Filtered Extreme-Value Theory Meets Asymmetric GARCH: Out-of-Sample Volatility Forecasting and 99% Value-at-Risk Backtesting for U.S. Equity Indices, 2004–2018
本研究表明，将非对称 GARCH 波动率过滤器与过滤极值理论（GARCH–EVT）相结合，在预测 2004–2018 年期间美国股票指数的 99% 风险价值（VaR）和预期不足（ES）方面，显著优于 RiskMetrics 和历史模拟法等传统模型，特别是通过证明准确的尾部建模对于捕捉极端市场风险而言，比波动率过滤器本身更为关键。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在金融这个高风险的世界里，风险管理者扮演着资本守护者的角色，他们不断试图回答一个单一且困难的问题：如果市场发生逆转，一个投资组合在单日内可能损失多少钱？为了回答这个问题，他们依赖于旨在预测股价未来行为的数学模型。这些模型必须考虑到市场的两种不同现实。首先，市场并非以稳定、可预测的步伐移动；相反，平静时期往往紧随剧烈的动荡期之后，这种现象被称为波动率聚集（volatility clustering）。其次，当市场崩盘时，它们很少遵循简单统计学所假设的平滑、钟形曲线。相反，它们表现出“肥尾”（fat tails）特征，这意味着极端事件发生的频率远高于标准数学模型的预测。在追踪这些变化的波动浪潮与准确衡量罕见灾难性下跌的危险之间取得平衡，是现代市场风险管理的核心挑战。
印度理工学院马德拉斯分校的研究员阿里恩·亚达夫（Arin Yadav）最近的一项研究通过测试不同的数学工具在预测美国主要股票指数（特别是标普 500 指数和纳斯达克综合指数）风险方面的表现，来应对这一挑战。该研究涵盖了一个跨越近二十年（从 1999 年到 2018 年）的每日股票回报海量数据集，并特别关注 2004 年之后的年份，以确保结果是在模型从未见过的测试数据上进行的。其目标是确定向这些模型添加复杂特征——具体而言，即对坏消息与好消息做出不同反应的能力，以及使用专门技术来模拟极端市场崩盘——是否确实比目前使用的标准方法能带来更好的预测效果。
研究人员对比了几种竞争性的方法。他们首先以一个将所有市场波动视为同等的基准模型开始，无论市场是上涨还是下跌。然后，他们测试了更复杂的版本，这些版本能够识别出坏消息往往比好消息更能剧烈震动市场，这一概念被称为杠杆效应（leverage effect）。最后，他们测试了一种混合方法，该方法使用标准模型来追踪日常波动率，但在观察最糟糕的交易日时会切换到一种专门的“极值”技术。这种混合方法旨在更好地捕捉分布的尾部形状，而最危险的损失正隐藏在那里。研究还包括了一个对照组，使用了较旧且著名的传统方法，例如仅查看过去 500 天发生情况的历史模拟法，以及一个假设市场回报遵循正态钟形曲线的标准模型。
在波动率预测的结果显示，更复杂的模型确实提供了微弱的优势。那些考虑了负面冲击比正面冲击更能增加波动性的模型，在预测每日波动幅度方面表现得更好。具体而言，其中一个不对称模型在预测标普 500 指数的方差预测误差方面，比标准基准模型降低了约 2.2%。虽然这个百分比看起来可能很小，但在金融建模领域，这代表了在数千次每日预测中持续且具有统计学意义的改进。然而，研究发现，虽然这些模型在预测一般市场波动幅度方面表现较好，但真正的突破出现在预测罕见灾难性事件时。
当研究人员测试每种模型预测 99% 在风险价值（Value-at-Risk, VaR）的表现时——这是一个旨在每一百天仅被突破一次的阈值——差异变得非常显著。标准方法，包括广泛使用的 RiskMetrics 方法和简单的历史模拟法，屡屡失败。它们预测了过多的突破，这意味着它们低估了风险，导致模型被超越的次数远高于预期。相比之下，结合了波动率过滤器与专门极值技术的混合模型表现得非常出色。在标普 500 指数上，它记录了 34 次突破，而预期为 35.3 次，这一结果在统计学上与完美预测无异。在纳斯达克指数上，它记录了 44 次突破，虽然略有超额，但仍处于可接受的性能范围之内。其他模型则被统计检验拒绝，表明它们在衡量极端风险的任务中存在根本性的失准。
为了准确了解混合模型为何如此有效，研究人员进行了一项特定的实验，以隔离改进的原因。他们采用了表现最好的波动率模型，并将其估计极端尾部的方法替换为标准的正态分布假设。这一改变导致突破次数从 34 次跳回到了 70 次。这一发现表明，成功的核心驱动力并非模型追踪日常波动的方式，而是用于建模极端尾部的专门技术。换句话说，掌握日常节奏是有帮助的，但掌握极端危险区域的形状才是至关重要的。
研究还观察了这些模型在数据集中最严重的压力时期——即 2008 年 9 月至 2009 年 6 月的金融危机期间的表现。在这 209 天的极端市场动荡期间，标准历史模拟法表现得极其糟糕，在两个指数中都出现了 16 次突破其风险限制的情况。然而，混合模型保持了稳健性，在两个指数中仅记录了 2 到 3 次突破。此外，当模型预测损失时，其对特定日子实际损失的估计值与实际损失的偏差在 3% 以内。这种在危机期间的准确性至关重要，因为这意味着模型可以可靠地告诉风险管理者他们需要持有多少资本才能在市场崩溃中生存。
研究人员得出结论，虽然不对称模型在追踪一般市场波动率方面提供了适度的改进，但最大的安全增益来自于对分布尾部的显式建模。假设市场崩盘遵循正态模式的模型，对于现代银行业监管所要求的 99% 置信水平来说是不够的。研究表明，风险管理的两个组成部分——追踪日常波动率和建模极端事件——解决了不同的失效模式。前者有助于把握时机，而后者则确保风险水平被正确估计。尽管该研究局限于两个高度相关的美国指数和一个置信水平，但证据有力地表明，对于最危险的风险，模型处理极端尾部的方式比其使用过滤日常波动率的具体方法更为重要。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。