支持向量机与时间序列方法在ETF风险度量中的应用

论文摘要

风险无处不在,风险管理的本质是处理不确定性。对于各行各业,风险管理永远是核心问题之一,尤其是在金融市场,风险管理的重要性不言而喻。风险管理的其中一个关键环节是风险度量,关于风险度量的研究对于各领域都具有十分重要的意义。时间序列分析方法广泛应用于各领域,其核心思想是对时间序列建模以向外延伸序列的变化趋势,从而做出预测。其中广义自回归条件异方差模型(Garch)常用于时间序列的波动率建模。Copula函数可用于构建随机变量的联合分布,只需要给定随机变量的边缘分布以及选择Copula类。线性相关性越来越难以准确描述资产组合的协同风险,于是引入Copula理论以更好的描述相关性。支持向量机是统计学习理论中基于结构风险最小化原则而提出的一种方法,其因为完备的理论支撑和出色的学习性能而成为研究的热点。借助核技巧使得支持向量机可以有效处理更复杂的非线性问题,从而广泛应用于分类,回归以及概率密度估计问题中。本文选取风险度量指标VaR为切入点,比较研究基于支持向量机方法和基于时间序列分析方法在VaR值计算上的准确性。以两支ETF收盘价数据构造资产组合作为实证研究对象,结合回测检验比较两种方法的优劣,实证发现,在相对较低置信度时(95%,97.5%),时间序列方法较SVM方法更保守,时间序列方法倾向于高估真实风险,而基于SVM的概率密度估计方法相对倾向于低估真实风险;在相对较高置信度时(99%,99.5%,99.9%),SVM方法计算VaR时更保守,时间序列方法倾向于低估真实风险,而SVM方法相对倾向于高估真实风险。

论文目录

• 摘要
• Abstract
• 1 绪论
•   1.1 研究背景
•   1.2 本文研究意义
•   1.3 本文研究内容和创新
•   1.4 研究框架
• 2 文献综述
•   2.1 风险及风险评估的概述
•   2.2 市场风险度量方法演变概述
•   2.3 支持向量机及其在经济学中的应用
• 3 理论基础
•   3.1 COPULA理论概述
•   3.2 SVM理论简介
• 4 实证分析
•   4.1 VaR的定义
•   4.2 基于时间序列方法的VaR计算
•   4.3 基于支持向量机的VaR计算
•   4.4 SVM与时间序列方法的VaR计算结果及比较
• 5 总结与展望
•   5.1 本文工作总结
•   5.2 对后续工作展望
• 致谢
• 参考文献

文章来源

类型: 硕士论文

作者: 伍德华

导师: 魏杰

关键词: 风险度量,时间序列,支持向量机

来源: 华中科技大学

年度: 2019

分类: 基础科学,经济与管理科学

专业: 数学,宏观经济管理与可持续发展,金融,证券,投资

单位: 华中科技大学

分类号: F224;F832.51

DOI: 10.27157/d.cnki.ghzku.2019.004113

总页数: 70

文件大小: 2170K

下载量: 54