动态copula模型及在金融中的应用

copula模型因为能全面和灵活地刻画变量之间复杂的相依结构,因此被广泛应用于金融领域.金融市场的动态发展导致金融变量之间的相关性随时间变化而变化,这种动态相关性可以通过使copula函数或其参数随时间变化进行建模.本文介绍了动态copula模型的引入和发展、目前常见的几种动态copula模型、动态copula模型在金...     

基于copula函数的纵向数据复合分位数回归及变量选择

复合分位数回归(composite quantile regression)具有稳健性好和估计效率高的优势,所以其经常被用来替代均值回归.众所周知,纵向数据具有组内相关的特点,如果估计过程中能正确地利用组内相关性,则可以显著地提高估计效率.因此,探讨纵向数据复合分位数回归中如何使用相关性是一个有意义的问题.本文首先利用copula函数方法构建纵向数据复合分位数回归的组内协方差矩阵,进而基于构建的协方差矩阵,提出一个无偏且有效的基于copula函数的复合分位数回归估计方程;进一步,为了进行变量选择,利用基于copula函数的估计方程,提出一个光滑门限(smooth-threshold)的复合分位数回归估计方程方法.本文提出的方法具有很高的灵活性,而且提高了估计的效率.理论结果以及数值模拟和实际数据分析都验证了本文的方法.     

时长不等数据的vine-copula建模及多资产组合VaR分析

传统的copula模型在对二维以上相依结构建模时存在参数过少的缺陷,vine copula理论基本弥补了这一缺陷.介绍了vine copula理论以及其相对于传统多元模型的优势,尤其提出了vine copula对于时长不一致的数据进行建模具有数据利用率较高的特性,给出了这类数据vine copula的建模步骤以及基于极大似然估计的统计推断.最后对国内A股市场的五种金融股票的联合分布进行建模,并利用蒙特卡罗方法对资产组合的VaR进行了模拟.     

基于Copula函数的应力-强度模型可靠度的非参数估计

本文研究了相关的应力变量和强度变量在右删失的情形下,应力-强度模型可靠度的非参数估计.其中变量之间的相关关系采用常见的Farlie-Gurnbel-Morgenstern copula函数和Clayton copula函数来度量.采用经验过程的理论,本文建立了所提出估计量的相合性及渐近正态性.数值模拟的结果表明所提出的方法在有限样本下表现良好.本文所提出的方法在实际中有广泛的应用前景.     

基于多元泊松模型的累积和控制图设计

多元离散数据在现代制造业中非常普遍,多元泊松控制图常被用来监控此类数据,如MP,MP-CUSUM和MP-EWMA图等.然而,这些控制图都假设数据服从等协方差的多元泊松模型,因为等协方差的多元泊松模型对各个变量之间的相关性有严格的约束,因此应用范围狭窄.本文基于异协方差多元泊松模型,提出GMP-CUSUM累积和控制图.在考虑不同模型,变量偏移个数和偏移大小的情况下,通过蒙特卡洛模拟比较了传统控制图和新控制图GMP-CUSUM的平均运行链长(ARL),证明异协方差多元泊松模型更加适应对多元离散数据的建模,应用范围广,并且新控制图能更快速地检测到异常过程偏移,灵敏度高.     

极值copula的统计推断及实证研究

为了分析由极端事件所引起的巨额损失变量之间的相依关系,本文引入了比一般copula函数更有效的极值copula和上尾copula。我们介绍copula的对角截面以确定上尾相依系数。基于极大似然法,讨论了关于这些copula函数类的半参数估计方法。通过构建Cramer-Von Mises统计量对copula的拟合优度进行假设检验。在实证分析部分,我们通过具体的实例来说明,在应用研究中该如何选取最优的copula以描述变量之间的相关性。     

基于倾斜-t Copula的半参数马尔可夫链

在不指定时间序列结构的情况下,我们的分布模型是基于多变量离散时间的相应马尔可夫族和相关变量一维的边际分布.这样的模型可以同时处理时间序列之间的相互依赖和每个时间序列沿时间方向的依赖.具体的参数copula被指定为倾斜-t. 倾斜-t Copla能够处理不对称,偏斜和粗尾的数据分布.三个股票指数日均收益的实证研究表明,倾斜-t copula的马尔可夫模型要比以下模型更好:倾斜正态Copula马可夫, t-copula马可夫, 倾斜-t copula但无马尔可夫特性.     

