1703538230
同样的试验也运用于包括2005~2006年低波动率时期和从2007年8月开始的高波动率时期的抽样后数据集。采用2004年全年数据估计的参数,波动率和相关系数每日均被更新。计算出的市场波动率从8月到10月然后从11月到次年1月均出现急剧增加。相应地,相关系数也在这段时期上升,在1月份用因子DCC模型估计出来达到了50%以上的水平。这些数值几乎和2001~2003年的最高值相当。因此,许多投资组合策略比在2003~2006年低波动率期间承担了显著更多的风险。此外,相关系数的上升自然会影响市场风险和例如CDOs等相关系数敏感性衍生工具的定价。目前仍然需要研究是否能将变动股票相关系数同变动的房价相关系数联系起来,以及哪一个才是了解次级抵押证券的优先级份额风险增大的关键点。
1703538231
1703538232
避险试验重复于预测数据集中,其结果同之前相当类似,其中DCC模型比因子DCC模型更稍微精确一些。模型间的差异性并不像之前一样是系统性的。以上两个模型都轻松地胜过了常数模型,100天历史数据模型和因子ARCH模型。这是令人印象深刻的表现,因为它意味着即便使用几年前过时的参数值,模型仍然可以挑选出优秀的投资组合。
1703538233
1703538234
这些相同的波动率和相关系数能被用于衡量任何投资组合的风险。尤其要提到的是,Khandani和Lo(2007)以及许多报刊文章都声称2007年8月的市场表现十分不寻常——多头和空头组合都在亏损,因为买方价格下降而卖方价格上升了。有人认为这是多重25倍σ小概率事件发生了。为了确定使用DCC模型的风险管理能否识别这种效应,我们用多种多样的标志建立起了多头和空头组合。每一个投资组合的波动率预测工具也被构建。在所有的情形中,投资组合的波动率从7月开始上升,到2007年8月已经达到很高的水平。8月份,所有的投资组合没有出现3倍σ的情况,尽管2007年11月和2008年1月发生了上述的事件。不过4倍σ事件并没有被观测到。
1703538235
1703538236
这些模型结合了理论吸引力,实证表现和统计的简便性,这些都成为将因子DCC模型及它的诸多变形运用于实际日常风险管理的有力论据。目前似乎并没有出现任何妨碍将这种方法扩展用于多种资产,多重因素以及高维数系统中的情况。
1703538237
1703538238
此种分析之后被扩展,以便用于估计相关系数敏感性衍生产品——如CDOs和其他资产抵押证券——的价值和风险。同样,期权组合的交易和避险以及离散交易均可在此框架中建模。金融部门在基于次级贷和其他资产上的衍生品投资组合上遭受了巨大的损失。这些金融产品对相关系数和波动率十分敏感。通过检验标准化合成CDOs的价格,学者研究了这些参数的敏感度,结果发现巨大风险的确与这些参数的改变联系紧密。
1703538239
1703538240
金融市场非常复杂并且不断在演变。本书提出的模型拥有适应金融环境中无法预见变化的潜力,由此可以给出相关系数和波动率的动态图像。这些方法自然是短期方法,以预测不久后可能发生什么。风险管理当然必须设计长期的情况。十分便利的是,这些模型的因素变形版本允许我们将因子波动率的决定因素建模,这是长期波动率和相关系数的主要决定因素。
1703538241
1703538242
本书希望,在运用这样可靠的模型后,投资者将可以获得只需承担他们所想要的风险的机会,并且将过多的风险留给不同偏好的其他投资者。
1703538243
1703538244
的确,对所有投资者而言,金融理论的基础是风险和收益间的选择,而在这个极度复杂的金融世界中,这就要求不断变化的风险估计工具。
1703538245
1703538246
1703538247
1703538248
1703538250
预见相关性:风险管理新范例 参考文献
1703538251
1703538252
1703538253
1703538254
1703538255
1703538256
1703538257
1703538258
1703538259
1703538260
1703538261
1703538262
1703538263
1703538264
1703538265
1703538266
1703538267
1703538268
1703538269
1703538270
1703538271
1703538272
1703538273
1703538274
1703538275
1703538276
1703538277
1703538278
1703538279
[
上一页 ]
[ :1.70353823e+09 ]
[
下一页 ]