论文例文：基于贝叶斯统计理念下金融市场某些风险测度概述x
时间：2020-10-11 20:43:06 来源：勤学考试网 本文已影响 人 
论文范文：基于贝叶斯统计理念下金融市场某些风险测度概述
第 1 章 绪论
1.1 选题背景及研究意义
1.1.1 选题背景
近几年来，国际金融领域一直动荡不安，金融市场出现前所未有的波动，金融风险管理失控导致的危机频频发生。如最近一次 2008 年美国的次贷危机，不仅给当地的金融业造成极大破坏，而且给国际金融界和经济带来剧烈震荡，其造成的不良影响至今仍未消失。分析近几次金融危机爆发的原因，不难发现，风险隐患在初期没有得到重视，更谈不上及时有效的管理控制，累积到一定程度即爆发成危机，而危机的结果引起了一系列连锁反应，不仅给金融界造成了巨大损失，而且波及到整个社会，扰乱了经济秩序。因此，准确辨析金融风险成因及表现形式，用科学方法对其进行度量，制定恰当有效的风险管理方法控制金融风险的发生，不仅是国际金融领域研究的课题，也是我国金融领域一直重视并不断探索新方法对其研究的重要课题。随着我国金融服务业全球化以及利率市场化进程的不断推进，银行与证券业职能相互交融，市场规模迅速膨胀，金融风险结构日趋复杂，市场风险测量难度不断加大。金融创新进一步加剧了金融机构风险管理的难度。如何充分利用现有信息，准确地测度金融风险，进而对金融风险进行有效控制和管理，对于我国金融服务业的健康发展具有重大的理论意义和现实指导意义。风险管理（Risk Management）是指对风险进行辩识、测量（包括预测）以及对风险优先处理次序进行排序的过程，通过对资源的调整和应用，实现对不利事件影响的最小化，并进行相应的监督和控制，从而达到规避风险的目的。金融风险则是指来自金融市场的不确定性所导致的风险。按照不确定性来源不同，金融风险粗略地可以划分为：市场风险、信用风险、操作风险和流动性风险等。金融风险有效控制与管理的核心问题是如何对风险进行测量。现有的文献对如何测量金融风险提出了许多不同的风险测量方法和风险预测模型，但遗憾的是，近几年发生的重大金融事件，很少能够通过现有的模型加以预测。究其原因，主要是市场波动原因复杂，许多模型的假设条件得不到满足。另一个不可否认的原因是，任何一种统计方法或计量模型均存在一定的局限性。因此，探索新的、科学合理的统计模型来预测和防范可能遇到的风险，就显得十分必要。本文正是在上述背景下展开研究，探索贝叶斯统计对金融市场风险测度分析的模型方法，并据此对我国金融市场中的三类主要风险：市场风险、信用风险及操作风险进行实证分析，并针对我国金融市场风险成因进行分析，进而提出防范化解金融风险的对策建议。
1.1.2 研究意义
风险的辨识、风险的测度、风险的控制是金融市场风险管理的三个方面。其中风险的辨识是风险管理的基础，测度是风险管理的核心，控制是解决风险的手段。传统意义上的风险度量方法很多，市场风险的度量方法有 VaR 法、灵敏度分析法、压力测试、极值理论等，信用风险的度量也以 VaR 为基础开发了传统模型和现代模型，操作风险有基本指标法、标准法和高级计量法等。总的看来，市场风险可利用的数据较多，所以市场风险的度量方法比较成熟，可利用的模型也比较多。但是信用风险和操作风险度量方法可用数据非常匮乏，数据获取渠道较窄，所以，虽然出现了一些比较有影响的风险度量模型，但实证结果却不尽人意。针对目前我国金融市场日益复杂的现状，以及信用损失和操作损失数据的缺失问题，使用传统统计方法很难对金融风险进行准确有效分析。如何寻找科学、有效的度量方法，提高风险度量的准确性和科学性，就成为风险管理者研究的重要课题。贝叶斯方法在处理风险与不确定性问题时，由于综合使用样本信息、专家及历史经验所提供的先验信息，提高了风险评估的客观性和准确性，尤其是 MCMC 技术及现代计算技术 Winbugs 软件的应用解决了数据缺失问题以及高维积分计算难题，因此基于贝叶斯方法测度分析我国金融风险显得十分必要。随着现代金融市场的日益复杂，金融工具和金融衍生产品的推陈出新，现有的金融市场风险度量方法远远达不到市场要求，同时我国金融数据库的不完善给传统的度量方法带来困扰。