【图文】样本内样本外预测_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
评价文档：
样本内样本外预测
上传于||暂无简介
大小：696.50KB
登录百度文库，专享文档复制特权，财富值每天免费拿！
你可能喜欢苹果/安卓/wp
积分 2402, 距离下一级还需 1198 积分
权限: 自定义头衔, 签名中使用图片, 设置帖子权限, 隐身, 设置回复可见
道具: 彩虹炫, 雷达卡, 热点灯, 雷鸣之声, 涂鸦板, 金钱卡, 显身卡, 匿名卡, 抢沙发, 提升卡, 沉默卡下一级可获得
道具: 千斤顶
购买后可立即获得
权限: 隐身
道具: 金钱卡, 雷鸣之声, 彩虹炫, 雷达卡, 涂鸦板, 热点灯
TA的文库&&
苦逼签到天数: 35 天连续签到: 1 天[LV.5]常住居民I
求大牛指导：
VAR样本外预测为：forecast.
样本内预测是predict吗？如果可能，我想到年间样本内预测的均值怎么做呢？
非常感谢！！谢谢帮助！！
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
VAR的目的不是方程也不是预测，格兰杰，脉冲，方差分解是VAR模型的主要目的，不知道你是怎么预测的？
本帖被以下文库推荐
& |主题: 8540, 订阅: 40
工作是最好的休闲方式！
VAR的目的不是方程也不是预测，格兰杰，脉冲，方差分解是VAR模型的主要目的，不知道你是怎么预测的？
热心帮助其他会员
总评分:&经验 + 10&
论坛币 + 10&
祝贺人大 发表于
VAR的目的不是方程也不是预测，格兰杰，脉冲，方差分解是VAR模型的主要目的，不知道你是怎么预测的？我会做样本外预测，但是样本内预测，我理解是predict Y_hat.但是我想找高手给我确认一下，这样我可以比较预测值与实际值，来衡量这个VAR模型如何。如果模型很好，我再做其他的更有说服力！这个是在确定模型稳定以后做的。
论坛好贴推荐
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师工具类服务
编辑部专用服务
作者专用服务
基于广义谱和MCS检验的VaR模型预测绩效评估
条件VaR模型的正确设定检验等价于检验均值化的“撞击序列”是否服从鞅差分序列，然而通常的反馈检验方法只检验了该序列的部分性质。采用对该鞅差分性质进行直接检验的广义谱检验方法，全面考察中国股票市场（香港恒生指数、上证综合指数和台湾加权指数）上各参数、非参数和半参数共22个VaR模型在采用滚动窗口预测机制时的样本外预测绩效。鉴于条件VaR模型正确设定检验无法反映超过某VaR水平的尾部风险信息，为避免极端损失的发生以及增加结果的稳健性，同时采用模型置信集检验方法。研究结果表明，采用通常的反馈检验方法常会得出错误的结论；在1％和5％置信水平，与历史模拟法、极值理论模型、CAViaR模型和CARE模型相比，误差项为t分布的GARCH模型族在金融危机期间具有较好的样本外预测绩效；涨跌停板制度对于选取预测绩效最优的VaR模型具有重要影响。
Abstract：
Conditional VaR models′correct specification test is equivalent to testing the de-meaned hit sequence following a mar-tingale difference sequence (m.d.s), however the commonly used backtesting techniques only test some properties of the se-quence.Using generalized spectral test which directly tests the m.d.s property of the de-meaned hit sequence, we evaluate the out-of-sample predictive performance of various parametric, nonparametric and semi-parametric VaR models with a total of 22 models calculated by using rolling predictive method for China′s stock markets including Shanghai Composite Index, Hang Seng Index and Taiwan Weighted Index.Because conditional VaR models′correct specification test can not reflect the tail risk infor-mation exceeding one specific VaR level, in order to avoid the occurrence of extreme losses as well as to increase the robustness of the results, we adopt MCS ( model confidence set) test simultaneously by selecting the asymmetric loss functions proposed by Koenker and Bassett and the magnitude loss function proposed paring with SPA( Superior Predictive Ability) test, the main advantage of MCS test is that it does not require a benchmark model to be specified as is the case for SPA tests.It char-acterizes the entire set of models that are not significantly outperformed by other models, while a test for SPA only provides evi-dence about the relative performance of a single model ( the benchmark) . The empirical results imply the following three conclusions:①it would cause wrong results using the commonly applied backtest-ing techniques such as Kupiec likelihood ratio test, Christoffersen likelihood ratio test and Engle and Manganelli dynamic quantile test.However adopting generalized spectral test and MCS test with Lopez loss function simultaneously would give us more accu-rate and robust results.②Comparing with historical simulation models, extreme value theory models, CAViaR and CARE mod-els, the out-of-sample predictive performance of the GARCH family with student-t distribution is the best at 1%and 5%signifi-cant level during the financial crisis for these three stock indexes.This implies that the risk characteristics of mainland stock mar-ket is getting closer and closer to the mature stock markets of Hong Kong and Taiwan after more than 20 years development.③At 1%significant level, the optimal VaR predictive models of Hang Seng Index include one of the CARE models which can be used to measure extreme loss situation with small probability.This implies that price limit system implemented by Hong Kong yet not by mainland and Taiwan will make Hong Kong′s stock market face more risk during the financial crisis.
