时变t-copula蒙特卡罗模拟的亚洲股指组合风险研究

应用时变条件t-copula函数描述沪市与亚洲主要股票市场指数收益序列之间的时变相依结构.时变条件t-copula模型的难点在于如何设定时变相依参数的演化方程,建立了用于描述包含时变自由度在内的所有时变相依模型参数的演化方程.进而采用蒙特卡洛仿真方法计算了各种指数组合的VaR,分析了沪综指与亚洲主要股指组合风险的演化趋势,并对结果进行后验测试,结果表明,时变条件t-copula函数仿真估计VaR可以覆盖最大损失风险.     

深证成指周收益率波动性的实证研究

利用GARCH模型,对深圳成分指数的周收益率波动性进行了实证研究。以深证成指周收盘数据建立了GARCH模型,利用估计出的GARCH模型得到深证成指周收益率序列的条件方差的估计值,预测出深证成指周收益率序列未来若干期的条件方差。结果表明,深证成指周收益率序列的波动性可以用GARCH模型进行很好的拟合。     

基于Clayton Copula-GARCH模型投资组合VaR的度量

运用Copula方法研究了含股指期货的投资组合的风险度量问题.首先采用不同的GARCH模型对单个资产收益率建模,然后选择Clayton Copula函数来描述投资组合各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VaR.Kupiec检验表明,ClaytonCopula-GARCH模型在投资组合风险度量上具有较高的准确性.     

基于Copula函数的组合资产条件相依性模型研究

条件概率分布常用来研究马尔科夫序列相依模型的构建,组合资产的相依结构受多方面的影响,资产之间的相互影响与时间上的记忆效应是组合资产两类主要的相依关系.结合条件概率的理论建立基于Copula函数相依关系模型,研究组合资产之间同期相依关系及时间上的短期相依关系,提出了模型参数的三阶段极大似然估计方法.     

非参数核密度估计与Copula

本文提出非参数核密度估计-ML方法来估计Copula函数中的未知参数;再由统计检验推断得到能较好描述金融资产之间非线性相关结构的Copula。实证分析表明:可以利用Clayton Copula、Gumbel Copula来描述A股市场上证指数与深证成指之间的非线性相关结构.     

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SVt-EVT-Vine Copula的投资组合VaR研究

针对现有风险度量模型不能准确的模拟高维金融资产收益率风险,以上证指数、沪深300指数和股指期货指数为例,首先利用SVt和EVT对各序列的边缘分布进行建模,然后采用Vine Copula方法分析多序列之间的秩相关关系和极大似然值估计法估计参数,得到RVine,CVine和DVine三种不同树结构的分解模型,通过Monte Carlo模拟法计算出在同一边缘分布不同Vine Copula方法下和在不同边缘分布同一Vine Copula方法下单资产和投资组合的金融风险VaR.经实证检验并分析对比,VaR和返回式检验均表明SVt和EVT相结合对边缘分布有较好的拟合效果,再运用RVine描述资产间的相依结构在度量投资组合金融风险方面更准确合理.     

基于三维Copula函数的金融指数相关性分析

给出了三维Copula函数模型中未知参数的估计方法及最优三维Copula函数的选择方法,此构造方法对研究多变量之间的相依性提供了新途径.通过对上证指数、深圳成指及创业板指的历史数据进行实证分析,选出了最优三维Copula函数以描述三者之间的相关性,并分析三者之间的尾部相关性.     

基于动态调整的Copula-非线性分位数回归资产组合优化

为优化资产组合方案,考虑单资产分布的非对称性、异方差性、尖峰厚尾性等特征,资产之间的时变非线性相关性,建立了Copula-非线性分位数回归模型。本文的创新与特色,一是通过构建期望超额收益率与考虑动态损失厌恶效应的VaR比率函数,确定了目标函数的表达式,改变了使用超额收益率标准差度量风险,而实证研究中更关注资产的损失风险而非全部风险,未考虑投资者对于收益与损失非对称偏好的不足;二是通过建立基于支持向量机的非线性分位数回归模型,确定了边缘分布函数表达式,解决了普通模型无法处理非对称、非线性,依赖于分布假设的不足;三是通过构建混合Copula函数,确保能够有效捕捉金融市场中的尾部相关、非对称性,完善了刻画资产之间相关关系的模式;四是通过建立风险非线性叠加的资产总风险评价模型,确定了资产组合总风险的表达式,弥补了现有风险评价模型未考虑资产间的相关性的不足。实证结果表明,本文建立的模型预测性能高于其它模型,该模型有更高的VaR比率值,在单位风险下能够获得更高的资产组合效果。     