我国现行的一些度量风险的方法中存在一些不足，体现在：其一，忽视了已有的先验信息和专家经验，这就使得在单类风险的度量过程中可能低估风险，在综合风险的度量过程中高估风险；其二，由于金融机构的某些设施不完善，使得某些数据选取的合理性存在质疑，使用小样本数据分析的结果偏离实际；其三，对金融风险的贝叶斯分析较少，目前国内还没有系统的对金融风险进行贝叶斯测度分析理论。鉴于以上几点原因，本文在评述国内外金融风险定量分析方法基础上，基于贝叶斯统计方法系统地对我国金融市场中存在的主要风险进行分析研究，并在此基础上提出防范与化解金融风险的对策建议，这对于拓展金融风险度量方法，完善现有风险度量分析结果存在的不足，推进贝叶斯统计分析方法在金融风险研究领域中的运用，促进宏观经济的稳健运行，具有重要的理论意义和方法论意义。
第 2 章 金融市场风险测度分析的理论基础
金融市场风险测度分析主要包含四方面内容：1.明晰金融市场结构、辨析金融市场风险构成及特征、有效分析市场收益率分布的统计特征及波动性行为；2.针对具体金融资产建立估计各种风险的度量模型；3.结合具体金融市场进行市场风险测度的实证分析；4.针对金融市场风险成因提出具体措施以防范化解可能发生的各种风险。第一方面是金融市场风险测度分析的基础和先决条件，所以本章就第一方面进行分析，同时系统地介绍分析金融市场风险经典统计度量方法，为后续研究奠定理论基础。
2.1 金融市场结构特征
金融市场是资金供求双方通过在金融市场中使用适当的交易工具进行资金融通的市场。金融市场的构成非常复杂，根据不同的标准，可以将金融市场划分为不同的子市场。其中，最简单的划分方法就是按照市场交易过程中融通资金的时间长短来划分，一般地融通时间在一年以内的叫做货币市场，融通时间超过一年的叫资本市场，根据货币市场和资本市场的具体业务及交易工具，又可以将两类市场划分为更详细的若干子市场。为了看清金融市场构成脉络，用图 2-1 来表述金融市场的构成。金融市场中的资金供求双方是金融市场交易活动的主体，他通过使用诸如股票、债券、储蓄存单等金融工具完成交易活动，达到融通资金的目的。金融市场主体包括政府、工商企业、家庭部门、金融机构以及中央银行五个部门，这五个部门在金融市场中所起的作用因其所处地位不同而不同他。金融主体行为在金融市场交易活动中起决定性作用。所以为了理清金融市场主体构成框架，列图 2-2。其中政府部门主要对市场实施监管和调节，同时也参与市场交易，是债券市场上重要主体；工商部门通过发行股票或中长期债券在市场中筹集资金，是资金需求者，是金融市场上证券发行的主体，对市场规模起决定作用；家庭部门通过认购金融工具（如购买股票或有价证券）获取资金增值，因其交易量小在金融市场中处于弱势地位；中央银行是金融市场的行为主体，负责对市场调控和监管；金融机构涵盖的范围比较广泛，包括存款性金融机构、机构投资者（非存款性金融机构）和中介机构，金融机构在金融市场中占有不可替代的重要地位，他即为投资者提供交易场所，同时又参与市场交易活动，其中存款性金融机构通过吸收各种存款而获得可利用资金，同时又通过放贷和投资来获取收益，机构投资者通过投资获利，但范围有限，中介机构仅在市场中赚取中介费。
第 3 章 金融风险测度的贝叶斯分析方法...... 32
3.1 贝叶斯统计推断一般性理论 .... 32
3.2 市场风险测度的贝叶斯分析方法 ...... 38
3.3 信用风险测度的贝叶斯分析方法 ...... 45
3.4 操作风险测度的贝叶斯分析方法 ...... 49
第 4 章 股票市场风险测度的实证分析..... 53
4.1 贝叶斯风险测度方法的选择 .... 53
4.2 股票市场风险的实证分析 ........ 54
4.3 主要结论 ...... 67
第 5 章 商业银行信用风险的实证分析..... 68
5.1 信用风险测度分析框架 ....... 68
5.2 商业银行信用风险实证分析 .... 69
5.2.1 数据来源与处理 .... 69
5.2.2 SW-GARCH-POT 模型参数的贝叶斯估计...... 74
5.2.3 信用风险的 VaR 值测算及结果分析...... 77
5.3 主要结论 ...... 79
