基于SV-GARCH-EVT模型的数据驱动风险度量
Data-Driven Risk Measurement by SV-GARCH-EVT Model
AI总结：
本文提出SV-EVT-VaR动态模型，将厚尾分布、杠杆效应与极值理论相结合，用于更准确地度量股票市场风险，并通过标普500指数数据验证其在样本外回测中的优越性。
摘要：
本文旨在通过准确刻画金融市场收益率和波动率，更有效地管理和缓释股票市场风险。我们通过引入厚尾分布和杠杆效应来增强随机波动率（SV）模型，并使用马尔可夫链蒙特卡洛（MCMC）方法估计模型参数。通过结合极值理论（EVT）拟合标准残差的尾部分布，我们构建了基于SV-EVT-VaR的动态模型。我们使用标普500指数日度数据和模拟收益率进行实证分析，结果表明基于SV-EVT的模型在回测中优于其他模型。这些模型能够有效捕捉金融收益率的厚尾特性和杠杆效应，在样本外数据分析中表现出更优的性能。
英文摘要：
This paper aims to more effectively manage and mitigate stock market risks by accurately characterizing financial market returns and volatility. We enhance the Stochastic Volatility (SV) model by incorporating fat-tailed distributions and leverage effects, estimating model parameters using Markov Chain Monte Carlo (MCMC) methods. By integrating extreme value theory (EVT) to fit the tail distribution of standard residuals, we develop the SV-EVT-VaR-based dynamic model. Our empirical analysis, using daily S\&P 500 index data and simulated returns, shows that SV-EVT-based models outperform others in backtesting. These models effectively capture the fat-tailed properties of financial returns and the leverage effect, proving superior for out-of-sample data analysis.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
