VaR 的时间尺度
在独立同分布正态收益和对称严格稳定收益两种设定下,比较多期 VaR 随持有期变化的速度。
提示 1点击展开
先写出多期对数收益的和,然后分别利用正态分布的方差可加性与稳定分布的尺度性质。
提示 2点击展开
统一损失 VaR 的符号与尾概率;平方根缩放是否适用取决于分布假设,并非普遍公式。
极端损失很少出现,却常决定风险管理是否可靠。本章从在险价值 VaR 出发,解释分位数、持有期缩放及正态假设失效的原因;随后介绍极值理论、广义极值分布、尾指数和半参数尾部外推。动态风险部分比较 GARCH 条件 VaR 与 CaViaR,并讨论回测中覆盖率与独立性的检验。
多资产部分介绍 Copula、尾部依赖与 CoVaR,最后用一致性风险度量的标准比较 VaR 和期望损失 ES。学完后,你应能分辨常规波动与尾部风险,了解风险估计所依赖的分布、时间尺度和模型假设。
本章选取 4 道习题。先独立思考,遇到困难时再逐步展开提示;完整题面及数据要求请参阅教材。
在独立同分布正态收益和对称严格稳定收益两种设定下,比较多期 VaR 随持有期变化的速度。
先写出多期对数收益的和,然后分别利用正态分布的方差可加性与稳定分布的尺度性质。
统一损失 VaR 的符号与尾概率;平方根缩放是否适用取决于分布假设,并非普遍公式。
对股票或指数的日收益率构造目标损失尾部,推导 Hill 估计,比较 DEM 估计,并绘制不同尾部观测数下的 Hill 曲线,讨论阈值选择。
先明确是估计左尾收益还是右尾损失;用于对数比的尾部观测应为正数,排序方向也需保持一致。
阈值过高时有效观测少,阈值过低时尾部近似可能变差;分别思考两者带来的变异和偏差。
平台段可提供线索,但不保证尾部模型正确。应结合不确定性、样本区间及金融数据的时间依赖性进行综合判断。
在正态及标准化 Student 创新下,推导条件损失 VaR 和 ES;构造覆盖率检验,并讨论突破事件的独立性。若条件尺度表示标准差,Student 创新需取自由度大于 2 的单位方差标准化形式。
先统一收益下尾概率与损失置信水平,明确负号;分别从条件分位数与尾条件均值入手。
Student 分布的尺度参数不等于标准差。先求未标准化分布的结果,再进行单位方差转换。
回测需使用真正的事前预测:覆盖比例检验突破是否过多,独立性检验突破是否成串,两者不能相互替代。
说明 ES 的次可加性,并比较连续收益下两种经验尾均值估计。假设下尾一阶矩有限,讨论一致性所需条件、尾部观测的敏感性及 VaR 与 ES 的联合评价;另说明存在原子时为何需要分位数积分定义。
证明性质时统一使用损失口径,可以从分位数积分或 ES 的优化表示入手;不要用一般不成立的 VaR 次可加性代替。
经验尾均值的分母可采用实际尾部观测数或目标尾部比例乘以样本量,比较两者在连续分布下的联系。
当存在大量重复收益时,分位点的概率质量分配会影响估计。ES 不是分位数,不能为其超出事件直接套用 VaR 的目标突破率。
从 VaR、极值理论和尾指数出发,学习如何估计与检验金融损失分布的尾部风险。
正文演示:用 Pareto 模拟样本演示 Hill 尾指数估计及阈值选择的影响。
数据说明:默认样本为模拟数据;市场风险案例需使用相应的历史价格数据。
打开本章 GitHub 目录 ↗ 查看本章代码索引点击下方条目可在线查看源码,或从 GitHub 下载。
极端损失的风险无法仅用平均值刻画。本章先观察 Hill 估计对阈值的敏感性,再基于历史月度收益计算 VaR 和 ES。
动手实践:估计模拟 Pareto 分布的尾指数;绘制 Hill 图;计算历史分位数与尾部期望损失。
数据说明:Pareto 模拟样本,以及第 12 章数据目录中的 SPY 月度历史快照。
打开本章 Python 目录 ↗ 查看 Python 导读与运行说明书中 R 示例与公开数据按章整理,附有运行说明。可从各章演示程序开始,也可对照正文逐段学习。点击或扫描二维码即可打开仓库。
github.com/Jiajing-Sun/financial-econometrics-r