【模型】【课程笔记】01+02+03 金融风险管理导论

本文为课程《金融风险管理》第1-3章学习笔记，用于知识点总结和复习，对应教材《Quantitative Risk Management（2015）》，标号为原版书公式以便查阅。

往期回顾：

博文	内容
【模型】【课程笔记】01+02+03 金融风险管理导论	VaR、ES、风险测度性质等
【模型】【课程笔记】04 金融时间序列	ARMA、GARCH 等

---

一、框架

---

二、重要公式及推导

第二章 金融风险管理基本理论

2.2 Modelling Value and Value Change

2.2.1 Mapping Risk
风险因子（d维向量）：$Z_t=(Z_{t,1},Z_{t,2}...,Z_{t,d})$
风险因子的变化：$X_{t+1}=Z_{t+1}-Z_t$
价值（对风险因子的映射）：$V_t=f(t,Z_t)（2.2）$
价值变化（短期）：$-\Delta V_{t+1}=-(V_{t+1}-V_t)$

1、已知：损失函数$L_{t+1}=-(f(t+1,z_t+X_{t+1})-f(t,z_t))$，求证：$L_{t+1}^{\Delta }=-（f_t(t,z_t)+{\sum }_{i=1}^d{f}_{z_i}(t,z_t)X_{t+1}{,}_i)$
证明：一阶近似法，$f(t+1,z_t+X_{t+1})$在$(t,Z_t)$处泰勒展开。
目的：将$L_{t+1}^{\Delta }$表示为$X_{t+1}$的线性组合。

Example 2.1（Stock portfolio——对数收益率)
2、已知：$X_{t+1}$均值向量$\mu$，协方差矩阵$\Sigma$
求：$L_{t+1}^{\Delta }$的均值和方差。
思路：用$\omega =(w_1,w_2,...,w_d{)}^{\prime }$向量的形式，将$\Delta L_{t+1}（2.5）$写成内积的形式，再运用协方差公式（《应用统计》-概率部分），写出最终结果（2.6）。

Example 2.2 欧式看涨期权——BS公式
3、已知：风险因子$Z_t=(In{S}_t,r_t,{\sigma }_t{)}^{\prime }$，$V_t=C^{BS}(t,S_t.r_t,{\sigma }_t,K,T)$，$X_{t+1}$表示风险因子的变化，$X_{t+1}=(ln{S}_{t+1}-ln{S}_t,r_{t+1}-r_t,{\sigma }_{t+1}-{\sigma }_t)‘$。
求解：$L_{t+1}^{\Delta }(2.9)$
方法：写出$L_{t+1}$表达式，一阶泰勒展开，并化简表示。
学习：希腊字母
2.2.2 Valuation Method
1、损失函数：$L_{t+1}=-\Delta V_{t+1}=-(f(t+1,z_t+X_{t+1})-f(t,z_t))$
由：$X_{t+1}$、$f(t+1,z_t+X_{t+1})$决定。
线性损失函数（2.13）、随机向量（2.14）由（2.6）推导而来。

2.3 Risk Measure

2.3.2 Value-at-Risk

1、VaR

2、广义逆

3、VaR for normal and t loss distribution



2.3.3 VaR in Risk Capital Calculations
1、第t天保留的资本金=max{当天的变化情况，60天平均值*k(安全系数)}

2、x0：找到最小的x，如果x0为负，表示经营状况良好，-x0称为盈余资本（excess capital）。

2.3.4 Other Risk Measures Based on Loss Distributions
1、Lower and upper partial moments（上/下偏矩阵）

2、Expected Shortfall：预期损失，又称条件预期风险价值（conditional VaR)，条件尾部期望（tail conditional expectation)，或尾部损失（tail loss），衡量损失超过VaR的条件下的期望值。
（1）定义和引理

（2）正态分布和t分布


（3）shortfall-to quantile ratio

2.3.5 Coherent and Convex Risk Measures
1、风险测度的两种定义
① additional capital：保证资产V大于某个水平，需要增加的额外资本
② total amount of equity capital：为了应对损失，总资本=？

2、一致性风险测度（Coherent Risk Measure）：
满足单调性（2.18 monotonicity)、
平移不变性(2.19 translation invariance)