结论
在金融市场风险面临多样化和复杂化、频率统计度量模型对突发事件解释失效的背景下，本文结合贝叶斯统计与金融市场风险度量分析的基本理论、利用贝叶斯推断方法以及基于 Gibbs 抽样的 MCMC 方法，构建了可操作的贝叶斯风险度量模型，并对我国股票市场风险、商业银行信用风险和操作风险分别进行了实证分析。论文的主要结论是：从实证分析结果看对股票市场风险测度分析发现，上海股市的波动水平高于深圳股市，但深圳股市的波动持续性要强于上海股市，上海股市相对于深圳股市噪音多，风险高；从表示市场风险的 VaR 值看，同一置信水平下上证综指的 VaR 值高于深证成指，上证综指的0.99VaR 为 0.0354261，深证综指的0.99VaR 为 0.0271352。在对金融尾部现象的分析中发现贝叶斯估计出的 VaR 值高于 MLE 方法估计的VaR 值，即贝叶斯估计比传统极大似然估计要精确。这与股票市场收益率波动的不确定性相符，说明加入了先验信息的贝叶斯估计下计算的 VaR 值较传统方法更有效；股票市场波动具有时变性和集聚性。
参考文献
[1] A.D. Gro，F.C. Harmantzis, GJ. Kaple. Operational Risk and Reference Data:Exploring Costs, Capital Requirements and Risk Mitigation. November, 2005.
[2] A.J. McNeil. Sampling nested Archimedean copulas[J]. Journal of StatisticalComputation and Simulation, 2008, 78(6):567.
[3] Acerbi,C.,Tasche D.,Expected Shortfall:a natural coherent alternative to Value atRisk[J].Economics Notes, 2002, 31(2), 379-388.
[4] Ahman, E.I. and D.L. Kao. Rating Drift of High Yield Bonds[J]. Journal ofFixedIncome, 1992, 3: 15-20.
[5] Albert, J. Bayesian Computation with R[M]. New York: Springer, 2007.
[6] Altman.E.I, Haldeman R G&Narayanan.ZETA Analysis:A New Model to IdentifyBankruptcyRisk of Corporations[J].Journal of Banking&Finance, 1977 (1), 29-54.
[7] Altman.E.I,Financial Ratios,Discriminate /jrxglw/ Analysis and the Prediction of CorporateBankruptcy [J].Journal of Finance 1968, 23(9), 589-609.
[8] Altman.E.L,Credit Risk Measurement:Developments Over the last 20 Years[J].Journal of Banking And Finance 1997 (21).
[9] Ariane Chapelle Yves Crama Georges Hubner, Jean-Philippe Peters. Measuring andManaging Operational Risk in the Financial Sector: An Integrated Framework.February, 2005.
[10] Ashby A J, Leon R V, Thyagarajan J. Bayesian Modeling of Accelerated Life Testswith Random Effects[J]. 2012
