2025年大学《数学与应用数学》专业题库- 概率统计在市场风险估计中的应用

2025年大学《数学与应用数学》专业题库——概率统计在市场风险估计中的应用考试时间：______分钟总分：______分姓名：______一、选择题（本大题共5小题，每小题3分，共15分。在每小题给出的四个选项中，只有一项是符合题目要求的。）1.某投资组合包含两种资产，资产A的预期回报率为12%，标准差为20%，资产B的预期回报率为8%，标准差为10%。假设两种资产的回报率不相关，为了构建一个预期回报率为10%的投资组合，最优的投资比例（按投资金额计算）是：A.60%投资于资产A，40%投资于资产BB.40%投资于资产A，60%投资于资产BC.80%投资于资产A，20%投资于资产BD.20%投资于资产A，80%投资于资产B2.在风险管理中，VaR（在险价值）通常被定义为在给定置信水平下，投资组合在未来特定持有期内可能遭受的最大损失。关于VaR，下列说法中错误的是：A.VaR提供了一种度量投资组合潜在损失的视角。B.VaR假设未来的损失分布与历史数据一致。C.VaR能够告诉我们损失超过特定值的概率。D.VaR可以完全规避投资组合的尾部风险。3.假设某资产日回报率服从正态分布，均值为0.1%，标准差为1%。为了计算该资产99%的VaR（按投资金额计算），应使用的临界值（z值）最接近于：A.-2.33B.-2.57C.2.33D.2.574.在使用历史模拟法计算VaR时，下列哪种情况会导致计算出的VaR值增大？A.资产回报率的历史数据波动性减小。B.选择更长的历史数据回溯期。C.资产回报率的均值增大。D.选择更短的持有期。5.协方差矩阵是多资产投资组合风险分析中的重要工具。对于包含两种资产A和B的投资组合，其协方差矩阵的表达式为[σ²<0xE1><0xB5><0xA3>,cov(A,B);cov(A,B),σ²<0xE1><0xB5><0xA4>]。如果资产A和B完全不相关，那么该协方差矩阵的对角线元素（即方差项）满足：A.σ²<0xE1><0xB5><0xA3>+σ²<0xE1><0xB5><0xA4>=0B.cov(A,B)=0C.σ²<0xE1><0xB5><0xA3>=σ²<0xE1><0xB5><0xA4>=0D.cov(A,B)²=σ²<0xE1><0xB5><0xA3>*σ²<0xE1><0xB5><0xA4>二、填空题（本大题共5小题，每小题3分，共15分。）6.假设某风险因素X服从均值为100的标准正态分布。为了对冲一个持有价值1000万元、对风险因素X敏感度为0.5的投资头寸，需要建立一个价值为______万元、方向相反的衍生品头寸。7.VaR衡量的是投资组合在特定持有期内可能发生的______损失，但它不提供关于损失发生概率的完整信息，特别是尾部风险的度量。8.假设某资产回报率服从正态分布，其日预期回报率为0.2%，日波动率为1%。那么该资产在未来10个交易日内预期回报率的方差为______。9.在计算投资组合的方差时，如果两种资产完全不相关（相关系数为0），则组合方差的公式可以简化为σ²<0xE1><0xB5><0xA3>²w<0xE1><0xB5><0xA3>²+σ²<0xE1><0xB5><0xA4>²w<0xE1><0xB5><0xA4>²，其中w<0xE1><0xB5><0xA3>和w<0xE1><0xB5><0xA4>分别是两种资产的投资权重。这个简化公式体现了投资组合分散化作用的______。10.假设VaR在99%的置信水平下为500万元，持有期为1个月。这意味着在未来的1个月内，投资组合损失超过500万元的概率估计为______。三、计算题（本大题共3小题，每小题10分，共30分。）11.某投资组合包含两种资产，投资金额分别为1000万元和2000万元。资产A的预期回报率为10%，标准差为15%；资产B的预期回报率为8%，标准差为20%。假设两种资产的回报率协方差为300。计算该投资组合的预期回报率、方差和标准差。12.假设某资产的历史日回报率数据（已按年化处理）如下：[3%,-1%,5%,2%,-2%,4%,1%]。使用这些数据计算该资产回报率的样本均值、样本方差和样本标准差。13.某投资组合经理使用历史模拟法计算了其投资组合在99%置信水平下的1日VaR为200万元。该投资组合的持有期为10天。请计算该投资组合在99%置信水平下的10天VaR（假设回报率服从独立同分布）。四、应用与分析题（本大题共2小题，每小题17.5分，共35分。）14.假设某商业银行持有大量以美元计价的贷款，贷款的月度违约损失率（LGD）服从均匀分布，范围在0%到20%之间。该银行想知道在未来一个月内，其这部分贷款组合的预期损失（ES）超过1%的概率有多大？请解释计算ES与VaR的区别，并简述如果LGD不服从均匀分布，将如何影响ES的计算。15.简述GARCH模型在市场风险估计中，特别是在波动率建模方面的作用。为什么使用GARCH模型估计波动率比使用历史标准差更优越？请结合金融市场的特点解释GARCH模型能够捕捉到波动率时变性的原因。---试卷答案一、选择题1.B2.C3.A4.B5.B二、填空题6.5007.非预期8.0.019.减小10.1%三、计算题11.解析：首先计算两种资产的投资权重，w<0xE1><0xB5><0xA3>=1000/(1000+2000)=1/3，w<0xE1><0xB5><0xA4>=2000/(1000+2000)=2/3。