次可加性(2.20 subadditivity)：和的风险小于风险的和，即：“合并不会产生额外的风险”。

同质性(2.21 positive homogeneity)四条公理。

3、凸性风险测度（convex risk measure）
满足：凸性（2.23）：线性组合的风险测度小于风险测度的线性组合、
单调性（2.18）、平移不变性（2.19）。

所有一致性测度都是凸的，反过来不成立。

---

第三章 金融数据实证性质

3.1 Stylized Facts of Financial Return Series（一维数据）

1、金融时间序列的特征:
①收益率序列表现出弱序列相关性，不是独立同分布（iid）的。
②收益率序列的绝对值或平方表现出较强的序列相关性。
③条件预期收益接近于0。
④波动率（volatility）随时间变化。
⑤极端回报（Extreme return）成群（cluster)出现。
⑥收益率序列为尖峰（leptokurtic)或厚尾(heavy tailed)。

3.1.1 Volatility Clustering 波动率聚集性
图（a）是实际数据（raw）反映出clustering和range，图（b）是正态分布（模拟）表现出集中和独立同分布，图（c）是t分布（模拟）能够反映极端数据，但没有表现出聚集性。

1、分析自相关图
依据：
AR模型：偏自相关截尾
MA模型：自相关截尾
ARMA模型：偏自相关、自相关拖尾

结论：
图（a）：原始数据（raw）自相关性弱，无法拒绝iid，图（c-f）同样无法拒绝。
图（b）：绝对值序列（absolute）表现出拖尾。

2、Ljung-Box test of randomness——判断iid
原假设：iid
判断依据：p值小<α：拒绝原假设
p值大，接受原假设，认为是iid。
结论：时间间隔越长，越认为有iid。

3、waiting time——等待时间
等待时间：相邻比较大损失的时间间隔
图（a）原始数据等待时间不均匀，图（c）t分布等待时间相对均匀。

3.1.2 Non-normality and Heavy Tails 非正态和厚尾
1、Q-Q图（quantile-quantile plot）
用于显示数据的经验分位数和参考分布的理论分位数之间的关系，非线性被认为是与假设的参考分布违背。

2、Jarque-Bera test
用于混合矩检验，即检验数据的偏度和峰度是否符合高斯模型。

JB统计量，用于判断正态性假定。

3.1.3 Longer-Interval Return Series
1、日回报率数据相比正态分布尖峰厚尾，趋于0的速度比较慢，具有按照幂指数缓慢衰减的尾部（tails that decay slowly according to a power law），而不是正态分布尾部的更快的指数型衰减（exponential-type decay of the tails of a normal distribution）。这意味着我们会看到更多的极端值。
2、短->长：加总（aggregate）
对数收益率：乘积->时间上的加总

（1）不重叠（non-overlapping）
样本数量下降（从n到n/h）
（2）部分重叠（overlapping）
带来序列相关性

3.2 Multivariate Stylized Facts（多元数据）

1、多元时间序列的特征
M1：多元收益序列除同期收益（contemporaneous）外，几乎没有交叉相关的证据（little evidence of cross-correlation）。
M2：多元绝对值收益率表现出较强的交叉相关性（cross-correlation）。
M3：序列之间的相关性随着时间的变化。
M4：一个序列的极端收益（extreme return）往往与另一个序列极端收益同时发生（coincide）。

3.2.1 Correlation between series 序列相关分析
1、相关性原因：共同的市场因子
2、解释M2：一支股票的巨额回报可能伴随着该股票和其它股票随后几天的巨额回报。
3、解释M3：相关系数是波动率的输入，①稳定机制（stationary regimes）：相关性是固定的，但机制（regimes）不时变化。②用动态模型——条件相关性（conditional correlation）变化来刻画。
4、读图：
上图为实际数据：有比较强的相关性，且下尾相关性大于上尾相关性，体现出利好消息未必共享，大的损失相关性更强。
下图为模拟数据：用二元t分布区模拟产生的，可以看出保留了相关性，但上尾和下尾是对称的。


5、rolling correlation coefficients——滑窗方法（动态）
判断动态还是静态模型：关键参数有没有随着时间变化

3.2.2 Tail Dependence 尾部相关
Fisher transform：刻度拉得更大

参考资料：
[1] Latex常用公式：https://www.cnblogs.com/1024th/p/11623258.html