企业债券组合的优化问题研究

信用风险已成为金融业面临的最重要风险形式.通过结构模型估计企业债券的未来价格,建立了投资损失函数,并利用CV aR风险度量方法构造了期望收益最大化的债券组合优化模型,最后利用我国债券市场数据进行了实证分析.     

基于多维Gumbel Copula函数的投资组合VaR分析

基于目前国内有关Copula函数的实证研究主要是研究二种资产的相关性为主,文章根据Copula函数在构建反映随机变量实际分布与相关性的联合分布函数上具有的优势,首先利用GJR模型构建资产的边缘分布,接着利用多元阿基米德Copula函数族中的Gumbel Copula函数构建了反映多个资产收益实际分布和相关性的联合分布函数,并使用蒙特卡罗模拟技术,分析在不同置信度下的投资组合的最小风险价值(VaR)及其资产组成,实证说明根据文章提出的模型度量资产的风险,可以使投资者选择的资产更加稳健,同时也有利于投资者对投资组合整体风险进行分散和监管。     

基于藤结构 Copula 模型的中国股市风格资产相依结构研究

首先采用AR（1）-GJR（1,1）-SkT（73,A）模型来刻画中国股市风格资产（大盘成长、大盘价值、中盘成长、中盘价值、小盘成长、小盘价值）的边缘分布,接着结合各边缘分布的残差,引入C—VineCop—ula和r）IVineCopula模型来描述这六种风格资产之间的相依结构,然后对基于CVineCopula和I）IVineCopula模型的拟合效果进行综合比较．研究结果表明：中国股市各风格资产之间的相依性存在结构性差异,最适合用I）IVineCopula模型来刻画各风格资产之间的相依结构．同类型的风格资产之间的相依程度比不同类型风格资产之间的相依程度要高;在同一类型的风格资产中,资产规模差距越大的风格资产之间的相依系数就越小．无条件的风格资产收益系列之间的相关性要显著大于有条件的风格资产收益系列之间的相关性;最后根据研究结论提出了降低风格资产组合风险的资产配置建议．     

条件VaR和条件CVaR的核估计及其实证分析

VaR和CVaR是目前两种主流风险度量工具。条件VaR和条件CVaR是基于市场风险因子在已知条件(或信息)下的分布来计量和测算VaR和CVaR,能够及时地根据变化的条件来重新估计风险进而进行有效的风险管理,是对传统的基于边际分布的VaR和CVaR指标的有益补充。另外一方面,近年来非参数核估计方法因模型设定灵活、方便处理变量相依结构等优点备受关注。在本文,我们用条件VaR和条件CVaR的非参数核估计法,对我国A股市场的风险进行测算。结果得出:条件VaR和条件CVaR能揭示出深证成指和上证综指之间的不同风险特征;条件VaR和条件CVaR的测算结果并非总是一致;系统风险估计值对已知条件的敏感性高于深发展A和万科A两只股票的个股风险。以上风险特征在边际VaR和边际CVaR下无法得到。     

PLS情绪指数对中国股市风险收益关系的影响研究

从行为金融学角度研究投资者情绪对中国股市风险收益关系的影响,或有助于更好的解释风险收益关系.采用偏最小二乘法(PLS)构建新的投资者情绪综合指数,同时在对风险的度量中运用个股平均相关性代替总体方差来度量市场风险.研究结果表明PLS情绪指数比常用的主成分分析法所构建的情绪指数及单个情绪代理变量能更好的解释股市收益;平均相关性比市场波动更适合作为市场风险的度量指标;投资者情绪对风险收益关系有显著影响,其中在低情绪期风险和收益之间的相关性不显著,而高情绪期风险和收益之间呈现显著的负相关关系.由实证结果可知中国股市投资者存在非理性行为,应从行为金融的角度去考虑资产定价,同时对各指标的准确度量更有利于完善行为资产定价理论.     

