要的理论和现实意义。本文将分位数回归方法应用于中国证券市场风险价值的分析,主要从两个方面对中国证券市场的风险计量模型进行了研究和扩展：第一,基于分位数回归VaR模型的中国证券市场风险价值研究：在综合考虑金融收益序列的尖峰厚尾性、有偏性、波动集聚性和杠杆效应的基础上,本文将分位数回归半参数方法应用于VaR风险计量模型中,采用分位数回归VaR模型,选取具有代表性的上证综指获得不同持有期的收益率序列进行实证,建立在正态分布、t-分布、广义误差分布假设下的GARCH、TARCH、EGARCH、PARCH模型及相应的ARCH-M族模型,计算VaR值,并用返回检验法对模型的估计效果进行检验。通过比较不同假设条件下的模型估计效果,发现分位数回归VaR模型对残差的模型假设和分布形式不敏感,具有良好的普适性。此外,持有期越长,VaR值越大,模型的估计效果越好。第二,基于CAViaR方法的中国证券市场风险价值研究：CAViaR模型作为一种条件自回归风险值方法,常被应用于金融市场风险价值的研究。考虑到市场冲击对风险影响的不对称性和收益率可能存在一个自回归均值项,本文提出了若干CAViaR的扩展模型,用于研究金融市场的风险度量,主要包括非对称间接TARCH模型（AIT）及带AR项的间接GARCH模型（AR-IG）。此外,本文在外生变量的选择方面也做了充分考虑,引入波动率作为外生解释变量,提出两类CAViaR-Volatility模型（SAV-Volatility和IG-Volatility）。实证研究表明：本文提出的若干扩展模型在样本外的预测方面表现得更好,预测效果有显着提高,模型更具有稳定性；极端分位水平下,更低分位点的预测效果较好,表明极端市场信息对风险价值的影响更显着；研究还表明波动率和VaR存在负相关关系,波动率上升,预期VaR会降低。本文将分位数回归应用于中国证券市场风险价值的研究综合表明了,分位数回归方法不对收益的分布作任何假设,不受中国金融时间序列的尖峰厚尾性的影响,能够准确反映市场风险的变化,使得以分位数回归为基本思想建立的分位数回归VaR模型和CAViaR模型都非常适用于中国的实际情况。
李晓斌[4]（2013）在《基于动态Copula模型的我国股市风险度量研究》文中进行了进一步梳理VaR方法是研究和管理金融风险的重要方法,VaR即风险价值,得到最广泛的应用,它表示在某一概率下,一种金融资产或市场投资组合在未来某一特定的时间内可能的最大损失。在多元金融分析研究中,对于金融市场投资组合风险度量问题,最重要的一个环节就是多变量进行相关性分析。传统的相关性分析方法仅用线性相关来刻画随机变量间的相关性,这是不全面的。Copula函数的优越性体现在,多元边缘分布和一个连接它们的Copula函数可以灵活构造出多元分布函数。目前,在金融市场上的融资风险管理、资产定价和选择投资组合等方面,Copula方法已被广泛的应用,并逐渐成为了解决金融资产管理问题的主要工具。为了描述资产相关性的动态变化,更好地对投资组合风险进行度量,本论文的主要工作和结论如下：（1）理论分析。对Copula方法的产生过程和基本原理进行了阐述和分析,全面具体的阐述了VaR方法。并且基于以上理论分析,对Copula-GARCH进行了介绍,提出了动态Copula计算VaR的理论模型。（2）模型的估计。选取了GARCH（1,1）模型对投资组合进行边缘分布估计,分别对动态Copula和静态Copula进行了参数估计。得出结论：GARCH（1,1）-t模型的边缘分布估计的结果更好,可以很好的描绘投资组合序列边缘分布的特征。（3）动态Copula模型的构建。系统分析和研究了Copula函数的基本理论和产生背景,结合之前学者的研究成果,提出了动态Copula模型的动态系数演进方程和动态Copula-GARC1模型。（4）VaR的计算。分别选取了90%、95%以及99%置信水平下,应用Monte Carlo模拟方法对基于t分布和正态分布的动态Copula和静态Copula进行了VaR的计算。最后对计算结果进行了检验。得出结论：99%置信水平下利用动态t-Copula模型计算出的VaR值最准确。
周猛[5]（2012）在《基于最大风险承受能力的投资组合选择》文中指出在以往的投资决策和资产选择研究中,虽然多数研究都假设投资者具有风险规避的特征,但却忽视了“死亡风险”的存在以及投资者对“死亡风险”的重视。这种状况不仅明显存在逻辑上的非一致性,而且也与实践脱节。随着金融创新的不断推进,投资“杠杆化”趋势的不断增强,以及由“杠杆化”引发的更为紧密的经济联系,使投资者“死亡风险”可能成为引发金融危机的重要来源。因此,无论在理论上还是在实践中,对“死亡风险”的研究变得愈来愈迫切。本文试图通过将“死亡风险”问题对应转化成行为人或者投资者的最大风险承受能力问题,结合VaR最新理论进展,从行为金融学的视角来研究投资者的资产选择及其风险控制。