风险价值模型研究
投资组合优化的数学模型
投资组合优化的数学模型一、引言投资组合优化是金融领域的一个重要问题，其目的是通过合理地分配不同资产的权重，使得投资组合的收益最大化或风险最小化。
在实际投资中，很多投资者都会采用投资组合优化方法进行资产配置，以期达到最优化的投资效果。
本文将对投资组合优化的数学模型进行分析和探讨。
二、投资组合优化模型投资组合优化模型可以分为两类：均值-方差模型和风险价值模型。
下面将分别进行介绍。
1.均值-方差模型均值-方差模型是目前最为广泛使用的投资组合优化模型。
其核心思想是通过计算投资组合的期望收益和风险来优化资产配置。
具体来说，该模型首先计算出每种资产的预期收益率和标准差，然后在给定预期收益率的条件下，通过调整各资产的权重，使得投资组合的方差最小化。
均值-方差模型的数学表达式如下：$$\begin{aligned} \min \frac{1}{2}w^{T}\Sigma w \\ s.t.\:w^{T}r= \mu,\: w^{T}\mathbb{1}=1, \:w_i \geq 0 \end{aligned}$$其中，$w$为资产权重向量，$\Sigma$为资产之间的协方差矩阵，$r$为资产的预期收益率向量，$\mu$为投资组合的预期收益率，$\mathbb{1}$为全1向量。
该模型通过最小化风险的方式，来达到最大化收益的目的。
但是，由于均值-方差模型假设资产收益率服从正态分布，并且只考虑了资产的一阶统计量，忽略资产之间的非线性关系，因此在实际应用中有着一定的局限性。
2.风险价值模型风险价值模型是一种相对新的投资组合优化模型，与均值-方差模型相比，其考虑的是投资组合的非对称风险。
与传统的风险度量方法不同，风险价值模型采用了风险价值（Value-at-Risk，VaR）作为风险度量。
VaR是指在一定置信水平下，某资产或投资组合的最大可能损失，即在置信水平为$\alpha$的条件下，VaR表示的是在未来一段时间里资产或投资组合可能出现的最大损失。
风险价值模型研究
风险价值模型研究
谭 辉
摘 （ 重庆师范大学经济与 管理 学院） 要： 风险管理是银行 经营 管理 的一 项重要 内容 。 提 高风 险管理 能力是我 国金融业改革与发展 的基本要求。这要求不 断的学 习先进 的风险管理方
法与理论 风 险价值模型（ Ｖ ａ ｌ ｕ ｅ — ａ ｔ — ｒ ｉ ｓ ｋ ， 简称Ｖ ａ Ｒ ） 是 当前金融风险管理领域广泛使用的工具。本文归纳了风 险价值模 型的应用对象和存在 的优缺 点并对 此模 型的各种改进方法进行 了分析 ， 并提 出了风险价值理论进一步研究的方 向 关键 词 ： 风险价值模型 Ｖ ａ Ｒ参数模型 多尺度分析
注： ・ ： 假定时间序列变量 的波动幅度 （ 方差） 是固定 的， 不符合实际。 （ 二） 非参 数 方 法 以Ｇ ＡＲ Ｃ Ｈ族模型为代表参数方法在计算Ｖ ａ Ｒ时， 需要事先假设收益率 的分布 。但是很多场合下收益率 的分布形式无法准确确定， 因此在ＧＡＲ Ｃ Ｈ 族模型 中假设收益 率服从某个分布是不甚恰当的。而以历史模拟 法（ Ｈ ｓ 】 和
市场特征。因此ＭＣ 不需要大量 的数据。可以较好的处理非线性 、 非正态问
Ｒ ＝ Ｅ （ ∞ ） 一 ∞ ） 中， Ｅ 【 。 ） 表 示资产组合的预期价值； ∞表示资产组合的期末价值；