高维稀疏对角GARCH模型的估计及应用

高维数据背景下,数据维度和噪声的影响使得传统的GARCH模型不再适用.针对对角GARCH(goGARCH)模型的不足,将高维稀疏建模法应用到其估计过程中,提出了高维稀疏对角GARCH(HDS-goGARCH)模型.HDS-goGARCH模型通过引入惩罚函数,将一些不重要变量的回归系数压缩为零,来精简模型,达到降维的目的.通过模拟和实证研究发现:较传统的goGARCH模型而言,HDS-goGARCH模型明显提高了高维协方差阵的估计和预测效率;并且将其应用在投资组合时:在收益一定的情况下,由HDS-goGARCH模型所构造的投资组合的风险更小.     

股票市场组合的市场风险度量研究——基于相关性模型

利用Copula的特点,灵活选择边缘分布模型、Copula函数和时变参数演化方程,构建16个相关性模型.在此基础上,通过蒙特卡罗模拟,采用VaR和ES度量资产组合的市场风险,并通过回测检验比较不同模型的风险度量效果.以沪深300指数和恒生指数为样本构建投资组合进行实证研究,结果表明,边缘分布模型、Copula时变参数演化方程和Copula函数的选择会影响风险度量的精度.在构建的16个相关性模型中,边缘分布为MSM-EVT,时变参数演化方程为GAS模型,Copula函数为Rotated Gumbel Copula的MSM-EVT-R-GAS模型风险度量效果最好.     

沪深300指数与沪深股市尾部相关性分析

根据沪深股市非线性的特征,利用Kendall秩相关系数与Copula函数之间的关系,对Copula函数的参数进行估计.选择Gumbel Copula、Clayton Copula和Frank Copula来度量上证综指、深证综指和沪深300指数之间的尾部相关性.实证结果分析,Clayton Copula函数能较好的度量出三个指数之间具有较强的下尾相关性,且进行量化后的相关性能够较好刻画股票市场的变化.     

基于高频波动率模型与R-vine copula的行业资产组合风险测度研究

相较于低频波动率模型,高频波动率模型在单资产的波动和风险预测中均取得了更好效果,因此如何将高频波动率模型引入组合风险分析具有重要的理论和现实意义。本文以沪深300指数中的6种行业高频数据为例,运用滚动时间窗技术建立9类已实现波动率异质自回归(HAR-RV-type)模型刻画行业指数波动,同时使用R-vine copula模型描述行业资产间相依结构,进一步结合均值-CVaR模型优化行业资产组合投资比例,构建组合风险的预期损失模型,并通过返回测试比较不同风险模型的精度差异。研究结果表明:将HAR族高频波动率模型引入组合风险分析框架,能够有效预测行业资产组合风险状况;高频波动率预测的准确性将进而影响组合风险测度效果,跳跃、符号跳跃变差以及符号正向、负向跳跃变差均有助于提高行业组合风险的预测精度。     

基于线性样条的门限随机波动率模型及其实证研究

为了刻画金融领域中资产收益的条件均值和波动率的双重非对称性特征,本文基于线性样条的方法提出一种新的门限随机波动率模型(LPTSV),它可以根据到达市场消息的大小和方向来同时描述这两种非对称性情况,可以很好地对资产收益及其波动率进行建模。利用R2WinBUGS软件包对LPTSV模型进行了贝叶斯参数估计。模拟实验说明贝叶斯分析在LPTSV模型的参数估计方面是有效的。最后利用LPTSV模型为上证综合指数和深证成份指数日收益率数据进行了实证分析。描述性统计分析和参数估计的结果均表明:利用LPTSV模型对以上两组数据进行建模是合理的。本文为资产收益和波动率之间的实证关系研究提供了一定的启示。     

基于Copula的金融市场相关分析

本文采用连接函数(copula)方法研究上证和深证市场的相关性。对上证指数和深证成指收益率的边缘分布分别用正则逆Gamma分布(Normal inverse gamma mixture)、偏T分布(Skew Student-t,SST)进行拟合,然后在此基础上采用copula函数方法建立两者的联合分布。其中的copula函数分别用Gumbel-Hougaard copula、Frank copula和Clayton copula,相依参数应用推断函数法(method of inference functions,IFM方法)估计。结果表明沪深两证券市场具有相关性。