基本研究思路是,从“死亡风险”的基本概念及经济特征出发,通过对“死亡风险”与最大风险承受能力的比较分析,将“死亡风险”转化为最大风险承受能力。在此基础上,详细讨论了最大风险承受能力与VaR的关系,借助VaR的传统算法和最新进展,从行为金融学的视角来探讨基于最大风险承受能力约束的期望—VaR组合模型和基于最大风险承受能力约束的期望一CVaR组合模型,并详细讨论了两类模型的求解。主要内容包括：一、“死亡风险”、最大风险承受能力、VaR的经济联系及其核心内容的一致性；二、“死亡风险”、Copula理论、极值理论与VaR的度量；三、基于行为金融学视角的最大风险承受能力约束下的投资组合模型构建；四、最大风险承受能力约束下的投资组合模型求解；五、案例分析与经验证据。无论从理论分析还是从经验证据上看,基于最大风险承受能力约束的期望—VaR组合模型和基于最大风险承受能力约束的期望—CVaR组合模型都是对传统投资组合模型的进一步修正,且基于最大风险承受能力约束的期望—CVaR组合模型要相对优于基于最大风险承受能力约束的期望—VaR组合模型。
肖一[6]（2011）在《银行外汇期权的风险管理研究 ——基于VaR的风险度量》文中指出随着我国汇改制度的不断深化,为外汇市场的发展提供机遇的同时,也对金融主体提出了挑战。面对我国外汇储备规模空前巨大的现状,如何度量进而控制其风险价值成为目前国内金融机构、金融交易参与者、金融监管当局所面临的一项重要任务。本文试图对以VaR为计量标准的市场风险做出整体性概括,并以我国的外汇期权为例对其VaR测定方法作实证性分析。本文尝试从VaR测定入手量化金融机构风险敞口、然后转入金融机构如何抵御其风险损失。本文共分为七大部分第一章,绪论,主要介绍论文的研究背景及其研究的现实意义。同时简要论述VaR风险管理研究内容,并给出本文的研究框架。第二章,分析了金融衍生工具的风险,并进一步给出管理措施。期间列举因其管理不善所造成的历史上巨大的风险损失案例。第三章,具体描述了VaR模型的发展过程及其基本原理,并详细比较了三种不同计量方法,筛选出最精确的分析方法。第四章,介绍期权定价模型B-S模型的敏感性分析,并简要分析了VaR计量模型的分析方法。第五章,以“期权宝”作为代表对其进行风险度量的实证分析。本文的创新之处在于：第一,把VaR风险度量模型引入到我国外汇期权市场上,对中国外汇期权产品进行风险值界定。第二,比较线性与非线性模型的精确度对投资者的投资具有指导意义。
李腊生,孙春花[7]（2010）在《VaR估计中的概率分布设定风险与改进》文中认为在金融风险管理中,金融风险的事先判断具有极其重要的意义,然而金融机构金融决策事前支持技术的缺陷常常被忽略,在金融投资收益率概率分布估计方法尚未建立以前,将样本数据特征纳入风险度量的计算则不失为一种改进风险判断的有效途径。本文选择度量金融风险的主流方法—VaR技术来讨论概率分布设定风险,探讨依据数据特征改进和扩展VaR计算方法,通过对Delta-正态方法与Delta-Gamma-Cornish-Fisher扩展方法估计VaR值的比较,从实证分析角度论证了扩展方法在VaR估计中的有效性与稳健性。
张守霞[8]（2010）在《不确定理论在金融风险管理领域中的应用》文中研究指明为了在证券市场内进行合理投资,经济学家们已经提出了很多经济学模型,如股票定价模型、风险控制模型、投资组合优化模型等等。然而在这些模型中很多存在着相似的问题,即模型中某个参数的微小变化会导致模型结果发生重大改变。针对该问题,本文引进了不确定理论,尤其是不确定理论中的模糊随机理论和随机模糊理论,将股票定价模型中的多阶段红利贴现模型,金融风险控制VAR模型,资产组合优化模型中的容易导致模型结果发生重大改变的变量进行随机化或者模糊化处理,即不再对这些变量取固定值,而是根据这些变量实际情况,将其取为随机变量或者模糊变量,进而在更加符合实际情况的基础上减少模型对参数的敏感性,除此之外,本文结合计算机中随机模拟技术和猴群算法给出了改进后的模型的求解方法。最后在改进模型的基础上,本文给出了三个实证研究。一是通过改进的股票定价模型分析了我国股市的整体风险情况,最终发现我国股市中存在较大的风险隐患,并针对这种隐患给出了相关的原因分析和政策建议;二是在给出了不确定理论下风险度量工具VAR的计算方法后,利用该方法来探讨了一个实际资产组合的风险大小;三是在改进的资产组合优化模型基础上,本文给出了一个实际案例分析的例子。
