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.     

Copula函数的选择：方法与应用

针对目前Copula函数在实际应用中的选择问题,本文通过非参数法得到了它们的分布函数图及其经验分布图并进行了比较,然后利用一种解析法对其进一步的选择,并通过Q-Q图比较了各种模型的拟合程度,最后进行了拟合优度检验,得到了最优的Copula。最后对国内的上证A股指数和上证B股指数进行了实证分析,结果体现了该方法的有效性。     

关于区间估计和假设检验的一点注记

给出了当枢轴量和检验统计量的分布密度为单调函数时,寻找最优置信区间方法,并说明了在此条件下进行假设检验选择单侧拒绝域的合理性。     

具有n次多项式截面的Copula函数

本文构造一类具有n次多项式截面的Copula函数C(x,y),并给出了C(x,y)是Copula函数的两个充分必要条件,同时推导出此类Copula函数的若干性质,包括对称性和相关度量等.     

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.     

基于Copula函数和极值理论的金融传染度量——测度美国次贷危机对重要经济体的传染效应

基于Copula函数和极值理论研究美国次贷危机对重要经济体的传染效应,首先根据信息准则来选取Copula函数,然后用Cvm和Ks统计量来检验Copula函数的拟合程度,确保选取合适的Copula函数,并在此基础上计算一般相关系数和尾部相关系数;实证发现使用尾部相关系数度量金融传染并不可靠,因此基于Copula函数和极值理论的POT模型,构造了尾部附近相关系数并通过实证分析了其用于金融传染的有效性.结果表明发达国家所受传染较重,中国所受传染较轻.     

基于藤Copula方法的巨灾风险条件VaR预测

为准确预测巨灾风险的条件VaR,应用藤Copula方法刻画巨灾损失变量间的相关结构,进而得到损失变量间的联合分布和条件分布函数,最终实现对条件VaR的估计.对全球洪水的损失数据进行实证分析,利用核密度估计检验法从常用多元Copula中选出最优的Copula作为比较对象,回测检验结果表明:准确刻画相关结构是精确估计条件VaR的关键,藤Copula方法对巨灾风险条件VaR的预测能力要优于常用多元Copula方法.     

基于Spearman的rho的Copula参数模型的选择

从Spearman的rho与Kendall的tau的关系入手,讨论了一类二元Copula参数模型的选择问题.由于这类二元Copula参数模型的Spearman的rho与Kendall的tau存在某种函数关系,模型选择问题转化为了曲线拟合检验问题.对于正态Copula、Frank-Copula,FGM-Copula、B11-Copula等这类Copula参数模型,说明了两种情况下进行模型选择的方法,并对中国股市的上证指数与深证综指作了实证分析,结果表明两者存在着较强的正相关性,相关性模型选取B11-Copula参数模型最合适.     

Copula函数在金融市场中的应用

本文旨在通过构造Copula模型,研究股市大盘和房地产(万科)股票之间的相关性与极值情况下的尾部相关性.在边缘分布的求取上,选用非参数核密度法分别估算出股市大盘和房地产股票的边缘分布函数值;在Copula函数的选择上,为选出最优Copula模型,选用多种方法结合包括二元分布直方图法、Q-Q图法、平方欧氏距离法;在Copula函数的参数估计上,采用惯用的极大似然估计法(MLE).其中,Q-Q图法首次应用在检验无分布函数的数据上.分析结果展现出二元t-Copula模型相对其他Copula模型可以更佳地拟合出这两支股票的联合分布;大盘股票与万科股票趋于较强的正向相关性;而极值情况下的尾部相关性相比一般时刻的正向相关性有所降低.     

