国际碳排放权市场动态相依性分析及风险测度:基于Copula-GARCH模型

选取2009年3月13日-2010年8月4日的CER和EUA交易价格数据,借用CopulaGARCH模型,文章对欧洲气候交易所EUA和CER现货市场与期货市场之间的动态相依性进行了分析。分别选取Student-t DCC、Student-t TVC、Gaussian DCC、G3,ussian TVC和SJCPatton五种动态Copula函数来捕捉市场之间的动态相依性结构,研究表明Student-t DCC动态Copula函数能够更好地描述EUA和CER现货市场与期货市场之间的动态相依性。此外,EUA和CER各市场之间存在较强的对称尾部相依性,而非对称尾部相依性的证据尚不十分充足.进一步地,文章基于动态相依性分析运用Monte Carlo方法模拟国际碳排放权市场投资组合的风险VaR。     

碳市场EUA与CER 期货价格变动关系的实证研究

基于VAR模型,对碳市场中的EUA期货价格和CER期货价格的变动关系进行了实证研究．选取欧洲气候交易所（ECX）的EUA期货价格和CER期货价格作为研究对象,运用Johansen协整检验、Granger因果关系检验、向量误差修正模型、广义脉冲响应函数和方差分解方法形成递进式的计量分析框架．研究结果表明：第一,EUA期货价格与CER期货价格之间存在着相互影响关系;第二,CER期货价格对市场信息的反映比EUA期货价格更为敏感,反映速度更快;第三,两种价格之间,CER期货价格变动的影响起主导作用,更好地发挥了期货的定价功能,两市场间存在杠杆效应．     

基于非参数分布的沪深股市VaR测度

沪深大盘指数的收益率分布函数并不服从通常人们所认为的正态分布.因此,采用一种新的方法—非参数核密度估计,对沪深股指收益率分布进行拟合.该方法不仅很好地刻画了收益率分布的尖峰和肥尾特征,而且由此建立的VaR模型比一般的基于参数分布的VaR模型更能捕捉市场的风险特征,结论也更加准确.     

基于广义双曲线分布的我国股票市场VaR风险度量研究

为更好刻画金融资产收益率偏态厚尾特性,提高VaR风险度量精度。本文首先提出利用广义双曲线(GH)分布对收益率数据进行建模型,从分布尾部特性角度对GH分布和其他常用分布进行了比较研究;其次利用EM算法来解决含有Bessel函数的GH分布的参数估计难问题,并运用随机模拟方法计算VaR值;最后讨论GH分布在我国股票市场VaR风险度量中的应用。     

APARCH 模型在证券投资风险分析中的应用

本首先描述金融时间序列的一般特性，从收益率的波动性与分布两方面进行考虑，建立起计算时变风险值的VaR—APARCH模型，并应用VaR—APARCH模型在多种分布情形下测算了上证综合指数的风险，结果表明基于GED分布的VaR—APARCH模型能够较好地刻画高频时间序列的尖峰肥尾性及杠杆效应等特性。     

基于Copula-GJR-Skewt模型的投资组合风险预测研究

针对多元投资组合的风险预测,采用GJR-Skewt模型刻画单资产的厚尾、有偏特征,以及Copula模型刻画多元投资组合的非线性相关结构,用Monte Carlo方法模拟金融资产的随机分布,并结合滚动时间窗法,对投资组合的未来风险进行样本外动态预测.实证结果表明,Copula-GJR-Skewt模型对资产收益的风险预测能取得满意的效果;在VaR预测性能上,以GJR-Skewt模型作为边缘分布函数时,即使存在系统偏差,也能取得最优预测结果;预设残差服从有偏学生分布时,VaR的预测结果优于正态分布;传统的Garch-Guassian模型预测能力最差.     

股市投资回报过程的长相依性与风险度量

对上证指数对数收益率的长相依性进行了统计检验并完成了相应的统计建模以及参数估计.通过选择分数布朗运动作为刻画股票投资回报的驱动过程,并得到了此模型下股指收益的VaR计算的显式表达式.数值分析的结果显示分数布朗运动模型下的VaR值要高于Black-Scholes模型下的VaR值,这表明长相依性质对于股指风险有很大的影响,在相关的金融风险产品的风险度量中应加以重视.     

沪深股市的相关结构分析与投资组合风险度量——基于ARFIMA-GARCH-Copula模型

金融资产收益率不仅具有尖峰厚尾性、异方差性,还具有长记忆性。基于此,本文建立ARFIMA-GARCH-Copula模型来研究沪深股市的相关结构和等权重投资组合风险值VaR,利用上证指数和深成指数收益率的组合来进行实证研究。首先采用经典R/S分析法检验各个资产收益率的长记忆性,经过分数阶差分后选用GARCH模型建模得到边缘分布。然后选择Copula函数来刻画两资产之间的相关结构,建立联合分布模型。进而采用Monte Carlo方法模拟产生各资产的收益率序列,计算出投资组合的风险值VaR。实证研究表明:沪深股市具有长记忆性,且两者具有对称的尾部相关性;Kupiec检验说明ARFIMA-GARCH-Copula模型较之于GARCH-Copula模型能更准确地度量投资组合风险。     

基于Copula的QDII与排放权资产的投资组合构建

本文介绍了欧盟温室气体排放权交易市场,选择欧洲气候交易所(ECX)推出的欧盟配额(EUA)期货合约作为温室气体排放权资产(即碳资产)的代表,利用Copula函数得到了国内一支QDII基金-南方全球精选基金与该资产收益率的联合分布,并进一步据此得到了两种资产任一组合的收益率的分布函数,然后在不同的显著性水平下确定了具有最小VaR的最优组合系数。对最优组合的分析发现,本文构建的投资组合在收益率高于原QDII基金收益率的同时,其VaR值在各种显著性水平下均低于原QDII基金的VaR,并且最优的组合系数对于特定的VaR水平的敏感度不高,组合策略具有可操作性。     

基于SGT分布的ES估计、后验分析及在沪深股市中应用

由于VaR可能低估尾部风险,巴塞尔委员会在第三次巴塞尔协议~([1])中建议将ES取代VaR作为主要的风险度量工具,因此,有必要提出更精确且稳健的ES估计模型。鉴于股票收益率序列通常同时呈现出尖峰、厚尾、偏斜等特征,为更全面地刻画这些特征,本文采用具有三个形状参数的广义偏t分布(Skewed Generalized T Distribution,SGT)刻画收益率序列的分布形状,该分布囊括了多种常见的主流分布,通过结合能够刻画收益率序列杠杆性的EGARCH模型来估计收益率序列的ES,然后使用Du和Escanciano~([2])最近提出的ES后验分析方法对其稳健性进行评估。在实证研究中,本文将该模型用于估计我国上证综指和深圳成指的日ES,结果表明,本文提出的EGARCH-SGT模型相比常见的基于偏t分布和学生t分布的EGARCH模型明显呈现出对收益率序列更好的拟合效果,且基于该模型估计的ES顺利通过了后验分析,表现出较好的稳健性。