∞ ’ 为置信水平ａ 下投资组合 的期末最低价值 。使用Ｖ ａ Ｒ 的主要群体见表一 表１ ：使用Ｖ ａ Ｒ 的主要群体
使用看
金融机构 监管者
题 。缺点在于计算量巨大 ， 而且随着需要考虑的风险因子数的增加， 模型变 得越来越复杂 。
（ 三） 半参 数 方 法 半参数方法的引入是因为传统 的参数和 非参方法在数据 点较多的区域 可 以比较准确的估计其分布形式 ， 但是在数据稀少的尾部区域却表现较差 。 半参数法主要有极值理论和条件 自回归Ｖ删 去两种 ，其 中前者尽管有很 多
基于深度学习的风险评估模型研究
基于深度学习的风险评估模型研究随着大数据和智能化技术的快速发展，深度学习作为一种重要的机器学习算法，已经在各个领域得到了广泛应用。
其中，基于深度学习的风险评估模型可以为金融、保险等行业提供准确的风险评估，具有非常大的实际应用价值。
一、深度学习算法简介深度学习是机器学习的一个分支，其核心是人工神经网络。
它可以通过模仿大脑中神经元之间的连接和作用方式，来实现对数据的高效处理和理解。
深度学习最常使用的算法包括卷积神经网络、循环神经网络和深度置信网络等。
二、基于深度学习的风险评估模型基于深度学习的风险评估模型可以对一些风险事件的可能性和影响程度进行评估。
具体地说，它可以通过对大量数据的学习和分析，建立出相应的预测模型，从而预测未来可能出现的风险事件，并及时做出相应的应对措施。
在实际应用中，基于深度学习的风险评估模型可以广泛应用于金融、保险、医疗等领域。
例如，在金融领域中，基于深度学习的风险评估模型可以对企业的信贷情况、投资风险等进行评估；在保险领域中，它可以评估被保险人的患病、事故等风险情况，从而为保险公司提供准确的风险管理方案。
三、基于深度学习的风险评估模型建立过程基于深度学习的风险评估模型建立的过程包括数据采集、数据处理、模型建立和模型验证等几个步骤。
一方面，数据是深度学习的前提和基础。
因此，在建立风险评估模型之前，需要对需要进行评估的数据进行采集和清洗。
同时，数据的数量越大、质量越高，模型的预测能力也就越强。
另一方面，在数据采集和处理的基础上，需要选择相应的模型，在模型中设置相关的参数，进行模型的训练和调试。
其中，模型训练的过程需要大量的计算资源和时间，通常需要使用GPU等较高性能的计算设备。
最后，在模型建立和调试完毕之后，需要对模型进行验证和测试，真实地模拟出可能出现的风险情况，以验证模型的准确性和预测能力。
四、基于深度学习的风险评估模型的优势相比较其他传统的风险评估模型，基于深度学习的风险评估模型有以下几个明显的优势。
流动性调整的风险价值模型及其实证研究
２ １ 年４ ００ 月
第２ 期
第２ ３卷
总第 １ ４期 ３
流动性调整的风险价值模型及其实证研究
林 辉
（ 南京大学商学院 ，南京 ２ ０ ９ １ ０ ３）
摘 要 ：在放松传统的风险价值模型基 于理想化 市场 的理论假设基础上 ， 通过修正 Ｂ Ｓ 模 型存在 的缺 陷， ＤＳ 构建流 动性调整 的 Ｖ Ｒ模型 ， ａ 并以亚洲金融危机 中泰铢和 日元 的汇率数据进行 实证研 究， 并检 验两个模 型的效力。研 究结 果表 明： 极端市场条件 下两个模 型估 计结果一致 ， 在 但在 正常市场条件 下本模型比 Ｂ Ｓ模型更具有可靠性 。 ＤＳ 关键 词 ：流 动 性 风 险 ； 险 价值 ；买卖 价 差 ； ＤＳ 型 风 Ｂ Ｓ模
