今天鞋百科给各位分享var模型的参数怎么算的知识，其中也会对怎么计算VaR值(计算var的方法)进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在我们开始吧！

怎么计算VaR值

3C数码

这是我做出来的VAR（向量自回归模型）的结果。看不太懂。。着急哎。。在线等

发现最近问计量的问题挺多。。。那我来试着回答一下：VAR模型建立的目的跟我们一般建立的单方程（单方程多元回归&时间序列）模型不太一样。首先 它不基于任何先验的理论 因此一般来说我们不分析一种变量对另一种变量的影响 而是分析某一误差（或者说冲击）对整个系统的影响（如果还记得线性代数 就可以知道变量之间的关系体现在矩阵里）这种方法叫做IRF——脉冲响应函数方法。。。其次 还可以考察误差变化的重要程度 叫做方差分解方法。。。基本上VAR模型都要进行这两个分析。。。回到你的问题 上面说了一大堆 就是没有说显著性的问题 是因为VAR模型里面显著性不那么重要 可以允许有几个不显著的 不会影响分析结果 顶多在文章后面说一说。。。所以这个结果里并没有显著性也是因为这样 给出的结果是系数和【】里面的t值。。。比起显著性 我觉得应该更加关注平稳性 不平稳可是不行的 具体就是对你这个序列进行单位根检验（ADF基本够了）确定序列都平稳再做 不平稳的话 差分 或者找协整。。。如果果真需要看看显著性才心安 那么咱也有法子 估计出这个大表以后 在prob里面找make system 然后随便选一个（by lag就是按照滞后阶数来排列你的变量就像这样a（-1）b（-1） by variance就是按照变量来排列 a（-1）a（-2）随便选不影响结果）然后得到一个大框里里面有好多式子 选prob 然后估计 直接用OLS就行 要用SUR也可以但影响不大 得到一个结果——你想要的。。。最后我想强调一点 我见过许多同学上来就问我 为啥不显著啊？怎么才能显著啊？其实显著性的问题是相对而言的 不是说越显著模型就做的越好（例如虚假回归 根本毫无意义 好比拿你的身高解释GDP）毕竟我们这门学科叫做计量经济学 一定要有经济原理作支撑才可以。。。建议读一读高铁梅老师的《建模》那本 推到少但是比较全 而且都有操作 这样可能做的会比较好 另外我上面的许多概念 如果不懂的话 尽管baidu 都有很清楚的答案~（P.S. 别小看了VAR 2011经济学诺奖Sims能得到有一半都是因为发明了这玩意~~）

金融风险管理中VAR的计算。

正在复习期末考试，看到了var

第一问:

var＝σ(波动率)×α(99%置信水平为1.65，95%的置信水平为2.33)×w(总资产)

这个波动率可采用正态分布法,历史模拟法,蒙特卡罗模拟法之一。

我不知道你有数据不，他说的任选股票，你去百度一下，应该有人发布了这类问题σ的值。

2.3问我没看，不属于我的考试范围，我没太多时间，不好意思。

我学的是金融风险管理，只不过我没用书，学的老师的课件，你可以去百度下

var模型一般在什么情况下使用呢？

var模型一般在：市场有效性假设；市场波动是随机的，不存在自相关，情况之下使用。

利用数学模型定量分析社会经济现象，都必须遵循其假设条件，特别是对于我国金融业来说，由于市场尚需规范，**干预行为较为严重，不能完全满足强有效性和市场波动的随机性，在利用VaR模型时，只能近似地正态处理。

VaR按字面的解释就是处于风险状态的价值，即在一定置信水平和一定持有期内，某一金融工具或其组合在未来资产价格波动下所面临的最大损失额。

扩展资料：

VaR基本模型

根据Jorion（1996），VaR可定义为：

VaR＝E（ω）－ω＊①

式中E（ω）为资产组合的预期价值；ω为资产组合的期末价值；ω＊为置信水平α下投资组合的最低期末价值。

又设ω＝ω0（1＋R）②

式中ω0为持有期初资产组合价值，R为设定持有期内（通常一年）资产组合的收益率。

ω＊＝ω0（1＋R＊）③

R＊为资产组合在置信水平α下的最低收益率。

根据数学期望值的基本性质，将②、③式代入①式，有

VaR＝E［ω0（1＋R）］－ω0（1＋R＊）

＝Eω0＋Eω0（R）－ω0－ω0R＊

＝ω0＋ω0E（R）－ω0－ω0R＊

＝ω0E（R）－ω0R＊

＝ω0［E（R）－R＊］

∴VaR＝ω0［E（R）－R＊］④

上式公式中④即为该资产组合的VaR值，根据公式④，如果能求出置信水平α下的R＊，即可求出该资产组合的VaR值。

参考资料来源：百度百科-VAR方法

参考资料来源：百度百科-var模型

结构方程待估计的自由参数个数怎么看

在统计学中，自由度指的是计算某一统计量时，取值不受限制的变量个数。通常df=n-k。其中n为样本含量，k为被限制的条件数或变量个数，或计算某一统计量时用到其它**统计量的个数。自由度通常用于抽样分布中。
释义
统计学上的自由度是指当以样本的统计量来估计总体的参数时， 样本中**或能自由变化的自变量的个数，称为该统计量的自由度。
2应用
首先，在估计总体的平均数时，由于样本中的 n 个数都是相互**的，从其中抽出任何一个数都不影响其他数据，所以其自由度为n。
在估计总体的方差时，使用的是离差平方和。只要n-1个数的离差平方和确定了，方差也就确定了；因为在均值确定后，如果知道了其中n-1个数的值，第n个数的值也就确定了。这里，均值就相当于一个限制条件，由于加了这个限制条件，估计总体方差的自由度为n-1。
例如，有一个有4个数据(n=4)的样本，其平均值m等于5，即受到m=5的条件限制，在自由确定4、2、5三个数据后， 第四个数据只能是9，否则m≠5。因而这里的自由度υ=n-1=4-1=3。推而广之，任何统计量的自由度υ=n-k（k为限制条件的个数）。
其次，统计模型的自由度等于可自由取值的自变量的个数。如在回归方程中，如果共有p个参数需要估计，则其中包括了p-1个自变量（与截距对应的自变量是常量1）。因此该回归方程的自由度为p-1。
这个解释，如果把“样本”二字换成“总体”二字也说得过去。
在一个包含n个个体的总体中，平均数为m。知道了n-1个个体时，剩下的一个个体不可以随意变化。为什么总体方差计算，是除以n而不是n-1呢？方差是实际值与期望值之差平方的期望值，所以知道总体个数n时方差应除以n，除以n-1时是方差的一个无偏估计。