程金静[9]（2010）在《基于Copula-Kernel模型的投资组合风险分析》文中研究说明随着金融一体化和经济全球化的迅速发展,金融市场呈现出前所未有的波动性,金融风险也日趋复杂化和多样化,随之风险管理技术在此压力下得以迅猛发展,作为控制和管理风险的基础,度量市场风险也是金融理论研究的重要内容。VaR是一种衡量和管理金融市场风险的有效方法,其优点便是能够把投资风险描述为一个显性函数并导出形象数据,即最大可能损失,这是传统的度量工具所望尘莫及的。但常见的VaR计算模型都是基于单资产的,并假设它服从正态分布,或者假设资产组合中不同的风险变量呈线性关系。而大量实证研究表明,资产收益分布的尾部一般要比正态分布更厚,极端值出现的可能性更大,同时资产之间的关系并非线性相关关系,而呈现一种非线性相关关系。因此,本文采用非参数密度估计方法拟合单一资产收益率分布,引用Copula理论来描述多资产之间的非线性相关关系是具有实际意义的研究工作。本文首先回顾了金融风险管理技术的发展过程,提出课题的背景意义,分析了Copula模型的构造及国内外关于VaR的研究成果,详细介绍了Copula模型的理论研究和在金融市场风险中的相关应用,介绍了蒙特卡洛模拟技术以及VaR的几种不同计算方法,此外还讨论了Kernel的非参数估计过程、关于二维Copula的拓展和比较等。本文提出并构建了Copula-Kernel模型,以此为基础结合蒙特卡洛模拟方法计算二维投资组合的VaR值,并与已有的VaR计算方法进行比较,实证分析表明本文构造的Copula-Kernel模型在金融风险分析中是可行和有效的。此外,本文结合Copula理论,尝试将蒙特卡洛模拟从二维变量空间扩展到高维空间,并运用到多资产投资组合分析中,实证表明在高维非正态Copula模型的建立和实施计算方面是可行和有意义的。最后,总结了将Copula应用到金融市场并扩展到高维的益处,并提出了需要考虑的问题和进一步研究的方向。
陈可[10]（2010）在《人民币利率互换定价与分析实证研究》文中研究表明所有的金融交易都面临着利率风险。而利率衍生产品提供了控制和管理利率风险的工具,利率衍生产品市场是全球衍生产品市场中交易量最大最活跃的市场。而最近几年,人民币利率衍生产品市场也迅猛发展,反映了市场对利率风险管理存在旺盛的需求。随着人民币利率市场化不断加深,利率风险的逐步显现,对人民币利率衍生产品的研究十分迫切和必要。利率互换在利率衍生产品中一直占据着主导地位,不论是从世界市场还是国内市场来看。自2006年2月我国开展利率互换交易以来,人民币利率互换的交易迅速增加。人民币利率互换已经成为我国重要的利率衍生产品,在金融机构对冲利率风险、丰富投资组合、把握市场预期、提高盈利水平方面起了至关重要的作用,是投研人员等重点关注的对象。本文以SHIBOR为基准的人民币利率互换为研究对象,对2007年8月14日至2009年3月3日之间的利率互换定价进行了实证研究。我们首先对利率衍生产品定价和利率互换定价的有关文献进行了梳理,在此基础上对利率互换定价的相关理论进行了详细介绍,主要内容包括风险中性定价理论、STAR模型和仿射利率期限结构模型等。然后,对我国人民币利率互换市场的发展背景、现状以及存在的问题进行了简要介绍,以期人们对我国人民币利率互换市场发展状况有个基本的了解。互换利差是利率互换定价最重要的决定性因素。国际上一般采用互换利差的方式来为利率互换报价。因此,我们首先实证分析人民币利率互换利差的影响因素。考虑到不同机制下各影响因素发挥的作用不同,文章采用了STVAR模型。在模型估计完成后,又采用基于Bootstrap法的广义脉冲响应函数来分析各影响因素对互换利差的影响。既然人民币利率互换中包含了信用风险,我们就必须建立包含风险的人民币利率互换定价模型。本文运用了两因子广义高斯仿射模型来模拟利率互换的价格,在参数估计方法上,采用了极大估计方法。通过研究,我们知道人民币利率互换利差中包含流动性风险和违约风险。为了对风险进行量化,我们运用三因子广义高斯仿射模型,同时对人民币国债市场利率、银行间质押式回购市场利率和利率互换市场利率进行模拟,并采用极大似然估计方法估计众多参数,最后得到流动性风险溢价和违约风险溢价的期限结构。通过本论文的研究,得出以下几个最重要的结论。首先,我国人民币利率互换市场的发展远落后于发达国家,但发展势头迅猛。其次,确认了在样本期内存在两个明显不同的机制状态。在不同状态下,同一影响因素对利率互换的冲击不同。最后,在目前的人民币利率互换定价过程中,采用互换利差定价法的话,可以以回购利率作为基准,在此基础上考虑信用风险进行定价,而流动性要素相对违约要素更加重要,市场给予流动性风险以显着的风险溢价。总之,本文是在人民币利率互换定价领域的一次探索性研究。在研究过程中始终坚持将前沿金融理论与中国金融市场的实际发展情况相结合,希望能给理论界和实际操作人员提供有益参考。
二、D-G正态模型在VaR计算上的改进（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、D-G正态模型在VaR计算上的改进（论文提纲范文）
（1）协方差矩阵的贝叶斯分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号对照表 |
| 第一章 绪论 |
| §1.1 协方差矩阵估计方法简介 |
| §1.1.1 收缩特征值方法 |
| §1.1.2 Ledoit–Wolf估计方法 |
| §1.1.3 惩罚似然方法 |
