相关性分析中Copula函数的选择

Copula函数在金融分析和风险管理中有广泛的应用,利用Copula函数可以构建组合风险资产的联合收益分布和资产之间的相关性.在构建Copula模型时,一个关键的问题就是如何选择最佳的Copula来拟合实际的金融数据.文章分析了Copula函数选择困难的原因,指出了现有的似然准则选择方法的不足,提出了基于参数Bootstrap技术的对数似然准则检验方法,考虑了更大范围的Copula函数族群,利用模拟实验检验了该方法的选择能力,模拟结果表明对于没有尾部相关性的Copula函数和具有较小的尾部相关性的Copula函数可以较好地进行区分,而且也能区分大部分的具有较大尾部相关系数的Copula函数.同现有的只能区分常见的几类Copula的似然准则选择方法相比,文章提出的方法可以在更大范围内识别不同的Copula函数.     

基于Copula函数的金融时间序列模型述评

结合当前Copula函数及其应用的热点问题,着重评述了基于Copula函数的金融时间序列模型的应用。鉴于利用Copula可以将边际分布和变量间的相依结构分开来研究这一优良性质,在设定和估计模型时便显得极为方便和灵活。从模型的构造、Copula函数的选择、模型的估计以及拟合优度检验等几方面展开阐述和评价,介绍了Copula模型在金融领域中的几类应用,并对Copula理论和应用的新视角进行了展望。     

基于混合Copula函数的C-Vine贝叶斯推断

文章主要采用C-Vine模型,对模型进行贝叶斯推断.C-Vine模型利用二元Copula函数作为组块构造多维的相关结构,通过采用不同的二元Copula函数族来精确地捕捉变量间的相关性.采用Czado等提出的选择准则决定C-Vine模型的具体分解形式.利用AIC信息准则选择C-Vine模型中每条边合适的Copula函数族.利用马尔科夫链蒙特卡罗(MCMC)算法估计C-Vine模型的参数.最后,通过实例来研究序列间的相关性和相互影响.     

基于Copula-GARCH模型的新兴产业与上证指数相依性研究

文章利用Copula-GARCH模型对2005年1月1日至2014年4月30日上证交易所新兴产业指数和上证综合指数进行建模,然后运用ARMA(1,1)-GARCH(1,1)-t模型,将边缘分布概率积分变化后的2个服从均匀分布的序列作为Copula模型的边缘分布,得到了较好的拟合效果.通过建立正态Normal Copula函数、t-Copula函数、Gumbel Copula函数、Clayton Copula函数和Frank Copula函数的5个二元Copula模型,并采用AIC法、BIC法、切比雪夫距离和欧式距离4种检验拟合优度的方法选择最优的t-Copula模型.同时利用GPD法对2个指数做了尾部相关性分析,发现下尾比上尾具有更好的相依性,说明极端情形(如金融危机)下两指数的涨跌幅度较大.     

动态分层阿基米德Copula模型的构建与应用

Copula函数在金融中的应用大多限于二元情形,而对高维Copula函数及其动态模型的研究相对不足.文章在隐马尔科夫模型的框架下,构建了动态分层阿基米德Copula模型,并使用EM算法估计了模型的参数;然后将协变量引入到隐马尔科夫模型的转移概率中,以考虑其他因素对所考虑变量的相关性动态的影响;最后,将模型用于股票组合动态相关性的研究.     

基于Copula函数的行业信用风险相关关系研究

文章首先分析了当前进行信贷组合中的相关关系的研究,主要包括指标和测度的方法.然后介绍了Copula函数理论及其常用的函数形式.最后借助KMV方法将上市公司财务数据转化为信用风险指标,以此测度行业的信用风险相关性,并以房地产和制造业为例研究了信用风险模型的Copula函数选择.     

基于Copula函数风险控制的贷款组合优化模型

文章运用Copula函数拟合贷款收益率联合分布函数,通过K-S检验选择最优Copula函数度量贷款间的违约相关性,建立基于Copula函数风险控制的贷款组合优化模型。优化模型避免了由极端事件发生引起贷款同时违约的高风险;解决了现有研究基于收益率服从正态分布假设存在低估风险的问题;解决了采用联合违约概率度量违约相关性时由于违约数据稀少而影响模型精度的问题。     

基于Copula-GARCH方法的投资组合VaR计算

VaR 方法是金融市场风险测量的主流方法.Copula函数广泛的应用于风险管理、投资组合选择、资产定价等金融领域.文章选取五种代表性的Copula并结合带正态分布和学生t分布的GARCH模型描述金融数据,通过Monte Carlo模拟计算投资组合的VaR,并对各种模型的计算能力做了对比,发现Clayton Copula结合GARCH(1,1)-T的模型对VaR的估计最好.     