交 易 时 ， 么 是要 价 ， 么 是 出价 ， 价 差 只是 总 价 要 要 则 差 的一半 ， 故有 将 总价 差 Ｓ ｂ ｏ ） 上 １ 。 由 ｏ （ ＋ ｒ乘 ， ２ （ ）可知 ， Ｄ Ｓ 型的本 质是 将 Ｌ — ａ １ ＢＳ模 ａ Ｖ Ｒ的计 算 分
力或流动性风险。由此可见 ， 传统的 Ｖ Ｒ模型基于 ａ
Ｌ— ａ ａ Ｖ Ｒ模 型 的解 析式 ① ：
一
ｚ ７ １＂
１
Ｌ— ａ ＝ （一 ）— ｏ ａ Ｖ Ｒ Ｓ １ｅ。 ＋ （ Ｏ ｝Ｓ
金融市场的金融模型
金融市场的金融模型金融市场是现代经济中一个重要的组成部分，是企业和个人进行资金融通和投资、融资活动的场所。
金融市场的发展离不开金融模型的应用，通过对金融市场的分析和预测，可以帮助投资者做出更加明智的决策。
本文将探讨金融市场中一些常用的金融模型，包括CAPM模型、期权定价模型和风险价值模型。
一、CAPM模型CAPM模型是金融市场中最为经典的资产定价模型，全称为资本资产定价模型（Capital Asset Pricing Model）。
该模型利用投资者的风险厌恶程度和资本市场的预期收益与风险之间的关系，以及风险资产与无风险资产之间的组合关系，来评估资产的预期回报率。
CAPM模型的核心公式为：E(R) = Rf + β(i) * [E(Rm) – Rf]其中，E(R)表示预期回报率，Rf表示无风险回报率，β(i)表示资产i 的β系数，E(Rm)表示市场的预期回报率。
二、期权定价模型期权定价模型用来计算金融衍生品中的期权（Option）价格。
其中最为著名的期权定价模型是布莱克-斯科尔斯模型（Black-Scholes Model）。
布莱克-斯科尔斯模型基于一些假设，包括市场无套利机会、证券价格符合随机漫步等。
根据这些假设，该模型通过对期权的价格影响因素进行分析，提供一个可用于估计期权价格的公式。
布莱克-斯科尔斯模型的核心公式如下：C = S0 * N(d1) - X * exp(-r * T) * N(d2)其中，C表示期权的价格，S0表示标的资产的当前价格，X表示行权价格，r表示无风险利率，T表示期权剩余期限，N(d1)和N(d2)则是标准正态分布函数。
三、风险价值模型风险价值模型是用来衡量金融市场中风险暴露的模型。
最常用的风险价值模型是历史模拟法和正态分布法。
历史模拟法通过对历史数据进行分析，计算出资产在不同概率水平下的损失值，从而确定资产的风险价值。
正态分布法则是基于正态分布假设，通过计算资产收益率的均值和标准差，建立风险价值模型。
均值—条件风险价值模型有效前沿分析——以含无风险资产和持有期为研究视角
中 图分 类 号 ： Ｆ３ ．９ ８ ０ ５
文献标志码 ： Ａ
文章 编 号 ： １０ ４ ７ （０ ２ ０ ０ ２ ０ ０ ９— ４ ４ ２ １ ）３— １２— ５
Ｅｆ ｃｅ ｔＦｒ ｎｔｅ ａ ｙ ｉ ｆＭ ｅ ｎ． ｉ ｆ ｉ ｎ ｏ ｉｒ Ａｎ ｌ ｓｓ ｏ ａ ＣＶａ Ｂａ ｅ ｎ Ｒｉｋ－ｒ ｅ Ａｓ ｅ Ｒ ｓ ｄ ｏ ｓ ｆ ｅ ｓ ｔ ａ ｄ Ｈｏ ｄ ｎ ｒｏ ｎ ｔｏ ｎ ｌ ｉ ｇ Ｐｅ ｉ ｄ Ｃｏ ｄｉｉ ｎ
Ｚ ＨＯＵ ｈ ｎ Ｓｅ ｇ
（ ｃｏｌｏ ｃｎｍｉ ａｄ Ｍａａ ｅ ｅｔ ｏｔｗ ｓ ｆａｔ Ｓｈｏ ｆ Ｅ ｏｏ ｃ ｎ ｎｇｍ ｎ，Ｓｕｈ ｅｔｉ ｏ Ｕ ｉ ｒｔ， Ｃ ｅｇ ｕ ｓ ｏ ｎｖ ｓｙ ｈｎ ｄ ｅｉ
６ ０ ３ ．Ｃ ｉａ） １ ０ １ ｈｎ
