文章摘要:本文以沪市和深市综合指数收益率为研究对象。首先,考虑到收益率序列存在波动聚集性、非线性以及非对称等特征,因此本文一方面利用了GARCH模型在准确刻画波动聚集性方面的优势,另一方面引入神经网络分位数回归（QRNN）模型来解决非线性和非对称方面的问题,建立了QRNN-GARCH模型对收益率风险特征进行度量。但QRNN-GARCH模型对收益率序列极端尾部数据处理能力不足,为此用极值理论的POT方法对此模型进行改进,构建了QRNNGARCH-POT模型,将其应用于极端VaR风险测度。此外利用失败率、似然比检验与相对误差率,对比QRNN-GARCH-POT模型与其他模型在VaR风险测度中的表现。结果表明:第一,基于QRNN-GARCH模型的VaR风险测度取得了比GARCH模型更好的效果,仅是极端（99%）VaR风险测度精度不高。第二,QRNN-GARCH-POT模型改善了极端VaR风险测度效果。

文章关键词:

论文DOI:10.13860/j.cnki.sltj.20211015-001

论文分类号:F224;F832.51