基于半参数多元Copula-GARCH模型的开放式基金投资组合风险分析

利用Copula技术对我国开放式基金市场的投资组合进行了风险分析。为克服传统Copula模型对金融尾部数据刻画能力的不足,建立了半参数的多元Copula-GARCH模型,灵活地对各支基金的边缘分布进行拟合,刻画了开放式基金投资组合的相依结构。并利用基于Copula技术的蒙特卡洛模拟,对投资组合进行了VaR分析,结果证实了所建立模型的可行性和有效性。     

应用复合极值理论计算VaR1

本文介绍了一种复合极值理论,并将其应用到VaR的计算上。实际中大的损失发生的频率也是风险的一种度量,在应用复合极值理论方法计算VaR时,我们第一次将在一定时期内金融资产的损失率超过一定阈值的次数的分布和收益率的分布结合了起来,对欧元/人民币、日元/人民币两种汇率进行了VaR的计算,经过实证分析,得到了一些有意义的结果。     

基于积累线性模型的证券单笔交易模型

积累线性模型是处理自变量为连续变量、因变量为离散变量时的常用方法。而单笔交易中证券价格的变动为离散变量,本文采用积累线性模型为其建模,得到了在一定的交易方向和交易量下,证券价格变动的条件概率分布。理论与实证结果均显示,积累线性模型更适合用于建立单笔交易模型;其中序次Logisic回归又比序次Prob it回归的拟合效果更好。使用积累线性模型建立的证券单笔交易模型具有良好的应用前景。     

基于Zipf律的尾部特征分析及VaR计算

分布的尾部特征分析在许多领域都非常重要，估计和分辨尾部服从幂律特征还是指数特征非常重要。在本文中，我们提出了在分析数据的Zipf幂律的基础上来分辨尾部特征的方法。通过实证分析，我们得出了上证指数收益率的确存在具有尺度不变性的Zipf幂律现象，然后分布的尾部特征就被确定，并得到了尾部指数的一种简单的估计方法，最后对该市场的在险价值（VaR）进行了计算和分析。     

基于收益率修正分布的VaR估计

本文针对正态分布在拟合厚尾分布上的不足提出了两种修正方法——参数修正方法和非参数修正方法,经过实证分析我们发现经过修正的分布能更好地拟合厚尾分布,相应的VaR值的预测效果也更好,其中非参数修正得到的VaR预测效果最佳。     

c-D-Copula模型构建及其在金融风险传染中的应用

金融危机的频繁发生,使得国际金融传染的研究成为了一个重要的课题.文章在动态Copula模型的基础上,对其参数的动态演变方程进行推广,借鉴c-DCC模型的思想假定其截距项存在结构突变,构建了c-D-Copula模型.为了避免人为选择结构性变化时间,对c-D-Copula模型进行变点检测,由数据驱动自动选择断点.为了进行比较分析,同时给出了动态演变方程的参数全部变化的变结构全模型,并给出了相应的假设检验方法.文章选择美国标准普尔500指数和全球主要5个国家(地区)的股票指数的对数收益率进行实证研究,通过检验得出大多数情况下用c-D-Copula模型比变结构全模型更合适对数据进行描述.通过这5个国家或地区与美国之间联动性的动态变化,对美国次贷危机金融传染的存在性和变化过程进行了研究,变点时刻和下尾部相依系数的实证结果表明所分析的国家和地区都受到了美国次贷危机的传染.     

大维乘积随机矩阵谱分布在因子分析中的应用

建立了一个简单实用的估计大维因子模型的因子个数方法. 特别当残差服从线性时间序列模型时, 给出了其参数的估计方法.另外也给出了这些估计量的极限理论性质.最后的模拟结果和实证分析显示本方法是有意义和有效的.     

基于局部相关系数的美国次贷危机传染分析

全球经济金融一体化的不断深入使得全球性的金融危机频频爆发。因此,金融危机传染的分析与检验便变得十分重要。本文首先运用非参数回归模型,通过局部多项式方法对股指收益率之间的局部相关系数进行估计,并在不同的置信水平下对局部相关系数的变化进行假设检验,通过定量地判断局部相关系数是否突然增大来检验危机传染的存在性,同时简单地刻画了危机传染的程度,并且指出了危机传染的具体时间段。最后应用上述方法对美国次债危机在各个国家或地区之间的传染效应进行了实证检验,证实了本文给出的检验方法的可行性,并得到了一些有意义的结论。     

异质性、自选择偏差和教育收益率

采用广义选择修正法,在考虑异质性和自选择偏差问题基础之上,结合最新的调查数据,评估了我国2006年高等教育收益率,并与传统模型下的研究结果进行了比较.同时还分析了其他非实验数据效应评估模型在本文的适用性.研究结果表明,随着经济改革深化和劳动市场的完善,2006年的高等教育收益率较之前有了显著的提高.另外,还发现可观察的异质性不明显,但不可观察的异质性和自选择偏差选择显著存在,且人们会根据自己的比较优势选择是否接受高等教育.     

上市公司信用风险分析模型中的变量选择

当前上市公司信用风险数据所呈现出的高维度以及高相关性的特点严重影响了信用风险模型的准确性。为此本文结合已有算法以及信用风险模型的特点设计了一种新的基于非参数的变量选择方法。通过该方法对上市公司用风险相关变量进行分析筛选可以消除数据集中包含的噪声变量以及线性相关变量。本文同时还针对该方法设计了高变量维度下最优解求解算法。文章以Logistic模型为例对上市公司信用风险做了实证分析,研究结果表明与以往的变量选择方法相比该方法可以有效的降低数据维度,消除变量间的相关性,并同时提高模型的可靠性和预测精度。