Ｋｅ ｒ ｓ：ｐｏ ｌｏ；ｃ ｎ ｉｉｎ ｌ ｖ ｌ ｅ ａ ｉｋ；ｒｓ ｆｅ ｓ ｅ ；ｅ ｃｅ ｔｆｏ ｔｅ ；ｍｅ ｎ ｖ ｒａ ｅ ｙ ｗｏ ｄ ￣ ｉ ｏ ｄ ｔ ａ ａｕ ｔｒｓ ｏ ｉ ｋ— ｅ ａ ｓ ｔ ｆ ｉ ｎ ｎ ｉｒ ｒ ｉ ｒ ａ — ａ ｉｎｃ ｍｏ ｅ ：ｍｅ ｎ— ｄｌ ａ ＣＶａ ｍｏ ｅ Ｒ ｄ ｌ Ａｂ ｔ ａ ｔ ｓ ｒ ｃ ：Ａ ｓ ．ｒ ｅ ａ ｓ ｔｉ ｎ ｌ ｄ ｄ ｎ ｔｅ ｐ ｒｆ ｌ ｉ ｒ ｋ ｆｅ ｓｅ ｓ ｉ ｃｕ ｅ ｉ ｈ ｏ ｔｏｉ ｏ，ａ ｄ ｔ ｅ ｍｅ ｎ． ｎ ｈ ａ ＣＶａ ｍｏ ｅ ｓ ｅ ｔｂｌ ｈ ｄ Ｒ ｄ ｌ ｉ ｓａ ｉ ｅ ｓ ｕｎ ｅ ｏｄ ｎ ｒｏ ｏ ｄ ｔｏ ｄ ｒ ｈ ｌ ｉ ｇ ｐｅ ｄ ｃ ｎ ｉｉｎ．Ｔ ｄｅ ｓｓ ｌｅ ｈ ｏ ｇ ｇ ａ ｇ ｌ ｐ ｉｒｍｅｈ ｄ，ａ ｄ ｔｅ ｒ ｓ ｌｓ ｉ ｈｅ ｍｏ ｌｉ ｏｖ ｄ ｔ ｒ ｕ ｈ Ｌａ ｒ ｎ ｅ ｍｕ ｔ ｌｅ ｔ ｏ ｉ ｎ ｈ ｅ ｕ ｔ ｓｏ ｈ ｗ ｔ ａ ｅ ｃｅ ｔ ｒｏ ｔｅ ｓ ｆ ｍｅ ｎ・ ｈ ｔ ｆ ｉ ｎ ｆ ｎ ｉｒ ｏ ａ － ｉ ＣＶａ Ｒ ａ ｄ ｎ ｍｅ ｎ—ａ ａ ｃ ｍｏ ｅ ｃ ｉ ｃｄ ｂ ｓ ｄ ｎ ｏ ｇｖ ｎ ａ — ｒ ｎｅ ｖｉ ｄ ｌ ｏｎ ｉｅ ａ ｅ ｏ ｓ ｍｅ ｉｅ ｃ ｎ ｉｉｎ ．Ｆ ｒｈ ｒ ｒ ｏ ｄ ｔ ｓ ｕ ｔ ｅ ｍｏ ｅ，ａ ｃ ｒ ｉ ｏ ｔ ｅ ｒ ｌｔｏ ｈ ｐ ｂ ｔ ｅ ｈ ｘ ｅ ｔｄ ｒ ｔ ｆｒ ｔ ｒ ｎ ｏ ｒｗｉ ｇ ｏ ｃ ｏ ｄｎｇｔ ｈ ｅ ａｉｎｓ ｉ ｅｗｅ ｎ ｔ ｅ ｅ ｐ ｃ ｅ ａｅ ｏ ｅ ｕ ｎ ａ ｄ ｂ ｒｏ ｎ － ｌ ｎ ｉ ｇ ｒ ｔ ｓ ｈｅ ｅ ｃｅ ｔｆｏ ｔ ｒｏ ａ — ｅ ｄ ｎ ａｅ ，ｔ ｆ ｉ ｎ ｎ ｉ ｆｍｅ ｎ ＣＶａ ｍｏ ｅ ｏ ｓｓｓ ｏ ｉ ｅ ｓ ｇ ｎ ，ｈ ｐ ｒ ｏａ ｓ ｇ ｎ ｎ ｉ ｒ ｅ Ｒ ｄ ｌｃ ｎ ｉｔ ｆｌｎ ｅ ｍｅ ｔ ｙ ｅ ｂ ｌ ｅ ｍｅ ｔａ ｄ ｈａｆｌｎ ｔ ｉ ｅ ｅ ｔｂ ｒｏ ｎ ．ｅ ｄ ｎ ａｅ ． ｌ ｉ ｅ ｗｉｈ ｄｆ ｒｎ ｏ ｒ ｗｉ ｇ １ ｎ ｉ ｇ ｒ ｔ ｓ ｆ
市场风险评估模型研究及应用
市场风险评估模型研究及应用随着经济全球化的推进和市场化程度的提高，各种金融产品在市场上层出不穷，投资者需要面对的风险也越来越复杂和多样化。
市场风险评估模型是金融市场中非常重要的一个工具，能够帮助投资者更好地了解产品的风险水平，提高投资决策的准确性和可靠性。
本文将对市场风险评估模型进行研究和应用，探讨其实现方式、应用场景和优缺点等内容。
一、市场风险评估模型的实现方式市场风险评估模型主要基于统计学的思想和方法，通过对历史数据的分析和融合，预测未来市场波动的风险水平。
常用的市场风险评估模型有风险价值（Valueat Risk，VaR）模型、条件风险价值（Conditional Value at Risk，CVaR）模型和极值理论（Extreme Value Theory，EVT）模型等。
风险价值模型是目前使用最为广泛的市场风险评估模型之一，其核心思想是以一定的置信水平作为标准，通过数学统计的方法预测未来某一风险资产（或投资组合）的最大可能损失。