藤Copula模型与多资产投资组合VaR预测

投资组合风险管理往往涉及多个资产,在传统的二元Copula函数面临"维度诅咒"问题及多元Copula函数刻画多变量联合分布时其精确性和灵活性存在各种局限性的情况下,引入藤Copula刻画多个资产收益的联合分布,基于不同的Pair-Copula类别构建藤Copula,运用蒙特卡罗模拟方法计算多资产投资组合的VaR,通过Kupiec和Christoffersen返回检验方法测试藤Copula模型的VaR预测效果,并与传统方差-协方差风险管理方法做比较。实证分析表明,传统的方差-协方差风险管理方法和基于正态Pair-Copula作为藤Copula构建模块的方法不能通过多资产投资组合的VaR预测返回检验;而基于student-t Copula、Clayton Copula具有尾部分布特征的Copula作为构建模块的藤Copula模型能够有效地用于多资产投资组合VaR预测,从而更好的用于指导实践。     

基于Copula的VsR度量与事后检验

估计VaR的传统方法有三种:协方差矩阵法、历史模拟法和蒙特仁洛模拟法。通常,文献中认为刚蒙特卡洛模拟法度量VaR有很多方面的优点。但是,本文通过实证检验发现,使用传统蒙特卡洛模拟法估计的VaR偏小,事后检验效果很不理想。本文引入Copula函数来改进传统的蒙特卡洛模拟法。Copula函数能将单个边际分布和多元联合分布联系起来,能处理非正态的边际分布,并且它度量的相关性不再局限于线性相关性。实证检验表明,基于Copula的蒙特卡罗模拟法可以更加准确地度量资产组合的VaR。     

基于Copula的金融资产相关结构建模

分析了几种相关结构函数(Copula)表示的相关结构模型,给出了用相关结构函数对金融资产间的相关结构进行建模的方法.结果表明混合Gumbel(M-Gumbel)相关结构函数能较全面地描述上海深圳两证券指数的相关结构,模拟计算VaR的结果支持了实证分析的结论.     

基于Spearman ρ的时变Copula模型的模拟及应用

本文从Spearmanρ入手,利用Spearmanρ在非线性单调变换的情况下保持不变的特点,以及与条件期望预测机制存在的非线性的关系,提出建立时变Copula的模型的新方法;通过建立时变FGM-Copula模型的实例分析表明,这种构建Copula模型的方法较好捕捉了相依机制的时变性,预测了随机变量的趋势,具有一定的优越性。     

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.     

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Copula和极值理论的在险价值度量

针对传统孤立使用GJR模型、极值理论、Copula理论进行风险分析的不足,把GJR模型、极值理论和Copula理论有机的结合起来,给出了基于Copula和极值理论的投资组合VaR的测度方法.首先利用GJR模型刻画单个资产收益率中的自相关和异方差现象,获得近似独立同分布的新息序列,再分别应用高斯核估计的方法、极值理论拟合新息序列的分布函数的内部和两尾,利用Copula函数有效捕抓了市场之间的波动溢出效应,最后使用Monte Carlo模拟法,计算出投资组合的VaR值.实证结果表明,基于Copula和极值理论的VaR度量方法比历史模拟法更有效.     

Modelling Specific Interest Rate Risk with Estimation of Missing Data

For the treatment of specific interest rate risk, a risk model is suggested, quantifying and combining both market and credit risk components consistently. The market risk model is based on credit spreads derived from traded bond prices. Though traded bond prices reveal a maximum amount of issuer specific information, illiquidity problems do not allow for classical parameter estimation in this context. To overcome this difficulty an efficient multiple imputation method is proposed that also quantifies the amount of risk associated with missing data. The credit risk component is based on event risk caused by correlated rating migrations of individual bonds using a Copula function approach.     

包含股指期货的投资组合之风险研究——Copula方法在金融风险管理中的应用

本文运用Copula方法研究了含股指期货的投资组合的风险度量问题.由于股指期货和股票现货之间存在很大的相关性,因此在度量组合的风险时,各资产间的相关结构起到了关键作用,但这一相关结构很难用线性的相关系数去刻画,本文采用Copula模型来描述相关结构。而后,我们构建了基于Copula理论的风险度量指标PVaR,并验证了不同Copula模型的拟合效果.我们利用沪深300指数的数据来研究股指期货和现货的相关结构,并使用了多种Copula函数结合不同的边际分布假设进行了模拟,说明了Copula方法在风险度量尤其是包含了股指期货的投资组合的风险度量上具有较高的精确性.