隐变量交互作用分析建模及其在SAS上的实现

探讨隐变量交互作用分析的建模方法及其在SA S软件上的实现;首先阐述隐变量交互作用分析建模的原理,通过拟合一个隐变量交互作用分析示例,对加入交互作用项的统计分析结果与无交互作用项的统计分析结果进行对比;示例中交互作用项引起的变异在结果变量的总变异中占到79.20%.在应用结构方程模型分析隐变量产生的效应时,有时候不进行隐变量交互作用的分析可能会产生偏倚.     

基于g函数的多元copula的构造

针对目前多元copula的构造方法存在的局限性,提出了构造多元copula的新方法.本文首先定义的一类新的函数-g函数,基于g函数建立了2-copula的构造方法,并讨论了该方法的存在性与唯一性问题,然后将2-copula的构造方法直接扩展到n-copula构造的情形.最后给出了g函数的一种寻求方法,从而说明此copula构造方法的可行性.     

基于group SCAD惩罚的非对称乘法copula模型选择及其应用

捕捉变量间相依结构中的非对称性有助于把握其间的地位关系.非对称乘法copula模型常用于刻画非对称相依结构,但在应用中面临模型选择问题.文章首次将正则化思想与非对称乘法copula模型相结合,并依据权重参数的群组结构对模型中各copula成分的权重施加group SCAD惩罚,构建惩罚似然函数,采用单步LLA算法得到权重的稀疏估计,自动剔除对模型整体贡献较小的copula成分,实现模型选择.同时,文章还给出了惩罚似然估计量的收敛率及其证明.在数值模拟中,文章所构建的模型选择方法具有较高的准确性与精度,在模型误设定的情形下则会选择出与真实模型最为接近的copula成分组合.在实证分析中,文章应用非对称乘法copula模型分析医药产业板块的横向与纵向关联,从结果来看本文的模型选择方法能较好地应对实际数据,选择出合适的copula成分组合,刻画板块相依结构中潜在的非对称性.     

基于因子隐马尔可夫模型的VaR与ES联合预测

VaR和ES是衡量金融资产风险的重要测度,对风险控制和金融危机的识别具有重要意义。本文以CAViaR模型为基础,通过因子隐马尔可夫模型构造潜变量,作为CAViaR模型的回归系数的组成部分,最终提出了一个含潜变量的VaR和ES联合估计方法(FHM-CAViaR),实现了VaR和ES的联合预测。在该模型中,潜变量由一个因子隐马尔可夫模型驱动,可以刻画市场信息对模型系数带来的长期效应与短期冲击,该因子隐马尔可夫模型的引入实现了分位数回归模型参数在上百个状态间的转换。最后,基于本文提出的FHM-CAViaR模型分别对上证综指、深证综指和纳斯达克指数的对数收益率数据进行实证分析。实证结果表明,本文提出的模型具有更优的预测效果。此外实证结果还表明,在危机期间VaR的序列聚集性有着显著的增加。本文提出的模型可以通过潜变量的变化识别市场的机制变换,且能更精确地对金融资产的VaR以及ES进行估计,给出金融风险度量一种新的研究方法。     

隐马尔可夫多元正态分布参数的极大似然估计

隐马尔可夫模型广泛应用于时间、空间、状态转移数据的统计建模.文章给出了隐马尔可夫多元正态分布的定义,介绍了用聚类分析确定观测变量隐状态的原理,推导了模型中未知参数的极大似然估计量,模拟生成观测数据集检验了该方法的估计效果和稳定性.特色之处是首次提出用聚类分析、极大似然估计等简单的经典统计推断方法解决隐马尔可夫模型的参数估计问题.     

Gauss关联结构图模型的充分降维方法

本文提出了恢复Gauss关联结构(copula)图模型的充分降维方法,该方法在超高维情形下具有很高的计算效率.本质上,充分降维是通过对利用非参数方法估计的相关系数矩阵进行截断来实现的.本文给出了所提方法的理论性质,保证其所估计的边集合以概率趋于1覆盖所有真实存在边的集合.数值模拟研究发现,本文所提方法与现存方法相比有相近的估计表现,而计算效率却更高.最后分析了一组基因数据来展示本文所提方法的实际应用表现.     

基于隐变量的有限混合模型对有序数据的Bayes聚类分析

本文基于隐变量的有限混合模型,提出了一种用于有序数据的Bayes聚类方法.我们采用EM算法获得模型参数的估计,用BIC准则确定类数,用类似于Bayes判别的方法对各观测分类.模拟研究结果表明,本文提出的方法有较好的聚类效果,对于中等规模的数据集,计算量是可以接受的.     

