经济学专业的毕业论文

时间：2022-11-22 20:28:30 经济学我要投稿

相关推荐

经济学专业的毕业论文范文

　　经济学专业是(包括经济学方向和投资经济方向)为适应我国市场经济发展需要而设立的一个理论兼应用型本科专业。下面，小编为大家分享经济学专业的毕业论文，希望对大家有所帮助!

经济学专业的毕业论文范文

　　[摘要]风险价值 VaR( Value at Risk) 是一种有效地衡量风险的方法。通过对传统的历史模拟法( HS 方法) 、HSAF 方法和 GARCH 类模型进行改进，提出一种新的方法( 记为 HS_NEW) ,用以衡量中国股市创业板指数的风险。通过比较，改进后的方法在预测风险时更加灵活有效，可为投资者在创业板投资时提供一种新的、准确性更高的测算风险的方法。

　　[关键词]风险价值; ARMA; GARCH 类模型; 历史模拟法。

　　一、引言。

　　近年来，金融市场的剧烈波动使得金融机构和监管当局面临巨大挑战。自上世纪 90 年代以来，国际金融界经历了许多影响巨大的金融灾难，导致了巨大损失，如美国加州奥兰治县破产、英国巴林银行和日本山一证券倒闭等等，因此如何有效地衡量风险成为了人们关注的焦点。如今，VaR 已经成为了测量市场风险的重要工具。与传统的风险测量相比，VaR 更加简明、综合。它将风险量化成一个简单的数字，这个数字意味着在一个给定的置信水平下资产组合面临的最大损失。在 1999 年，Artzner 用公式表示 VaR:

　　VaR = - inf{ y = | Prob[△p≤y]> 1 - c} ( 1)。

　　式( 1) 中，△p 指的是资产组合在未来的收益，c 为置信水平。VaR 的计算方法主要分为两种：历史模拟法和蒙特卡罗模拟法。Hull 和 White( 1998)[1]运用 GARCH 和 EWMA 方法处理收益率数据，计算出能准确反映金融时间序列尖峰厚尾分布特征的 VaR 值。在国内，叶青( 2000)[2]讨论了 GARCH 和半参数法下的 VaR 模型，并通过实证分析指出这两种模型能有效地估计出股市的风险。

　　本文将历史模拟法与 GARCH 类模型相结合来计算 VaR.在 HS 方法[3]和 HSAF[4]方法的基础上，提出了一种改进的 HS 方法( HS_NEW) ,用以衡量中国股市创业板指数的风险。

　　二、HS、HSAF 方法的介绍。

　　1. HS 方法。历史模拟法( HS) 是计算 VaR 的一种最有效的方法。HS 方法的计算过程是将过去的收益率从低到高排序作为预测的收益率，在这一序列中，置信度对应的那个收益率就是预测的 VaR 值。比如将过去 100 天的收益率从低到高排序，在 c =0. 95 的情况下，这 100 个排序过的收益率中第 5 个就是HS 方法计算的 VaR 值。

　　但是，HS 方法不考虑序列的不稳定性，无法处理极端情况的突然事件，会导致较为严重的拖后反应。

　　2. HSAF 方法。由于 HS 方法存在的一些弊端，因此有许多方法从 HS 方法中衍生出来，其中之一就是Cabedo 和 Moya( 2003) 提出的 HSAF 方法。他们通过建立 ARMA 模型得到的残差来预测 VaR.HSAF 方法主要分为四步： ( 1) 计算过去收益率的绝对值; ( 2) 对这些收益率的绝对值建立 ARMA 模型; ( 3) 对预测值以及预测的残差进行计算; ( 4) 计算 VaR.

　　然而 HSAF 方法并不适合创业板指数。原因主要有二：一是由于对收益率取绝对值之后使收益率的变化减小，从而导致建立的模型中常数项的系数的绝对值偏大，使得 ARMA 模型预测的值基本围绕常数项浮动，从而使得残差变大，计算的 VaR 出现较为严重的失误。二是 HSAF 方法计算的 VaR 为绝对值收益率，所以有正有负，但在实际操作中，人们更加关注损失过大的概率，而不会在乎收益过高的概率。所以在创业板指数中，运用双侧分位数并不实用。

　　三、HS 方法的改进。

　　本文分别将 GARCH 类模型与传统的历史模拟法( HS) 结合。由于考虑利空和利好对市场的冲击不同，所以下面以 TARCH( 1,1) 模型为例。在本文中，t 时刻的对数收益率 rt= ln( pt) - ln( pt - 1) ,其中 pt为 t时刻的收盘价。对于 TARCH( 1,1) 模型：

　　rt= β1rt - 1+ γ + μt( 2)。

　　δt2= ω + η1* μ2t - 1+ η2* μ2t - 1It - 1+ α* δ2t - 1( 3)。

　　式( 2) 为均值方程，式( 3) 为方差方程，其中式( 3) 中的 It - 1为：当 It - 1< 0,It - 1= 1; 否则 μt - 1= 0.

　　另外，在式( 2) 中，μt= δtεt,其中{ εt} 为均值为 0、方程为 1 的独立同分布随机变量序列。本文中，GARCH 类模型均假定 εt服从 student - t 分布。对于根据样本建立的模型 TARCH( 1,1) ,从第一个样本数开始计算第二天的预计收益率 rt,再对样本第二天的实际收益率进行比较得到残差 μt,依次进行下去得到残差序列。对残差序列从小到大进行排序，根据置信度找到对应的残差值，将此残差值和根据模型计算的t 时刻的预计收益率相加，其和就是我们要求的 VaR 值( 对于不同的模型，可以得到不同的 VaR 值) .这个方法记为 HS_NEW.其步骤为： ( 1) 对样本建立模型; ( 2) 根据模型对样本进行预测，得到样本的残差序列; ( 3) 根据模型预测下一天的收益率; ( 4) 计算 VaR.