| §1.1.4 贝叶斯方法 |
| §1.2 多元正态分层模型中超参数先验的选取问题 |
| §1.2.1 决策理论框架 |
| §1.3 单因素多元方差分析模型的参数估计问题 |
| §1.4 本文的主要内容 |
| 第二章 多元正态分布的协方差矩阵的贝叶斯分析 |
| §2.1 引言 |
| §2.2 一类新的协方差矩阵先验 |
| §2.2.1 定义 |
| §2.2.2 SIW先验和后验的适当性 |
| §2.2.3 SIW先验和后验的矩 |
| §2.2.4 主观确定IW和SIW先验的参数 |
| §2.2.5 贝叶斯估计 |
| §2.3 SIW后验的计算 |
| §2.3.1 已存在的两种抽样方法 |
| §2.3.2 新的抽样方法 |
| §2.3.3 比较以上三种抽样方法 |
| §2.4 比较IW和SIW两种先验和后验 |
| §2.4.1 比较IW和SIW两种先验及其后验的特征值的等高线图 |
| §2.4.2 IW和SIW的贝叶斯风险比较 |
| §2.4.3 m ≥ k情况下风险函数比较 |
| §2.4.4 低秩学习 |
| §2.5 本章附录:定理证明 |
| §2.5.1 定理2.1的证明 |
| §2.5.2 定理2.2的证明 |
| §2.5.3 引理2.1的证明 |
| 第三章 多元正态分层模型中超参数的客观先验 |
| §3.1 引言 |
| §3.1.1 分层贝叶斯模型和推荐的先验 |
| §3.2 推荐先验的容许性 |
| §3.3 模型的推广以及应用 |
| §3.4 后验分布的计算 |
| §3.4.1 θ的条件后验分布 |
| §3.4.2 β的条件后验分布 |
| §3.4.3 V的条件后验分布 |
| §3.5 推荐先验的模拟表现 |
| §3.5.1 比较12个先验 |
| §3.5.2 后验适当性 |
| §3.5.3 各个先验的抽样问题 |
| §3.5.4 各个先验的风险比较 |
| §3.6 三层的分层模型的后验适当性 |
| 第四章 单因素多元方差分析模型的贝叶斯分析 |
| §4.1 引言 |
| §4.2 μ, Σ_0和 Σ_1的独立先验 |
| §4.2.1 μ 的先验 |
| §4.2.2 Σ_0和 Σ_1的独立先验 |
| §4.3 (Σ_0, Σ_1)可交换先验 |
| §4.3.1 几个启发式例子 |
| §4.3.2 一个二维情况 |
| §4.3.3 一个 (Σ_0, Σ_1)可交换先验 |
| §4.3.4 可交换先验分布适当性和矩的存在性 |
| §4.4 后验的适当性和后验矩的存在性 |
| §4.4.1 边际似然 |
| §4.4.2 后验适当性 |
| §4.4.3 (Σ_0, Σ_1)后验矩的存在条件 |
| §4.5 计算 |
| §4.5.1 (Σ_0, Σ_1)的独立先验下的计算 |
| §4.5.2 (Σ_0, Σ_1)的可交换先验下的计算 |
| §4.5.3 例子2的计算问题 |
| §4.6 熵损失函数下的贝叶斯估计 |
| §4.7 数据研究 |
| §4.7.1 模拟 |
| §4.7.2 苹果砧木数据 |
| §4.8 本章附录:定理证明 |
| §4.8.1 引理4.1的证明 |
| §4.8.2 定理4.1的证明 |
| §4.8.3 定理4.2的证明 |
| §4.8.4 引理4.2的证明 |
| §4.8.5 定理4.3的证明 |
| §4.8.6 定理4.4的证明 |
| §4.8.7 定理4.5的证明 |
| 第五章 结论与展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的论文 |
（2）电力市场价格风险价值与波动预测研究综述（论文提纲范文）
| 0引言 |
| 1非参数法计算电力市场价格风险 |
| 2基于参数法的电价波动预测与电力市场价格风险度量 |
| 2.1 GARCH模型 |
| 2.2实现波动 |
| 3半参数法计算电力市场价格风险 |
| 4结论 |
（3）中国证券市场风险价值研究 ——基于分位数回归的VaR和CAViaR的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 第一节 研究背景与意义 |
| 一、研究背景 |
| 二、研究意义 |
| 第二节 文献综述 |
| 一、国外研究现状 |
| 二、国内研究现状 |
| 第三节 研究思路与框架 |
| 一、研究思路 |
| 二、基本框架 |
| 第四节 研究创新 |
| 第二章 基于分位数回归的VaR理论和CAViaR理论 |
| 第一节 VaR基本理论 |
| 一、VaR的定义 |
| 二、VaR的计算方法 |
| 三、返回检验 |
| 第二节 分位数回归理论 |
| 一、分位数回归的基本思想 |
| 二、模型参数估计 |
| 三、模型评估与检验 |
| 第三节 CAViaR理论 |
| 一、CAViaR模型 |
