匯率風險度量培訓課件-wenkub.com
2025-02-17 11:19 本頁面
【正文】 針對異方差性 ， Engel(1982)和 Bollerslev(1986)開發(fā)了廣義自回歸條件異方差 (GARCH)模型 ， 在實踐中被證明是相當成功的 。 針對異方差性 ， Engel(1982)和 Bollerslev(1986)開發(fā)了廣義自回歸條件異方差 (GARCH)模型 ， 在實踐中被證明是相當成功的 。 基于TARCH模型計量的匯率風險 Va R 能較好地覆蓋美元 、歐元和日元的下端風險 ， 返回檢驗也驗證了 Va R模型的有效性 。 美元的杠桿效應(yīng)系數(shù)小于 0， 說明美元受利好消息的影響大于利空消息 。 返回檢驗 ? 在 1 % 的置信水平下計量 Va R， 允許的失敗率為1%。 因此 TARCH模型能夠有效地反映美元 、 歐元和日元匯率時間序列的波動聚集效應(yīng) 。 ? 在日元 TARCH模型中 ， 杠桿效應(yīng)項的系數(shù)為 ，說明日元兌人民幣匯率波動的杠桿效應(yīng)是利空消息產(chǎn)生的波動小于利好消息 。 當出現(xiàn)利好消息時 ， 會給歐元匯率帶來一個 。 而出現(xiàn)利空消息時 ， It1 =1， 利空消息會給美元匯率帶來一個 倍 （ ） 的沖擊 。 對數(shù)似然值為 ， 比 OLS 模型有所增加； AIC值為 ， SC 值為 ， 均比 OLS 模型有所變小 ， 說明 模 型能夠更好的擬合數(shù)據(jù) 。 ? 殘差平方相關(guān)圖檢驗是計算殘差平方的自相關(guān) （ AC）和偏自相關(guān) （ PAC） 系數(shù) 。 ? 根據(jù)上文的分析 ， 運用 TARCH模型分別計算美元 、歐元和日元的匯率風險 Va R， 并進行比較分析 。 例如 ， 當外匯市場受到負向沖擊時匯率下跌收益率的條件方差往往也隨之擴大 ， 導致收益率的波動性更大；反之 ， 匯率上升時收益率波動性也相應(yīng)減小 。 對外匯數(shù)據(jù)的分析發(fā)現(xiàn)：大的價格變化常常會導致另一個大的價格變化 ，即匯率具有 “波動聚集效應(yīng) ”， 表明匯率時間序列具有異方差性 。 匯率形成機制改革下的銀行 匯率風險度量 （基于 TARCH 模型的實證研究） 李關(guān)政 摘要 自人民幣匯率形成機制改革以來 ， 人民幣匯率的波動幅度顯著增加 ， 由匯率波動帶來的非預期損失成為匯率風險的重要部分 。 正態(tài)性檢驗和異方差檢驗表明 ， 人民幣匯率波動具有尖峰厚尾和異方差特征 。 (日動態(tài) Va R的最大值 、 最小值 、 均值和標準差 ) ? 綜上所述 ， 本文分別以歷史模擬法 、 蒙特卡羅模擬法 、 方差 —協(xié)方差法的 SWAN、 SWAt、 EWMA—N 、 E W M A t 、 GARCH 模型的 GARCH ( 1 ， 1 ) — N 、GARCH(1， 1)—t和 GARCH(1， 1)—GED等九種不同的Va R方法對人民幣匯率風險進行了估算 ， 結(jié)果不盡相同 。 ? （ 3） 對估計的 GARCH（ 1， 1） 模型進行檢驗評價 。 根據(jù)上面的分析可知 ， {R}序列為平穩(wěn)序列 ， 所以收益方程為一般均值回歸方程 。 人民幣匯率收益率序列在 q1時 ，Qlb相伴概率 p值都明顯小于 1%的顯著水平 ， 因此不能接受原假設(shè) ， 可以認為人民幣匯率收益率序列存在 ARCH效應(yīng) ， 而且存在高階的 ARCH效應(yīng) 。 JB檢驗 ? JB檢驗 。 ? 。 ? VaR是指在一定的持有期
教學課件相關(guān)推薦
鄂ICP備17016276號-1