具体实现时，需要选择适当的置信水平和时间区间，并采用历史模拟法、蒙特卡洛仿真法或正态分布法等方法进行计算，得到一个相对精确的风险值。
条件风险价值模型是近年来新兴的市场风险评估模型，弥补了风险价值模型无法解决非对称性风险的不足。
条件风险价值模型将风险价值模型的置信水平改为风险水平，在追求收益的同时避免了极端风险的暴露。
由于模型基于对分位数的数学计算，还可以通过概率分布函数和极值概率分布函数进行有效的计算和比较。
极值理论模型则主要应用于极端事件的风险评估，该模型认为市场波动呈现出一定的暴涨暴跌的趋势，从而针对极端事件进行风险预测和控制。
模型需要准确估计极端事件的概率分布函数和极值分布函数，寻找合适的参数进行计算。
二、市场风险评估模型的应用场景市场风险评估模型主要应用于金融市场中风险管理和风险监控领域，是一种重要的决策支持工具。
具体应用场景包括：1. 投资组合风险管理。
基金投资组合的风险价值评估模型
基金投资组合的风险价值评估模型在金融领域，基金投资组合的风险价值评估模型是一种重要的工具，可以帮助投资者评估其投资组合所面临的风险，并制定相应的风险管理策略。
本文将介绍一种常用的基金投资组合的风险价值评估模型——价值atr为风险的度量方法。
1. 介绍基金投资组合的风险价值评估模型通常基于市场价值atr（Average True Range）计算，atr是一种用于衡量价格波动幅度的指标，可以反映资产的波动性和风险水平。
2. atr的计算方法atr的计算公式为：atr = (tr1 + tr2 + ... + trn) / n，其中tr为真实波动范围（True Range），n为计算周期。
3. 真实波动范围（tr）的计算方法真实波动范围是一种表示价格波动幅度的指标，其计算方法为：tr = max(high - low, abs(high - pre_close), abs(low - pre_close))其中high为当日最高价，low为当日最低价，pre_close为前一交易日收盘价。
4. 利用atr评估风险价值atr越大，表示价格波动幅度越大，风险越高；而atr越小，表示价格波动幅度越小，风险越低。
通过计算atr，可以得出基金投资组合的风险价值。
5. 风险价值评估模型示例假设某基金投资组合的atr为10%，则可以认为该投资组合的风险价值较高。
投资者可以根据这一风险价值评估结果，制定相应的风险管理策略，如调整投资比例、选择合适的风险水平等。
6. 风险价值评估模型的局限性需要注意的是，基金投资组合的风险价值评估模型有其局限性。
首先，atr只是一种风险度量方法，不能绝对准确地反映投资组合的风险状况。
其次，atr的计算结果受计算周期的影响，不同的计算周期可能得出不同的风险价值。
此外，atr只关注价格波动幅度，未考虑其他风险因素，如市场流动性、政策风险等。
7. 结论基金投资组合的风险价值评估模型在投资决策中起到了重要的作用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
风险价值模型研究
摘要：风险管理是银行经营管理的一项重要内容。
提高风险管理能力是我国金融业改革与发展的基本要求。
这要求不断的学习先进的风险管理方法与理论。
风险价值模型（value-at-risk，简称var）是当前金融风险管理领域广泛使用的工具。
本文归纳了风险价值模型的应用对象和存在的优缺点并对此模型的各种改进方法