基于高斯过程函数型回归模型的日最高气温研究

极端天气是目前社会热点问题.利用高斯过程函数型回归对北京,上海等10个城市近年来夏季日最高气温进行整体建模.选取城市地理位置信息作为均值函数解释变量,时间和降雨信息作为高斯过程协方差结构解释变量,充分利用模型能够同时捕捉均值和协方差结构的优势,解决多地区日最高气温的整体建模和同步预测问题.研究表明,高斯过程函数型回归模型在随机预测,外延预测,k步预测,以及对于训练数据集以外城市的预测均有较好的效果,且优于一般的函数型数据模型.     

相依稳健t过程函数型ANOVA模型

随着数据的多元化和复杂化,函数型ANOVA模型已经被越来越多的学者研究并应用到各行各业.为了减弱模型对于离群值的敏感度,本文对于相依的多元响应变量提出了一种相依稳健t过程函数型ANOVA模型.为了刻画变量之间的相依性和保证协方差函数的正定性,本文引入了随机效应变量和卷积方法构造了一个协方差函数.另外,模型中引入了随机效应函数去描述研究对象的个体特征.统计性质,例如稳健性和信息相合性在本文中也得到了相应的研究,并通过数值模拟和实例分析来验证此模型的可行性.     

分位数变系数模型基于核光滑的变量选择

分位数变系数模型是一种稳健的非参数建模方法.使用变系数模型分析数据时,一个自然的问题是如何同时选择重要变量和从重要变量中识别常数效应变量.本文基于分位数方法研究具有稳健和有效性的估计和变量选择程序.利用局部光滑和自适应组变量选择方法,并对分位数损失函数施加双惩罚,我们获得了惩罚估计.通过BIC准则合适地选择调节参数,提出的变量选择方法具有oracle理论性质,并通过模拟研究和脂肪实例数据分析来说明新方法的有用性.数值结果表明,在不需要知道关于变量和误差分布的任何信息前提下,本文提出的方法能够识别不重要变量同时能区分出常数效应变量.     

分层混合效应模型迭代广义最小二乘估计的大样本性质

在许多领域中,我们常常需要处理具有分层结构的数据.对于这类数据,分层混合效应模型通过对回归系数进一步建模来刻画出同一层内变量之间的相关性.模型中随机部分比较复杂,这使得协方差矩阵的估计方法成为大家关注的问题.Goldstein(1986)提出了迭代广义最小二乘估计,并将它应用于一类特殊的分层模型——方差成分模型中,本文对其进行推广,对更一般的分层混合效应模型给出迭代广义最小二乘的具体表达形式,并运用到经济实例的分析中.     

带有缺失数据的纵向隐马尔可夫因子模型的贝叶斯分析

隐马尔可夫因子模型在刻画多元纵向数据的关联性和异质性具有重要作用.在实际应用中,观测数据往往呈现缺失数据.本文在纵向框架内,对缺失的数据提出了一个建模.使用一个多项模型去拟合缺失数据指标,并提出用一系列一维条件分布的联合分布来建模.每个一维条件分布不仅取决于当前变量的观测值,而且也糅合以前的观测值和丢失的信息.在贝叶斯框架内,马尔可夫链蒙特卡罗方法用于实现后验分析.带有Metropolis-Hastings算法的Gibbs采样器被用来从相关的满条件分布中抽取随机样本.后验推断基于这些模拟观测值进行展开.我们进行了模拟研究.实证结果表明,所提出的方法在模型是正确指定时是十分有效的,而且对模型偏移也具有一定的稳健性.     

偏正态混合模型的惩罚极大似然估计

在分析具有异质性和非对称性数据时,偏正态混合模型提供一种比经典的Gauss混合模型更为灵活的建模方式.然而,由于无界的似然函数和发散的形状参数,该模型的极大似然估计并未被正确定义,进一步导致不理想的推断过程.为同时解决这两个问题,本文基于惩罚似然提出一种新的估计方案,并证明在混合分布的类别个数大于或等于真实的类别个数时,相应的惩罚极大似然估计是强相合的.同时,本文也提出相应的惩罚EM (expectation maximization)算法来计算惩罚估计.最后,通过模拟分析与现有方法比较研究估计方法在有限样本下的表现,并采用两个实例说明方法的有效性.