参考资料--金融var实验报告

1、. 上海金融学院“实验超市”实验报告实验项目名称： 金融VaR计算 实验指导教师： 元如林 学生姓名： 陈莉 学生所在院系： 保险学院 学生专业： 保险学 实验时间： 实验教学与教育技术中心制一、 实验目的通过本实验，我理解度量金融风险的VaR模型，了解国内外主要的金融数据库，学习国际先进的金融计算软件的使用方法，初步掌握金融数据采集整理，模型选择，模型参数确定，VaR计算，计算结果分析的基本方法。二、 实验过程（一）数据准备对2012.01.012014.12.31期间债券代码为600550的保变电气股票进行测算。一共在网易（网易首页>网易财经>行情>沪深>中国石油&

2、gt;资金流向>历史交易数据）下载了751个该股票在相应时间的开盘价，留下250个数据（2012年12月9日至2014年12月31日的数据）作为检验数据及建立模型。收盘价与收益率的图形如图1和图2。图1图2（二）计算实验和实验结果1、直接法： 对2012年12月9日至2014年12月31日的数据进行测算。均值：-0.000555943标准差：0.025888746直接法测算结果如图3：图32、移动平均法：对2012年12月9日至2014年12月31日的数据进行测算。（1）用office进行测算，测算结果如图4：图4（2）用Mathlab进行测算：对2012年1月1日至2014年12月31

3、日的数据进行测算。使用代码如下：data=xlsread('D:chen.xls');n=size(data,1);d=data(1:n);m=100;for i=1:n-1 x(i) = (d(i+1)-d(i)/d(i);end y1=0;for i=1:my1=y1+x(i);endmu(1)=y1/m;for i = 2:n-m-1 mu(i) = mu(i-1)-(x(i-1)/m)+(x(m+i-1)/m);endfor i=1:n-m-1 xigma1=0; for j=1:m xigma1=xigma1+(x(i+j-1)-mu(i)*(x(i+j-1)-mu(

4、i); end xigma1=xigma1/(m-1); xgm(i)=sqrt(xigma1); var(i)=mu(i)-1.96*xgm(i);end mt=1:n-m-1;xx=x(m+1:n-1);plot(t,xx,'k-',t,mu,'r-',t,mu+var,'b-')l 置信度为99%，m=160时，测算结果如图5：图5l l置信度为97.5%，m=100时，测算结果如图6：图6l 置信度为95%，m=160时，测算结果如图7：图73、蒙特卡洛模拟法：对2012年12月9日至2014年12月31日的数据进行测算。 测算代码如下：

5、data=xlsread('d:chen.xls');n=size(data,1);d=data(1:n);r=price2ret(d);arf=0.025;kn=10000x=r(1:n-251);spec=garchset('R',1,'M',1,'P',1,'Q',1,'Display','off');coeff=garchfit(spec,x)y=garchsim(coeff,250,kn,60);yy=y'yyyy=sort(yy);kk=arf*kn;var1=y

6、yyy(kk:kk,:);v1=var1'rr=r(n-250:n-1);u(1:250)=0;t=1:250;plot(t,rr,'b-',t,v1,'r-',t,u,'g-')flag=0;bv(1)=0;for i=1:250 if rr(i)<v1(i) flag=flag+1; bv(flag)=n-251+i; bv(flag)=i; endendflagbv（1）置信度为99%，模拟次数kn=10000, 用ARMAX(1,1,0)和GARCH(2,2)模型，正态分布。结果如下：kn = 10000coeff = Co

7、mment: 'Mean: ARMAX(1,1,0); Variance: GARCH(1,1) ' Distribution: 'Gaussian' R: 1 M: 1 C: -1.4754e-004 AR: -0.3097 MA: 0.4051 VarianceModel: 'GARCH' P: 1 Q: 1 K: 3.9032e-004 GARCH: 0.2507 ARCH: 0.1236 Display: 'off'flag = 0bv = 0 23 88 243 247 图形如图8：图8（2）（1）置信度为97.5%，模

8、拟次数kn=10000, 用ARMAX(1,1,0)和GARCH(2,2)模型，正态分布。结果如下：kn = 10000coeff = Comment: 'Mean: ARMAX(1,1,0); Variance: GARCH(1,1) ' Distribution: 'Gaussian' R: 1 M: 1 C: -1.4754e-004 AR: -0.3097 MA: 0.4051 VarianceModel: 'GARCH' P: 1 Q: 1 K: 3.9032e-004 GARCH: 0.2507 ARCH: 0.1236 Displa

9、y: 'off'flag = 2bv = 7 88 88 243 247 图形如图9：图9（3）置信度为95%，模拟次数kn=10000, 用ARMAX(1,1,0)和GARCH(2,2)模型，正态分布。结果如下：kn = 10000coeff = Comment: 'Mean: ARMAX(1,1,0); Variance: GARCH(1,1) ' Distribution: 'Gaussian' R: 1 M: 1 C: -1.4754e-004 AR: -0.3097 MA: 0.4051 VarianceModel: 'GARC

10、H' P: 1 Q: 1 K: 3.9032e-004 GARCH: 0.2507 ARCH: 0.1236 Display: 'off'flag = 5bv = 7 23 88 243 247 图形如图10：图10（三）结果的比较分析下表是巴塞尔委员会和国际清算银行（BCBS）规定的惩罚区。如表2：区 域超限次数扩大因子提高比例绿灯区0 - 40黄灯区50.460.570.6580.7590.85红灯区10及以上1表2各种模型方法的超限次数比较，如表3：保变电气 模 型置信水平95%600550参数m超限次数区域参数法直接法10红灯移动平均法1608黄灯 蒙特卡罗法5黄灯表3：回顾测试结果的分区由表可知，使用蒙特卡罗法计算金融VaR更为精确，使用性更强。三、实验总结通过课程开始的举例论证，了解了运用Var模型进行风险测量的重要性。在实验中接触到了resset，新