　　四、不同方法的比较。

　　为了对不同的方法进行比较，分别用历史模拟法( HS) 以及改进的历史模拟法( HS_NEW) 对创业板指数计算 VaR.首先，样本区间为2010 年6 月1日 ~2014 年 6 月 30 日的收盘价。本文数据来自锐思数据库( www. resset. cn) ,总共 987 个收盘价。再对其计算对数收益率 rt= ln( pt) - ln( pt - 1) ,得到 986 个值。记为“样本收益率”。

　　1. 正态性检验。得到峰度为 3. 820232,偏度为 -0. 395232,J - B 检测值为 53. 31026,伴随概率为 0. 00000,说明样本收益率不呈正态分布。

　　2. 平稳性检验。结果如表 1,说明在 99% 的置信度下，拒绝非平稳的原假设。

　　3. 自相关性分析。对样本收益率的 12 阶滞后量求自相关函数和偏自相关函数，样本收益率可视为不存在自相关。

　　4. 异方差检验。根据以上分析，样本收益率为平稳序列，且不存在自相关，所以建立如下主方差：

　　rt= β1rt - 1+ γ + μt( 4)。

　　对样本收益率分布进行 2、3、4、10 阶 LM 检验，在 0. 05 的置信度下，均拒绝了不存在 ARCH 效应的原假设，说明序列的残差存在 ARCH 效应。

　　5. 模型的建立。选择 TARCH( 1,1) 模型，得到均值方程为式( 5) :

　　rt= 0. 081051rt - 1+ 0. 000489 + μt( 5)。

　　方差方程为式( 6) :

　　δt2= 6. 97* 10- 6+ 0. 035483* μ2t - 1- 0. 025692* μ2t - 1It - 1+ 0. 957780* δ2t - 1( 6)。

　　预测的区间为 2014 年 7 月 1 日 ~2015 年 5 月 22 日。根据模型首先模拟样本收益率，得到 985 个样本残差，然后对样本进行排序，根据置信度找到相应的残差，再对 2014 年 7 月 1 日的收益率进行预测，两者相加得到 VaR.在对 2014 年 7 月 2 日进行计算时，残差序列去掉第一个残差，加入 2014 年 7 月 1 日的残差，再对残差序列排序，根据置信度找到相应残差值，并与 7 月 2 日的预计收益率相加得到 VaR.以此类推，得到 2014 年 7 月 1 日 ~2015 年 5 月 22 日的 VaR 值。

　　同样，若模型为 ARMA( 1,1) ,也可得到 2014 年 7 月 1 日 ~2015 年 5 月 22 日共 219 个 VaR 值。为在 0. 95 的置信度水平下，从 2014 年 7 月 1 日 ~2015 年 5 月 22 日的实际收益率，HS 方法、HS_NEW( 以TARCH( 1,1) 模型为例) 计算的 VaR 值的比较。

　　最上面的线是收益率曲线，而下面的两条曲线分别是用 HS 方法和 TARCH 方法来计算的VaR 曲线。其中较平缓的是 HS 方法计算的 VaR 曲线，波动较大、较为灵活的曲线是用 TARCH 方法计算得来的。

　　表 3 为各种模型的 VaR 计算情况，将 VaR 作为给定置信水平下的损失最大值，所以 VaR 值取正数。

　　表 3 列示了用不同方法计算的从 2014 年 7 月 1 日 ~2015 年 5 月 22 日的 VaR 的最大值、最小值、均值、标准差和概率。其中概率是指当天收益率的损失值大于计算的 VaR 值的天数占所有比较天数的比率，即损失超过计算的 VaR 值的天数除以总天数。

　　五、结论。

　　本文将 GARCH 类模型与历史模拟法相结合，提出了一种改进的历史模拟法来计算风险价值。从VaR 最大值和最小值可以看出，HS_NEW 方法较传统的 HS 方法对风险的预测更加灵活。在 HS_NEW 方法中，ARMA 模型与 GARCH 类模型相比，ARMA 模型计算的 VaR 最大值最大，VaR 最小值也最小，所以在预测方面更加灵活。在预测的效果上，ARMA 模型较另两个模型更加准确。但是从 VaR 的均值上看，AR-MA 模型的均值最大，这也意味着 ARMA 模型在某种程度上高估了风险。而 GARCH 类模型在出错方面比 ARMA( 1,1) 更加接近 5%,与 HS 方法出错次数一样，但是，GARCH 类模型的均值最小，说明 GARCH类模型对风险的计算更加精确。总的来说，相比 HS 方法，HS_NEW 方法在计算风险时既保留了 HS 和HSAF 的优点，而且能更加灵活、精确地计算 VaR,可为投资者在创业板投资时提供一种新的、准确性更高的计算风险的方法。

　　[参考文献]

　　[1]Hulll C. J. ,White D. A. Value at Risk When Daily Changes in Market Variables Are Not Normally Distributed[J]. TheJournal of Derivatives,1998,5( 3) : 9 - 19.

　　[2]叶青。基于 GARCH 和半参数法的 VaR 模型及其在中国股市风险分析中的应用研究[J]. 统计研究，2000,( 12) : 25- 29.

　　[3]Hendricks D. . Evaluation of Value at Risk Models Using Historical Data[J]. Economic Policy Review,1996,4: 39 -69.

　　[4]Cabedo J. D. ,Moya I. Estimating Oil Price Value at Risk' Using the Historical Simulation Approach[J]. Energy Econom-ics,2003,25: 239 - 253.

【经济学专业的毕业论文】相关文章：