基于GARCH模型与SV模型利用EVT研究尾部风险测度.docx

基于GARCH模型与SV模型利用EVT研究尾部风险测度
尾部风险是指在金融市场中出现少量极端风险或极端事件而导致的巨大损失，这对金融市场和投资者都是致命的。因此，尾部风险的定量测度非常重要，这不仅有助于预测未来极端事件的可能性，而且还有助于投资者制定更有效的资产配置战略，有效降低风险。
尾部风险的研究通常涉及到极值理论、GARCH模型和SV模型等统计方法。其中，GARCH模型和SV模型是广泛被用于对金融市场波动性建模的两种主流方法。对于GARCH模型，它是一种包含异方差的时间序列模型，它能够更精确地描述金融市场的波动性。对于SV模型，它是一种包括随机波动率和时间变化的随机过程，被广泛用于建模实际市场和计算隐含波动率。
在GARCH模型中，本文使用的是GARCH（1,1）模型。基于这个模型，我们使用极值理论来估算尾部风险。极值理论是用来研究随机变量极端值的数学分支，它可以在实际中提供有效而可靠的尾部风险度量方法。
对于SV模型，本文采用了Bauwens和Laurent（2003）和McNeil和Frey（2000）提出的基于EVT的方法。这种方法基于极大似然方法估算模型参数，发现了超出阈值的数据，并根据这些数据计算极值入尾部风险度量。
通过使用以上两种模型，本文研究了中国股市尾部风险的变化，并对比了两种模型在尾部风险测度方面的效果。具体而言，本文的主要贡献如下：
首先，通过估算GARCH（1，1）模型，本文成功地捕捉了中国股市随时间变化的波动性，并量化了尾部风险。和LR模型相比，GARCH模型展现出了更好的尾部风险预测能力。其次，本文采用了EVT方法估算SV模型的参数，通过计算高概率或大幅度的极端值的次数，测量了中国股市中的尾部风险。最后，本文还对比了两种模型的测度，结果显示GARCH模型比起SV模型更能反映中国股市的尾部风险变化。
总之，本文基于GARCH模型和SV模型，采用EVT技术，通过具体实证进行了研究分析，对中国股市尾部风险进行了有效度量和比较。这些结果有助于投资者更好地理解金融市场，制定更有效的风险管理策略，降低风险并增加投资收益。