上证指数的基本统计特征

股市VAR实证分析。

1.数据说明。

由于在我国股市发展的初始阶段，市场容量小，体系不完善，市场不规范，价格波动剧烈，在分析样本中添加这一时期的数据会扭曲实际的风险特征，因此我们在风险分析中不考虑这一时期。我们选择了最近的3000个收益率数据。

上证指数的基本统计特征：平均值为0.000363。标准差为0.018043，偏度为-0.262619；峰值为7.7621。深圳成都指数的基本统计特征：平均值为0.000403。标准差为0.0195449，偏度为-0.274977；峰值为6.85438。因此，这两个指数的分布是有偏见的。它们的J-B统计概率为0，拒绝分布为正态分布的原始假设。在使用POT模型分析时，我们分析了负对数收益率，即。

2.选择阈值。

阈值的选择通常与QQ图相结合。平均超额函数图和Hill确定。从两个指数的正态QQ图和指数QQ图可以看出，两个指数都是厚尾，相应GPD模型的形状参数大于零。将平均超额函数法与Hill图法相结合，可以初步估计阈值，然后根据Cramer-von统计W2和Anderson-Darling统计A2，我们可以准确得到上证指数的阈值为0.020965，超额阈值为247，超额概率为8.2%。

3.GDP分布模型参数估计。

Winbugs是一个建立和分析贝叶斯概率模型的程序模块。基于对话框和菜单按钮，它为用户提供了一个界面，用马尔可夫链蒙特卡罗来分析模型。我们使用该软件模拟POT模型。首先，从条件后验分布中提取样本，然后用获得的样本估计模型的参数。为了方便起见，我们选择平坦分布作为其无信息先验分布。在实际应用中，参数的先验分布可以根据实际经验确定。Winbugs运行中获得的模型参数的估计值如表2所示。为了比较，还提供了基于大似然估计的参数估计值。

表2POT模型Bayes估计法和大似然参数估计法的结果。

4.VaR计算。

代入参数(1)，我们分别取信区间为95%.97.5%.99%.99.5%和99.9%，结果如表3所示。

表3不同信任区间下的VAR。

从表3可以看出，基于贝叶斯估计的上证指数和深成指数在各信贷水平下的Var值大于基于大信贷水平的Var值。这是因为Bayes方法将分布参数视为随机变量，这实际上增加了资产收益率分布的不确定性。从上述计算结果也可以看出，在各种方法获得的Var中，深成指数在信贷范围内大于上证指数，表明深成指数所包含的股票波动性大于上证指数，即市场风险较大。

由于金融市场的快速变化，数据与当前市场形势的相关性越低，基于经典统计的未来损失完全基于历史数据的方法，显然不能保证虚拟现实模型的准确性和有效性。由于影响金融市场资产收益率的因素总是在变化，分布参数也在变化，因此将参数视为随机变量是合理的。将贝叶斯估计与极值理论相结合，研究资产收益率的尾部行为，将历史数据与人们的经验预期相结合，使投资者能够根据观测数据调整风险值虚拟现实模型，使虚拟现实能够更准确地反映市场更准确地反映市场风险状况，并做出正确的投资决策。