簡易檢索 / 詳目顯示
| 研究生： |
賴信宏 |
|---|---|
| 論文名稱： |
以條件拔靴法估計VaR之探討 |
| 指導教授： | 翁久幸 |
| 學位類別： |
碩士
Master |
| 系所名稱： |
商學院 - 統計學系 Department of Statistics |
| 論文出版年： | 2002 |
| 畢業學年度： | 90 |
| 語文別： | 中文 |
| 論文頁數： | 51 |
| 中文關鍵詞： | 風險值 、拔靴法 、厚尾高峰 、異質變異 |
| 外文關鍵詞： | GARCH Bootstrap |
| 相關次數： | 點閱：103 下載：9 |
| 分享至: |
| 查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報 |
關於風險值之估計，拔靴法因直接以市場資料為抽樣分配，計算時便包含一般財務時間序列所常有的厚尾高峰等現象，避免模型偏誤(Model Risk)。但市場上的波動因具有異質變異，易產生波動聚集現象(Volatility Clustering)，是以歷史資料無法立即反應波動之起伏與及時之資訊，一般VaR估計模型往往在波動較劇烈起伏處，無法準確估計風險值，因而提高市場風險。
針對於此，此次研究嘗試以GARCH模型捕捉波動起伏，並運用拔靴法估計之便捷與優點，估計更可靠之風險值（簡稱GARCH Bootstrap）。研究所得之主要結論如下：
1.拔靴法(Bootstrap)以及偏誤修正之拔靴法(Bias-Corrected Bootstrap)在厚尾及常態之下，皆比歷史模擬法有較佳之估計。但實證資料因厚尾情形不足，三者之VaR估計，並無顯著差異。
2.拔靴法及偏誤修正之拔靴法於模擬中有較大之差距，實證下則較小，應為實證資料厚尾情形較輕微所致。
3.模擬中，在GARCH模型之配適上，選擇樣本大小（或窗口大小）為250日或500日皆為條件之估計較佳。但實證上，250日的資料仍嫌不足，在計算參數時會有不收斂而無法得其結果。建議在窗口選擇上應至少為500日。
4.在資料本身具有GARCH現象時，GARCH Bootstrap會較Bootstrap為佳。
謝辭
摘要
目錄-----I
圖目錄-----II
表目錄-----III
第一章 緒論-----1-1
第二章 文獻回顧-----2-1
第三章 研究方法-----3-1
第一節 歷史模擬法-----3-1
第二節 拔靴法-----3-2
第四章 模擬結果-----4-1
第一節 風險值模型之評估方法-----4-1
第二節 VaR估計之模擬比較-----4-1
第五章 實證結果之分析-----5-1
第一節 基本資料分析-----5-1
第二節 實證結果與分析-----5-3
第六章 建議與後續研究-----6-1
參考文獻-----I
圖目錄
圖1-1 VaR示意圖-----1-2
圖3-1 拔靴複製法與估計標準誤、偏誤之過程-----3-3
圖3-2 區塊拔靴法示意圖-----3-7
圖4-1 VaR估計比較流程─資料獨立-----4-2
圖4-2 自由度為1時之模擬序列-----4-4
圖4-3 VaR估計比較流程─資料序列相關-----4-5
圖4-4 VaR估計比較流程─各拔靴法-----4-8
圖4-5 VaR比較圖例-----4-10
圖4-6 各拔靴法VaR比較圖例-----4-11
圖4-7 標準殘差之Q-Q Plot-----4-11
圖4-8 報酬與殘差之直方圖-----4-12
圖5-1 各國股價指數及報酬資料之直方圖與時間序列圖-----5-2
圖5-2 報酬資料及其平方之ACF-----5-4
圖5-3 標準殘差之Q-Q Plot-----5-5
圖5-4 各VaR模型之比較─非條件與條件（日本）顯著水準為0.05-----5-8
圖5-5 各VaR模型之比較─非條件與條件（日本）顯著水準為0.01-----5-8
圖5-6 各VaR模型之比較─非條件下（日本）-----5-9
圖5-7 各VaR模型之比較─條件下（日本）-----5-9
圖5-8 各VaR模型之比較─非條件與條件（日本）-----5-9
圖5-9 估計波動度序列圖（美國）-----5-11
圖5-10 各VaR模型之比較─非條件與條件（美國）-----5-11
表目錄
表4-1 VaR估計模擬比較─資料獨立-----4-2
表4-2 VaR估計模擬比較─資料序列相關-----4-6
表4-3 VaR估計模擬比較─各類拔靴法-----4-9
表5-1 各股價指數日報酬率之基本統計-----5-1
表5-2 移動視窗漏損比例與二項試驗之評估-----5-7
表5-3 模型參數估計彙整-----5-10
一、國外部份
1.Alexander, C. O. and Leigh, C. T., 1997. "On the Covariance Matrics Used in Value at Risk Models," The Journal of Derivatives. Vol:4 Number3, pp.50-62.
2.Bollerslev,T., 1986. "Generalized Autoregressive Conditional Hetero-scedasticity", Journal of Econometrics, V31, pp.307-327.
3.Barone-Adesi, G., Giannopoulos K. and Vosper L., 1999 "VaR Without Correlations for Portfolios of Derivative Securities", Journal of Futures Markets 19 (April), pp.583-602.
4.Duffie, Darrell and Pan, Jun 1997. “An Overview of Value at Risk.” The Journal of Derivatives, spring, pp.7-49.
5.Davidson, A.C. and Hinkley, D.V., 1997. Bootstrap Methods and their application, Cambridge University Press.
6.Efron, B. and Tibshirane, R.J., 1993. An Introduction to Bootstrap,Chapman & Hall.
7.Hendricks, D., 1996. "Evaluation of Value at Risk Models Using Historical Data", Economics Policy Review, pp.39-70.
8.Hull, J. and White, A., 1998. "Incorporating Volatility Updating into the Historical Simulation Method for Value at Risk", Journal of Risk, Fall.
9.McNeil, A. J. and Frey, R., 2000, "Estimation of Tail-Related Risk Measures for Heteroscedastic Financial Time Series: An Extreme Value Approach", Journal of Empirical Financial, Autumn.
10.Jorion, P., 1997. "Value at risk: the new benchmark for controlling market risk”, The McGraw-Hill Companies. Inc. Publication.
二、國內部份
1.江義玄（2000），「投資組合之風險評價：新模擬方法的運用」，國立政治大學企業管理研究所碩士論文。
2.李進生 等（2001），風險管理：風險值（VaR）理論與應用，台北：清蔚。
3.張士杰（1999），「運用拔靴複製法構建VaR 估計量之分配」，銘傳大學金融研究所碩士論文。
4.蒲建亨（2001），「整合VaR法之衡量與驗證～以台灣金融市場投資組合為例」，國立政治大學國際貿易研究所碩士論文。
此全文未授權公開