进行了分析，并提出了风险价值理论进一步研究的方向。
关键词：风险价值模型 var 参数模型多尺度分析
商业银行的风险度量是商业银行进行利率风险管理的基础。
从20世纪90年代开始， var （value-at-risk）模型[1，2]就被引入到金融风险管理中，现已成为监管当局和金融机构广泛采用的风险度量和管理工具之一。
例如，《巴塞尔协议》（basel accord）、《欧盟资本充足率指令》（eu capital adequacy directive）等。
当前，经济全球化不断发展，商业银行面临着更多的利率风险。
我国不断深入的金融改革不但给我国商业银行带来了活力，也相应地带来了巨大的利率风险。
鉴于此模型具有广泛的影响力及当前的研究需求，尽管徐元铖[1]在2005年对var方法进行了很好的介绍，但近年来，var模型的研究依旧是金融业相关研究的一个热点[3-6]，在cnki数据库中以“var模型”为主题词，2005-2013年共有4980个检索结果。
所以本文将介绍基本的var及其相关的最新改进。
一、var简介及作用
二、var模型分析
计算var的方法有很多。
依参数设置角度可分为三大类[1，2]：（1）参数方法；（2）非参数方法；（3）半参数方法。
这三类方法是当前研究的主流。
并且随着机器学习理论和信号处理技术的进一步发展，产生了结合神经网络方法和多尺度方法的新进展。
下文将对上述方法给出详细描述。
（一）参数方法
（二）非参数方法
以garch族模型为代表参数方法在计算var时，需要事先假设收益率的分布。
但是很多场合下收益率的分布形式无法准确确定，因此在garch族模型中假设收益率服从某个分布是不甚恰当的。
而以历史模拟法（hs）和蒙特卡罗模拟（mc）法[7]为代表的非参数方法可以在一定程度上解决这个问题。
历史模拟法（hs）以“历史可以在未来重复自身”为假设，优点在于它不要求有收益率分布的假定，只需要用分布函数来估计收益率的分布，因此就不需要估计特定分布的参数。
缺点在于（1）计算结果的波动受过去数据的时段选择很大影响；（2）独立同分布的假定使得hs无法解释真实世界中常见的波动聚类现象。
而蒙特卡罗（mc）方法是用计算机模拟出金融变量的未来特定期间内随机价格走势，估算出投资组合的风险值，并以此来近似揭示该金融变量的市场特征。
因此mc不需要大量的数据。
可以较好的处理非线性、非正态问题。
缺点在于计算量巨大，而且随着需要考虑的风险因子数的增加，模型变得越来越复杂。
（三）半参数方法
半参数方法的引入是因为传统的参数和非参方法在数据点较多的区域可以比较准确的估计其分布形式，但是在数据稀少的尾部区域却表现较差。
半参数法主要有极值理论和条件自回归var法两种，其中前者尽管有很多优点，但是其专注于极端尾部收益率的分布，因此在较高概率水平如5%上的var预测反而表现不好。
因此，engle 和 manganelli [2] （2004）通过直接对分位数进行回归计，提出了条件自回归var法，该方法的优点在于可以直接通过回归得到分位数，而不需要对收益率的分布做出假设，也没有正态或者独立同分布的假设。
（四）神经网络方法
bp（back propagation）网络是由rumelhart和mccelland为首的科学家小组于1986年提出的。
[7]bp网络能学习和存贮大量的输入-输出映射关系，而无需事前定义描述这种映射关系的数学方程。