预期回报率E(R<0xE1><0xB5><0xA3><0xE1><0xB5><0xA4>)=w<0xE1><0xB5><0xA3>E(R<0xE1><0xB5><0xA3>)+w<0xE1><0xB5><0xA4>E(R<0xE1><0xB5><0xA4>)=(1/3)*10%+(2/3)*8%=6%+16/3%=10%。投资组合方差Var(R<0xE1><0xB5><0xA3><0xE1><0xB5><0xA4>)=w<0xE1><0xB5><0xA3>²Var(R<0xE1><0xB5><0xA3>)+w<0xE1><0xB5><0xA4>²Var(R<0xE1><0xB5><0xA4>)+2*w<0xE1><0xB5><0xA3>*w<0xE1><0xB5><0xA4>cov(R<0xE1><0xB5><0xA3>,R<0xE1><0xB5><0xA4>)=(1/3)²*15²+(2/3)²*20²+2*(1/3)*(2/3)*300=(1/9)*225+(4/9)*400+(4/9)*300=25+160+120=305。投资组合标准差Std(R<0xE1><0xB5><0xA3><0xE1><0xB5><0xA4>)=sqrt(305)≈17.46%。答案：预期回报率10%；方差305%；标准差约17.46%。12.解析：样本均值E(R̂)=(3-1+5+2-2+4+1)/7=10/7%。样本方差S²<0xE2><0x82><0x98>=[(3-10/7)²+(-1-10/7)²+(5-10/7)²+(2-10/7)²+(-2-10/7)²+(4-10/7)²+(1-10/7)²]/(7-1)=[(-17/7)²+(-17/7)²+(25/7)²+(-4/7)²+(-24/7)²+(18/7)²+(-3/7)²]/6=[289/49+289/49+625/49+16/49+576/49+324/49+9/49]/6=(1924/49)/6=319/49。样本标准差S<0xE2><0x82><0x98>=sqrt(319/49)=sqrt(319)/7≈17.86%。答案：样本均值10/7%；样本方差319/49%；样本标准差约17.86%。13.解析：根据独立同分布假设，n天回报率的方差是1天回报率方差的n倍。VaR是基于回报率分布的特定分位数。若1日99%VaR为200万元（表示损失超过200万元的概率为1%），则10天99%的VaR对应的是10天回报率分布中损失超过200万元的那个分位数点。由于标准正态分布的对称性，如果Z为1日VaR对应的Z分数，则10日VaR对应的Z分数大约为Z*sqrt(10)（这是近似，因为未考虑分布偏度等）。更准确的方法是基于对数正态分布或使用蒙特卡洛模拟，但题目要求简单计算，且未提供具体分布，通常采用线性近似。200*sqrt(10)≈200*3.162≈632.4万元。但更常见的简化假设是VaR值线性缩放，即10天VaR≈200*sqrt(10)≈632.4万元。考虑到题目数据和常见简化，结果应接近632.4。若按线性近似，答案为200*sqrt(10)≈632.4万元。此处采用线性近似结果。答案：约632.4万元。四、应用与分析题14.解析：预期损失（ES）是指在给定置信水平下，预期将发生的最大损失。对于99%置信水平的ES，它表示在未来一个月内，损失超过该值的概率为1%。这与VaR不同，VaR只告诉我们损失不会超过该值的概率是99%，但它不提供关于超过VaR值后损失分布的信息。ES考虑了所有超出VaR部分的平均预期损失。计算ES需要知道LGD的具体概率分布。在本题中，LGD均匀分布于0%到20%。ES可以通过对LGD分布的尾部积分计算得到。ES=∫<0xE2><0x82><0x99>0.01(LGD-0.01)dLGD/∫<0xE2><0x82><0x99>0.011dLGD=[LGD²/2|<0xE2><0x82><0x99>0.01]/(0.2-0)=(0.01²/2-0²/2)/0.2=0.0001/0.4=0.00025=2.5%。所以，ES超过1%（即超过0.01）的概率为：P(LGD>0.01)=(0.2-0.01)/(0.2-0)=0.19/0.2=0.95。即LGD超过0.01的概率为95%。因此，在未来一个月内，贷款组合的预期损失（ES）超过1%的概率是95%。如果LGD不服从均匀分布，例如如果高损失率的可能性更小（分布右偏），那么计算出的ES值会较低，尾部风险似乎较小；反之，如果高损失率的可能性更大，ES值会较高，尾部风险较大。这会影响银行对风险定价和资本要求的决策。答案：ES；非预期；0.01；减小；1%；95%。15.解析：GARCH（GeneralizedAutoregressiveConditionalHeteroskedasticity，广义自回归条件异方差）模型在市场风险估计中主要用于捕捉和预测资产回报率的波动率时变性。金融市场的波动率并非恒定不变，而是表现出集群性（volatilityclustering），即大的波动倾向于跟随大的波动，小的波动倾向于跟随小的波动。GARCH模型通过引入过去波动率的滞后项和/或其平方项作为解释变量，来解释当前条件波动率的大小，从而有效地捕捉了这种波动率的聚类效应。相比之下，简单的历史标准差只是对过去一段时间波动率的简单平均或估计，它忽略了波动率的动态变化和集群性特征，导致对近期波动率的估计不足，特别是在市场剧烈波动时。因此，GARCH模型通过建模波动率的动态路径，能够提供对未来波动率的更准确、更及时的预测