| 二、模型的估计方法 |
| 第三章 基于分位数回归的中国证券市场风险价值研究 |
| 第一节 分位数回归VaR模型 |
| 第二节 基于分位数回归的中国证券市场风险价值实证分析 |
| 一、数据的选取及基本统计分析 |
| 二、分位数回归VaR模型的一般估计结果 |
| 三、不同置信水平的模型估计结果比较 |
| 四、不同ARCH族模型的估计结果比较 |
| 五、误差项服从不同分布假设的估计结果比较 |
| 六、不同持有期的收益率序列的估计结果比较 |
| 第三节 小结 |
| 第四章 基于CAViaR的中国证券市场风险价值研究 |
| 第一节 CAViaR扩展模型 |
| 一、AIT模型——Asymmetric Indirect TARCH,非对称间接TARCH模型 |
| 二、AR-IG模型——AR-Indirect GARCH,带AR项的间接GARCH模型 |
| 三、基于波动率的CAViaR-Volatility模型 |
| 第二节 基于CAViaR的中国证券市场风险价值实证分析 |
| 一、样本数据及统计特征 |
| 二、经典CAViaR模型的估计与评价 |
| 三、扩展的AIT模型和AR-IG模型的估计与评价 |
| 四、扩展的CAViaR-Volatility模型的估计与评价 |
| 第三节 小结 |
| 第五章 结论与展望 |
| 第一节 结论 |
| 第二节 研究展望 |
| 参考文献 |
| 附录 |
| 附录一 攻读学位期间发表的学术论文和科研成果 |
| 附录二 CAViaR估计的Matlab程序 |
| 致谢 |
（4）基于动态Copula模型的我国股市风险度量研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.1.1 我国股市风险度量的理论和方法仍存在问题 |
| 1.1.2 近年来应用Copula模型来计算VaR的研究备受关注 |
| 1.1.3 研究基于动态Copula模型计算VaR的必要性 |
| 1.2 问题的提出 |
| 1.2.1 需要建立一个动态Copula模型 |
| 1.2.2 需要提出基于动态Copula模型的VaR计算过程 |
| 1.3 研究目的与研究意义 |
| 1.3.1 研究目的 |
| 1.3.2 研究意义 |
| 1.4 研究内容、研究思路与研究方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究思路 |
| 1.4.3 研究方法 |
| 1.5 本文章节安排 |
| 第2章 文献综述 |
| 2.1 Copula方法的研究现状 |
| 2.1.1 国外的研究现状 |
| 2.1.2 国内的研究现状 |
| 2.2 VaR方法的研究现状 |
| 2.2.1 国外的研究现状 |
| 2.2.2 国内的研究现状 |
| 2.3 基于Copula模型计算VaR的研究现状 |
| 2.3.1 国外的研究现状 |
| 2.3.2 国内的研究现状 |
| 第3章 相关理论概述 |
| 3.1 Copula函数的基本理论 |
| 3.1.1 Copula函数的定义和基本性质 |
| 3.1.2 Copula函数的分类 |
| 3.1.3 Copula理论的一致性和相关测度 |
| 3.1.4 Copula函数的参数估计 |
| 3.2 VaR的基本理论 |
| 3.2.1 VaR的基本概念 |
| 3.2.2 VaR的计算方法 |
| 3.2.3 VaR方法的准确性检验 |
| 第4章 基于动态Copula模型的VaR计算 |
| 4.1 动态Copula模型的参数演进方程构建 |
| 4.2 Copula-GARCH模型的构建 |
| 4.3 VaR的计算 |
| 4.3.1 基于Copula模型的VaR计算 |
| 4.3.2 实证研究设计 |
| 第5章 实证分析 |
| 5.1 样本选取与数据处理 |
| 5.2 样本特征分析及检验 |
| 5.2.1 样本特征分析 |
| 5.2.2 均值方程的设定 |
| 5.2.3 残差平方的相关性 |
| 5.2.4 ARCH检验 |
| 5.3 边缘分布模型的估计及检验 |
| 5.3.1 边缘分布的估计结果 |
| 5.3.2 边缘分布的检验结果 |
| 5.4 动态Copula函数参数估计结果 |
| 5.5 VaR估计 |
| 第6章 结束语 |
| 6.1 结论 |
| 6.2 论文的不足之处 |
| 6.3 进一步研究方向 |
| 参考文献 |
| 致谢 |
| 附录 |
（5）基于最大风险承受能力的投资组合选择（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 文献综述 |
| 1.3 本文主要内容及基本结构 |
| 1.4 创新之处与不足 |
| 第2章 “死亡风险”与最大风险承受能力 |