理论上已经证明一个三层bp网络就可以完成任意的n维到m
维的映射。
（五）多尺度方法
三、var模型的局限性
本文第二部分对var方法分类进行了必要的介绍，其中分析了各类方法的特点及优缺点。
因此，尽管var在市场风险管理中作为控制风险的必要程序起着不可估量的作用，但它应当被看作是而不是充分程序，更不能简单地解决市场风险管理中的所有问题。
var
模型的主要局限性有：
（一）只能度量一般性非正常事件的风险，不能度量罕见的异常波动所导致的预期损失。
事实上，由于数学风险模型不能精确地量化重大的金融事件，var模型只能增加可靠性，但不能提供保证，因此，对var的依靠也只能是有限的。
因此使用var模型的同时需要经济基本面的分析和压力测试（stress testing）作为补充。
[6] （二）只能用于可交易的资产或负债，不能用于不可交易的资产或负债。
（三）只能度量市场风险，不能度量信用风险和流动性风险等银行面临的其他风险类型。
var模型没有考虑流动性风险。
对于市场交易不活跃的工具来说，这个问题更加突出。
因为，尽管可以基于历史数据实现估计损失规模，但由于真实市场上很难找到买方或大幅折价出售，实际的损失会变得更大。
（四）内生的模型风险使得var的可靠性难以把握。
正是基于这种内生模型的局限性，巴塞尔银行监督委员会要求使用返回检验（back testing）来检验银行所使用var模型的有效性。
（五）var模型对历史数据依赖性较大。
因此，商业银行在利用var模型时，需要仔细地选择合适的方法。
[8]
四、结束语
与传统的其他行业风险相比，金融产业的风险不仅可以影响金融业本身，更深入影响到国民经济的方方面面。
因此近年来对于改
进var模型的新方法新思路一直是学术界和业界的研究热点和重点。
例如神经网络方法和多尺度分析技术。
对提高银行有效管理市场风险的水平有着重要意义。
参考文献
[1] 徐元铖.国外风险价值模型研究现状[j].外国经济与管理，2005，27（6）：44-51.
[2] robert f. engle， simone manganelli， 2004. caviar：conditional autoregressive value at risk by regression quantiles. journal of business & economic statistics. vol. 22， p367-381
[3] 张鹏，薛志宏，黄诗琪.刍议银行集中度与经济增长的关系——基于面板var模型的实证分析[j].现代财经（天津财经大学学报），2012， 32（03）：71-80.
[4] 康煜，凌铃，罗猛.基于var模型的中国银行体系脆弱性实证研究[j].金融理论与实践，2012，（05）：6-11.
[5] 戴丽娜，韩娜.商业银行操作风险计量模型的bayes估计[j].数学的实践与认识，2012，42（11）：1-9.
[6] 王际科，迟国泰，洪忠诚.var风险控制的银行资产负债管理优化模型[j].哈尔滨工业大学学报，2009， 41（02）：245-247.
[7] 王芳，涂春丽，勾永尧.基于elman神经网络的气温预测研究[j].安徽农业科学，2011，39（33）： 20859～20860
[8] 刘晓曙，郑振龙.商业银行var模型预测能力的验证[j].当
代财经，2007，（08）：39-43.。