Zhang Yupeng
Hong Yongmiao
作者单位：
华东师范大学 金融与统计学院,上海,200241
厦门大学 王亚南经济研究院,厦门,361005
ISTICPKUCSSCI
年，卷(期)：
Keywords：
在线出版日期：
基金项目：
国家自然科学基金()；教育部人文社会科学研究青年基金项目
本文读者也读过
相关检索词
万方数据知识服务平台--国家科技支撑计划资助项目（编号：2006BAH03B01）(C)北京万方数据股份有限公司
万方数据电子出版社优秀研究生学位论文题录展示中国利率期限结构模型的实证研究专　业: 企业管理关键词: 利率 期限结构 静态估计 动态估计 预测模型分类号: F832.22形　态: 共 151 页　约 98,905 个字　约 4.731 M内容阅　读: 内容摘要随着中国对利率政策调控机制的改革和资本市场与货币市场的不断发展，研究中国利率市场期限结构的理论、方法与应用具有重要的理论价值与现实意义。本文引入了一种高精确度的利率期限结构静态估计方法，借此导出较为精确的中国利率期限结构的时间序列数据，并提出了考虑机制转换的利率水平杠杆-GARCH跳跃模型，对中国利率期限结构的各种动态特征进行了较为系统的研究，在此基础上，比较各种利率动态模型对样本外数据的预测能力，从而为利率风险管理和资产定价提供有效的管理工具。全文共分为五部分。第一部分研究概述。论述研究背景及意义、主要内容及框架、理论基础及研究方法、改进和创新以及相关术语的定义。第二部分中国利率期限结构静态模型估计及实证分析。比较各种利率期限结构静态模型估计方法，剖析它们在模型估计中存在的问题和运用中应注意的有关要点，并重点介绍B样条函数拟合方法的运用程序和优化途径，为构建中国市场利率期限结构的选择模型提供基本数据。第三部分中国利率期限结构动态模型估计及实证分析。对各种利率期限结构动态模型的估计方法进行综合的分析，比较它们在模型估计中的精确度，并给出动态模型估计方法的选择标准和应用要领。运用最优的动态模型估计方法和静态估计所得的利率期限结构数据，分析国内外已有的利率期限结构模型对中国利率期限结构的解释能力，从中挖掘中国利率期限结构本身的各项基本特征，对中国利率期限结构模型的准确创建进行了有益的探索。第四部分中国利率期限结构模型在利率预测中的应用。本部分较为全面地概述了当前国内外各种利率期限结构的预测模型和方法，通过比较各种参数与非参数预测模型对样本内数据的预测能力，进一步验证利率期限结构存在的不对称性波动、波动集簇、杠杆波动效应以及波动跳跃特征，为利率衍生产品定价和利率风险控制提供基本的管理工具。第五部分结论与启示。在以上各部分分析的基础上，总结论文的主要结论并根据本研究所得的结果，为中国利率的市场化改革、资本市场产品设计和制度建设、商业银行利率风险管理和证券投资策略与管理提供政策性建议。通过理论分析和实证研究，作者发现:1中国短期利率波动具有显著的特性，包括均值回复路径、波动杠杆效应、不对称信息响应、波动机制转换和跳跃扩散等。本文证实了中国利率波动存在长期回复均值和负向飘移率，发现了短期利率波动存在微弱的杠杆效应，对负向信息的响应强度比对正向信息更强烈，较长期间的波动过程存在波动特征明显不同的波动状态。2B样条估计方法是比息票剥离法和二项式样条更为精确的利率期限结构静态估计技术，通过最小化定价误差搜索程序和样本内节点分布结构的最优选择，B样条函数可以更准确地估计不同期限的息票债券隐含的利率期限结构。3对利率期限结构动态模型样本内数据的拟合效果与样本外预测结果基本上一致，各种参数模型与非参数模型的预测能力存在一定的差异，考虑不对称信息响应、波动机制转换和跳跃扩散特征的利率波动模型具有较高的利率预测能力，但是其模型预测精确度仍待进一步提高，也即对中国利率期限结构波动特征的研究还存在艰巨的任务。4最大似然估计比广义矩估计、有效矩估计和核估计在对利率期限结构的估计中更为便捷有效。不同的估计方法对利率期限结构估计的结果并不存在显著的差异。本文的改进及创新体现在:1.