| 2.1 “尾部风险”与“死亡风险” |
| 2.1.1 极端事件与“尾部风险” |
| 2.1.2 “死亡风险”与“尾部风险” |
| 2.2 “死亡风险”与最大风险承受能力 |
| 2.3 风险承受能力的市场化转换 |
| 2.4 最大风险承受能力与VaR |
| 第3章 VaR与风险管理 |
| 3.1 VaR的本质与风险管理 |
| 3.1.1 常态风险下的风险管理 |
| 3.1.2 极端事件风险下的风险管理 |
| 3.2 VaR的计算 |
| 3.2.1 参数法计算VaR |
| 3.2.2 模拟法计算VaR |
| 3.3 投资组合VaR的计算及其分解 |
| 3.3.1 投资组合VaR |
| 3.3.2 边际VaR、成分VaR和增量VaR |
| 3.4 基于Copula理论的VaR计算 |
| 3.4.1 Copula函数的选择 |
| 3.4.2 参数估计 |
| 3.4.3 基于Copula函数的组合风险VaR的计算 |
| 3.5 基于极值理论VaR的计算 |
| 3.5.1 极值的定义及表达式 |
| 3.5.2 阈值方法：广义Pareto分布 |
| 3.5.3 基于极值理论的VaR |
| 第4章 基于最大风险承受能力约束的期望—VaR组合模型 |
| 4.1 建立基于最大风险承受能力的期望-VaR组合模型 |
| 4.2 期望-VaR模型求解 |
| 4.3 期望-VaR模型解的特征 |
| 4.3.1 两基金分离定理的证明 |
| 4.3.2 有效组合边界的双曲线特征 |
| 4.3.3 系统性风险不可消失 |
| 4.4 基于最大风险承受能力约束的的期望—VaR组合模型的求解 |
| 4.5 期望—VaR模型的缺陷 |
| 第5章 基于最大风险承受能力约束的期望-VaR组合模型的改进 #44—最大风险承受能力约束的期望-CVaR组合模型 |
| 5.1 条件风险价值(CVaR)主要思想及性质 |
| 5.1.1 条件风险价值(CVaR)含义 |
| 5.1.2 CVaR的计算及其性质 |
| 5.2 构建基于最大风险承受能力的期望-CVaR组合模型 |
| 5.3 模型的求解 |
| 5.3.1 投资比例限制下期望-CVaR组合模型求解 |
| 5.3.2 最大风险承受能力约束下期望—CVaR组合模型求解 |
| 第6章 案例分析与经验证据 |
| 6.1 案例分析 |
| 6.1.1 案例问题描述及相关假设条件 |
| 6.1.2 计算步骤 |
| 6.2 经验证据 |
| 6.2.1 相关假定和变量说明 |
| 6.2.2 样本选取及数据预处理 |
| 6.2.3 模型求解与分析 |
| 第7章 结论与展望 |
| 参考文献 |
| 后记 |
（6）银行外汇期权的风险管理研究 ——基于VaR的风险度量（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 论文的研究背景 |
| 1.1.1 外汇制度的变革促进了外汇衍生品市场的发展 |
| 1.1.2 外汇制度的改革对我国商业银行风险管理提出了新的要求 |
| 1.2 论文研究的现实意义 |
| 1.2.1 进一步研究风险管理的理论需要 |
| 1.2.2 防控风险的实践需要 |
| 1.3 VAR风险管理研究概述 |
| 1.4 论文的创新之处 |
| 2 金融衍生工具的风险分析与管理 |
| 2.1 金融衍生工具的市场风险分析 |
| 2.2 金融衍生工具的风险案例分析 |
| 2.2.1 中航油事件 |
| 2.2.2 巴林银行的倒闭 |
| 2.2.3 "327国债"期货事件 |
| 2.3 金融衍生工具的市场风险管理 |
| 3 VAR模型的基本原理 |
| 3.1 VAR产生的定义及计算原理 |
| 3.1.1 VaR的定义 |
| 3.1.2 VaR的计算方法 |
| 4 外汇期权定价模型及敏感性分析 |
| 4.1 期权定价模型 |
| 4.1.1 期权定价B-K模型 |
| 4.1.2 外汇期权定价G-K模型 |
| 4.2 外汇期权价格的敏感性分析 |
| 4.2.1 Delta参数敏感性分析 |
| 4.2.2 Gamma敏感性分析 |
| 4.3 VAR计算的分析方法 |
| 4.3.1 Delta-类模型 |
| 4.3.2 Gamma-类模型 |
| 5 外汇期权理财产品的风险度量实证分析 |
| 5.1 产品介绍:作为代表,介绍中国银行"期权宝" |
| 5.2 产品的风险值度量 |
| 5.2.1 Delta-类模型 |
| 5.2.2 Delta-Gamma正态模型 |
| 5.2.3 Gamma-Cornish-Fisher-正态模型 |
| 5.3 实证分析 |
| 结束语 |
| 参考文献 |
| 后记 |
（7）VaR估计中的概率分布设定风险与改进（论文提纲范文）
| 一、引言 |
| 二、文献综述 |
| 三、Va R估计的概率分布设定风险 |
