参数模型下的EVaR风险度量与CARE模型对比实证

本文主要探讨了基于参数模型的EVaR（Expectile-based Value at Risk）风险度量计算方法，该方法特别关注于GARCH类模型（Generalized Autoregressive Conditional Heteroskedasticity）和Stochastic Volatility (SV) 模型在EVaR估计中的应用。作者钱夕元和张超针对EVaR这一金融风险管理工具，提出了一种新的计算策略，它利用这些复杂的统计模型来捕捉金融市场的动态性和不确定性。 论文首先介绍了EVaR作为一种替代VaR（Value at Risk）的风险衡量指标，因为它能更好地反映极端事件的潜在损失。EVaR基于期望值理论，通过设定特定的尾部概率，提供了对资产组合可能遭受的潜在损失更为准确的估计。 研究的核心内容是提出了一种参数化的方法来估计EVaR，这种方法将GARCH类模型如条件自回归期望值模型（CARE）、扩展GARCH（EGARCH）等以及SV模型相结合，以便更精确地捕捉到资产价格波动的长期依赖性和短期动态。作者通过模拟的学生t分布时间序列数据进行实证分析，评估了这些模型在预测EVaR方面的性能。 对比实验部分，作者将基于参数模型的EVaR计算方法与基于CARE模型的方法进行了比较。结果显示，在金融危机期间，GARCH类模型和SV模型在预测市场实际风险时，其EVaR估计更接近真实情况，相比于CARE模型表现出更好的性能。这表明在复杂金融环境中，考虑参数模型的EVaR计算可以提供更为稳健的风险预警。 论文还涉及到了样本外预测失败率检验，包括Kupiec失败率检验和动态分位数(DQ)检验，这些方法被用来验证EVaR预测的有效性。通过这些严格的统计检验，作者进一步证实了基于参数模型的EVaR估计方法在风险评估上的有效性。 本研究不仅提供了实用的EVaR计算方法，而且通过实证分析揭示了在金融市场上参数模型在风险管理中的优势。这对于金融机构、投资者以及风险管理从业者理解和应用EVaR，以优化投资组合和应对市场风险具有重要的实践指导意义。