以往所有的文献均较少考虑利率期限结构拟合方法中存在的估计误差，本文在比较利息剥离法、多项式样条估计法和指数样条估计法的基础上引入了B样条估计法，运用约束贴现函数回归和即期利率回归，借助估计误差最小化搜索程序和样本内节点的最优组合，获得较高精度的利率期限结构。2.在中国市场利率期限结构的波动模式设计方面，本文通过比较国际上主流利率期限结构模型对中国利率期限结构的解释能力，选择利率非线性均值-GARCH模型作为模型设计的出发点，进一步引入利率波动的杠杆效应、不对称波动信息效应、跳跃扩散和波动状态转换机制，从时间序列维度揭示中国市场利率期限结构的变动规律。3.鉴于广义矩估计对矩条件选择的强敏感性，本文选择了最大似然估计法和非线性估计技术对各种利率模型进行参数估计，并通过最大似然率检验比较各种嵌套模型的解释能力。在进行时间序列估计的同时，选择不同期限的短期利率作为样本数据，从横截面的角度进行参数估计稳定性的比较。4.在利率波动预测方面，本文比较了不同利率波动预测模型的均方误差RMSE和平均绝对误差MAE，证实了非线性―不对称波动机制转换GARCH模型具有较好的预测能力，并通过蒙特卡罗模拟和样本内逐步推进程序预测现实的利率运动路径，与神经网络模型进行预测精度和风险控制能力的比较。5.运用蒙特卡洛模拟法来解决利率变动路径的求解问题，利率波动模型设定为具有利率风险市场价格修正飘移项的异方差扩散过程，通过为每一条风险中性路径求积分之后再取平均定价利率产品，并通过扩大模拟路径来降低蒙特卡洛模拟误差；运用波动性转换模型评估利率风险，通过回溯测试检验波动机制转换模型与JPMorgan的方差―协方差风险矩阵模型和GARCH模型的VaR测度结果..……全文目录文摘英文文摘序言第一部分 研究概述一、文献综述一国外文献综述二国内文献综述三文献评述二、研究设计一本文研究的主要问题及其重要意义二本文的研究内容与框架三研究方法与相关术语四研究的改进与创新第二部分 利率期限结构的静态估计一、利率期限结构静态估计方法的概述二、中国利率期限结构静态估计存在的问题与估计方法的选择三、B样条函数模型的实证研究一B样条函数模型及其拟合方法二样本数据与拟合结果分析三拟合模型的改进――样本内节点的优化与付息效应四付息效应的检验五改进后模型的实证分析四、小结第三部分 中国利率期限结构动态模型的估计方法与实证分析一、利率期限结构动态模型的估计方法一利率期限结构动态模型估计方法概述二利率期限结构动态模型估计方法的比较三中国利率期限结构动态模型估计存在的问题与估计方法的选择二、中国利率期限结构动态模型的实证研究一各种动态模型及其拟合二样本数据及其拟合结果的分析三中国利率波动的特征分析四利率动态模型估计结果的应用三、小结第四部分 中国利率波动模型的应用研究一、中国利率波动模型的应用概述二、现代利率预测方法的比较分析与预测模型的选择三、样本数据与预测结果分析四、中国利率预测模型的应用一利率衍生产品定价二利率风险管理五、小结第五部分 结论与启示一、本文研究的主要结论一关于利率期限结构静态估计的主要结论二中国关于利率期限结构动态模型的主要结论三关于利率动态模型应用的主要结论二、启示与建议一中国利率政策制定与管理建议二中国债券发行政策制定与投资风险管理问题三中国利率风险管理的启示三、未来研究的进一步改进参考文献相似论文,61页,F832.22
C913.5,76页,F832.22,59页,F832.22,58页,F832.22 F126,167页,F832.51
F279.246,78
页,F832.33
F279.246,76页,F832.5,95页,F832.5,57页,F832.51
F275.2,77页,F832.5,61页,F832.5,59页,F832.33 F830.2 F224.0,58页,F832.33 F069.9,77页,F832.39,71页,F832.33,58页,F832.33,81页,F832.33,54页,F832.48,53页,F832.5,61页,F832.5中图分类:
> <font color=@2.22 > 经济 > 财政、金融 > 金融、银行 > 中国金融、银行
& 2012 book.