VaR在金融风险管理等领域中扮演了关键角色,因而如何提高VaR 的计算精度显得至关重要。VaR 的计算方法主要包括参数法、半参数法和非参数法等(Tsay,2005)。对于VaR 计算方法而言,本章认为提高VaR 的计算精度在于如何寻找或者构建一个最能精确地量化资产收益分布的概率模型以及如何运用统计方法推断模型的参数。由于样本具有的非平稳性等特征使得对应的概率密度函数具有尖峰、厚尾等局部特征,因此一些光滑性较好的分布函数可能不满足VaR 计算精度的要求。这样极有可能高估或者低估资产的市场风险,进而不利于高质量地管理市场风险和投资决策。为此本章从概率密度函数的空间视角,探讨资产收益率分布密度函数的局部特征及其相关影响因素对VaR 计算精度的影响。
本章将块阈值规则引入资产收益率密度函数的小波阈值估计量,采用小波模极大值线变点方法检测出可能的变点(由此消除噪声对收益率密度函数的估值影响),按这些变点将小波系数分成若干个子块,进而给出了密度函数的阈值估计量的计算公式;基于此提出VaR 的多尺度估值模型,利用VaR 的分位数定义将VaR 计算精度的分析转化为小波阈值估计量的估值误差的收敛性分析,从而间接地推断出VaR 的多尺度估值模型的估值误差(MSE)的收敛速度与收益率密度函数的光滑性和样本容量有关;最后通过仿真算例和实证分析支撑了这个分析结果。(www.xing528.com)
本章结构安排如下:第一部分将块阈值规则引入密度函数的小波阈值估计量;第二部分基于小波阈值估计量提出VaR 的多尺度估值模型;第三部分对VaR 估值误差的收敛性分析;第四部分是仿真算例;第五部分是实证分析;最后是本章小结。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。