| 四、基于数据特征的Va R改进模型 |
| (一) Delta-Gamma模型 |
| (二) Delta-Gamma-Johnson方法 |
| (三) Cornish-Fisher扩展 |
| (四) Delta-Gamma-Cornish-Fisher扩展方法 |
| 五、改进模型的应用 |
| (一) 数据来源及相关统计特征 |
| (二) 平稳性和异方差检验 |
| (三) 估计参数和计算Va R值 |
| (四) 结果分析 |
| (五) 模型的稳健性检验 |
（8）不确定理论在金融风险管理领域中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 问题的提出 |
| 1.2 国内外研究现状综述 |
| 1.2.1 股票定价模型的研究现状 |
| 1.2.2 金融风险控制的研究现状 |
| 1.2.3 投资组合优化模型的研究现状 |
| 1.2.4 不确定理论研究现状 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 金融领域中的相关理论知识 |
| 2.1 红利贴现模型理论 |
| 2.2 生命周期与多阶段增长模型 |
| 2.3 资本资产定价模型 |
| 2.4 金融风险控制工具VAR 的介绍 |
| 2.5 本章 小结 |
| 第三章 相关不确定理论 |
| 3.1 可信性测度 |
| 3.2 模糊变量 |
| 3.3 模糊随机变量 |
| 3.4 随机模糊变量 |
| 3.5 本章小结 |
| 第四章 多阶段红利贴现模型的改进 |
| 4.1 模型参数的确定 |
| 4.1.1 参数D 的选择 |
| 4.1.2 参数k 的选择 |
| 4.1.3 参数g 的选择 |
| 4.2 多阶段红利贴现模型的改进 |
| 4.3 分析我国证券市场的风险水平 |
| 4.3.1 判断证券市场泡沫是否合理的标准 |
| 4.3.2 样本股的选择 |
| 4.3.3 分析我国证券市场的无风险利率 |
| 4.3.4 分析我国证券市场的市场收益率 |
| 4.3.5 样本股内在价值的判断 |
| 4.3.6 我国股市泡沫严重程度分析 |
| 4.3.7 近三年我国股市泡沫大小走势 |
| 4.4 预防股市泡沫风险的政策建议 |
| 4.5 金融风险VAR 的改进 |
| 4.6 本章小结 |
| 第五章 投资组合的最优选择 |
| 5.1 投资组合优化模型 |
| 5.2 猴群算法的介绍 |
| 5.3 实例分析 |
| 5.4 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 附录 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（9）基于Copula-Kernel模型的投资组合风险分析（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 选题的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 VaR 研究现状 |
| 1.2.2 Copula 研究现状 |
| 1.2.3 蒙特卡洛研究现状 |
| 1.3 本文思路与内容 |
| 2 VaR 理论概述 |
| 2.1 VaR 含义及参数选择 |
| 2.2 VaR 的优缺点 |
| 2.3 VaR 计算的具体方法 |
| 2.3.1 历史模拟法 |
| 2.3.2 参数方法（方差-协方差法） |
| 2.3.3 Monte Carlo 模拟法 |
| 2.4 本章小结 |
| 3 Copula 函数理论 |
| 3.1 Copula 函数定义及相关性质 |
| 3.1.1 Copula 函数定义 |
| 3.1.2 Copula 函数性质 |
| 3.2 常用的Copula 函数 |
| 3.2.1 椭圆Copula 函数族 |
| 3.2.2 Archimedean Copula 函数族 |
| 3.3 Copula 函数的参数估计 |
| 3.3.1 参数估计方法 |
| 3.3.2 非参数估计方法 |
| 3.4 本章小结 |
| 4 基于 Copula-Kernel 模型的 VaR 计算 |
| 4.1 边际分布的建模 |
| 4.2 二元Copula-Kernel 模型 |
| 4.2.1 二元Copula-Kernel 模型的VaR 计算 |
| 4.2.2 实证分析 |
| 4.3 高维Copula-Kernel 模型 |
| 4.3.1 产生多维随机序列的Monte Carlo 方法 |
| 4.3.2 基于Copula-Monte Carlo 的多个资产组合的VaR 计算 |
