VaR (在险价值)和CVaR (条件在险价值)是常用的金融产品风险度量工具。本文考虑沪深300、中证500和不同行业的12只股票最近两年(2014.10~2016.9)的历史数据,首先用非参数估计方法计算了相应的VaR和CVaR值,然后结合Bootstrap抽样数据,重新估计了相应股票的VaR和CVaR值,根据似然比检验得出结论:Bootstrap方法可以提高VaR和CVaR的估计的精度,更加有效地衡量股票的风险。
在险价值VaR (Value at Risk)是最近发展起来并被广泛应用的一种衡量股票风险的方法。本文收集了约两年(2016年1月~2017年12月)来自主板市场,中小板市场,创业板市场的9只股票的收益率数据,运用t-GARCH(1,1)模型和Quantile-ARCH(1)模型两种方法计算了9只股票的VaR值。并根据似然比检验和失败率检验方法得出:基于Quantile-ARCH(1)模型计算出的VaR更加精确。