| 4.3.3 实证分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 主要结论 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）人民币利率互换定价与分析实证研究（论文提纲范文）
| 摘要 |
| Abstract |
| 图表目录 |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 拟研究的关键问题 |
| 1.3 研究的内容 |
| 1.4 研究的方法 |
| 1.5 本论文创新之处 |
| 第二章 文献综述 |
| 2.1 利率衍生产品定价 |
| 2.1.1 利率动态行为研究及实证 |
| 2.1.2 利率期限结构研究及实证 |
| 2.1.3 利率衍生证券定价方法研究 |
| 2.1.4 国内关于利率衍生产品定价的研究 |
| 2.2 利率互换定价 |
| 2.2.1 利率互换的定价理论 |
| 2.2.2 利率互换的实证研究 |
| 2.3 利率互换利差理论 |
| 2.3.1 利率互换利差的影响因素研究 |
| 2.3.2 利率互换利差的分解 |
| 2.4 本章小结 |
| 第三章 人民币利率互换研究的理论基础 |
| 3.1 风险中性定价理论 |
| 3.1.1 风险中性定价理论的提出 |
| 3.1.2 风险中性定价的理论依据 |
| 3.1.3 风险中性定价的应用 |
| 3.2 STAR 模型 |
| 3.2.1 STAR 模型的一般特征 |
| 3.2.2 STAR 模型的估计 |
| 3.2.3 STAR 模型的检验 |
| 3.3 仿射利率期限结构模型 |
| 3.3.1 完全仿射利率期限结构模型 |
| 3.3.2 广义高斯仿射利率期限结构模型 |
| 3.4 本章小结 |
| 第四章 我国人民币利率互换市场的发展 |
| 4.1 我国开展人民币利率互换的背景 |
| 4.2 我国人民币利率互换市场的现状 |
| 4.3 我国人民币利率互换市场存在的问题 |
| 4.4 本章小结 |
| 第五章 人民币利率互换利差影响因素的实证分析 |
| 5.1 数据与变量 |
| 5.1.1 样本数据的选择和变量定义 |
| 5.1.2 经济变量的初步分析 |
| 5.2 STVAR 模型的设定 |
| 5.2.1 基本模型设定 |
| 5.2.2 线性检验和转换函数的选择 |
| 5.3 实证分析 |
| 5.3.1 STVAR 模型转换机制的识别 |
| 5.3.2 基于Bootstrap 法的广义脉冲响应分析 |
| 5.3.3 非线性和线性脉冲响应函数的比较 |
| 5.4 本章小结 |
| 第六章 基于两因子广义高斯仿射模型的人民币利率互换定价研究 |
| 6.1 模型的设定 |
| 6.1.1 利率互换定价的理论框架 |
| 6.1.2 两因子广义高斯仿射模型的建立 |
| 6.2 数据与统计描述 |
| 6.3 两因子广义高斯仿射模型的极大似然估计 |
| 6.4 实证结果及其分析 |
| 6.5 本章小结 |
| 第七章 人民币利率互换利差的分解研究 |
| 7.1 模型的设定 |
| 7.1.1 模拟互换利差的理论框架 |
| 7.1.2 三因子广义高斯仿射模型的建立 |
| 7.2 数据与统计描述 |
| 7.3 三因子广义高斯仿射模型的极大似然估计 |
| 7.4 实证结果 |
| 7.4.1 互换利差的分解：流动性因素和违约因素 |
| 7.4.2 流动风险和违约风险溢价分析 |
| 7.5 本章小结 |
| 结论 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
四、D-G正态模型在VaR计算上的改进（论文参考文献）
- [1]协方差矩阵的贝叶斯分析[D]. 宋成园. 华东师范大学, 2019(08)
- [2]电力市场价格风险价值与波动预测研究综述[J]. 熊尚飞,邹小燕. 电力系统保护与控制, 2014(02)
- [3]中国证券市场风险价值研究 ——基于分位数回归的VaR和CAViaR的研究[D]. 何春. 浙江工商大学, 2013(09)
- [4]基于动态Copula模型的我国股市风险度量研究[D]. 李晓斌. 东北大学, 2013(03)
- [5]基于最大风险承受能力的投资组合选择[D]. 周猛. 天津财经大学, 2012(07)
- [6]银行外汇期权的风险管理研究 ——基于VaR的风险度量[D]. 肖一. 东北财经大学, 2011(07)
- [7]VaR估计中的概率分布设定风险与改进[J]. 李腊生,孙春花. 统计研究, 2010(10)
- [8]不确定理论在金融风险管理领域中的应用[D]. 张守霞. 天津大学, 2010(02)
- [9]基于Copula-Kernel模型的投资组合风险分析[D]. 程金静. 重庆大学, 2010(03)
- [10]人民币利率互换定价与分析实证研究[D]. 陈可. 华南理工大学, 2010(12)