Copula函数的比较及其在风险度量中的应用问题

本文在明确Copula函数基本概念的基础上,对几种常用的Copula函数进行对比分析,概括出了不同Copula函数的特点。最后对于Copula函数在实际金融风险度量中的应用问题进行了深入的探讨。     

基于Copula的企业整体风险测度

企业不同部门间由于资金流动和业务交叉,其部门间风险存在着显著的相关性,Copula函数适于测度由于风险相关性而引致的组合风险.利用Copula函数测度组合风险,在选择各部门收益率的边际分布时,考虑到金融数据的条件异方差、波动聚集性等特点,选取GARCH类模型用以描述边际分布.     

资产相关结构对投资组台风险测度的影响分析

文章从分析金融资产收益率的统计特征入手,以GARCH模型为基础.用非对称幂分布描述组合资产中各金融资产收益率的边缘分布函数,在多种Copula函数情形下计算组合资产的风险值VaR及ES.结果表明:基于由多元Clayton Copula和多元Gumbel Copula组成的混合Copula函数较好地刻画了多只股票的相关结构,而且ES比VaR能够较准确地估计组合资产的尾部风险.     

基于极值Copula的投资组合集成风险度量方法

 应用极值的阈值与峰值模型来度量单个资产的风险价值,用两种不同的方法度量了基于Copula函数的沪深指数收益率的相关结构,比较了不同Copula函数下基于沪深指数的二元投资组合集成风险值,结果说明：Gauss Copula函数对沪深指数收益率的相关结构拟合较好,阈值模型的极值Copula能较好的度量投资组合的集成风险值,在高置信度下（0.99以上）,基于Gumble Copula函数的上尾（正收益）集成风险值、基于Clayton Copula函数的下尾（负收益）集成风险值与真实值最为接近。直接加权的方法会高估投资组合的风险,假设沪深指数的收益率服从二元正态分布会低估风险。峰值法的集成风险值误差较大。     

基于多维Copula函数的投资组合CVaR分析

目前国内有关Copula函数的实证研究主要以二种资产的相关性为主.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的优势,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投资组合的最小条件风险价值(CVaR).实证表明,根据所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.     

系统性风险度量CoES的建模和检验

本文结合极值理论(Extreme Value Theory,EVT)和新的动态混合Copula(Dynamic Mixture Copula,DM-Copula)函数,提出了一种新的CoES估计方法DM-Copula-EVT。在EVT建模中,本文改进了阈值的选取方法以避免选择的主观性,并提出了一系列新的动态混合Copula以更好地刻画金融市场日益复杂的尾部关联性。此外,本文首次提出了检验CoES模型设定正确性的后验分析方法,包括无条件覆盖性检验和条件覆盖性检验。将本文建模和检验方法应用于我国金融市场,研究发现:相对于传统使用的t分布,EVT能更好地拟合指数的尾部分布;新的动态混合Copula函数能更好地刻画金融部门与系统之间的复杂关联性。     

基于Copula-EVT模型的组合风险测度

近年来,Copula理论被广泛地应用到金融领域,Copula可解释为"相依函数"或"连接函数"。Copula建模的方法与普通的线性相关的建模方法不同,Copu-la模型是针对整个联合分布建模,它能够捕捉更多的非正态、非对称分布的信息。     

Copula函数的非参数核密度估计

Copula函数包含了变量的边际分布和变量间的相关结构两方面的信息.用Copula函数可以很灵活地构造相关结构和边际分布不同的联合分布函数.Archimedean Copula函数在金融市场分析中很有用.在用Copula理论建模的过程中有一个很重要的环节是参数估计.文章采用对边际分布不作具体假设的非参数核密度方法来估计Archimedean Copula的参数,并用实证说明方法的有效性.     

回归检验在Copula函数选择中的应用

基于均匀分布的回归检验,文章从定量的角度出发给出Copula函数的一种检验方法,从而可以根据此方法在给定的copula函数中确定最优Copula函数.最后将此方法应用于国内的深证综指和上证A股指数进行了实证分析,结果证明此方法是有效的.     

基于EGAROH-Gopula的金融市场条件相依分析

文章应用条件copula函数拟合上证指数和深证成指收益率的联合分布.对上证指数和深证成指收益率应用EGARCH-t模型拟合其条件分布,在此基础上根据连续条件分布Sklar定理.采用条件正态copula函数建立两者的联合分布.结果表明,EGARCH-t模型能够很好的描述两指数收益率的特征,正态Copula能够很好的描述沪深股市的相关性信息.     

基于动态Copula方法的股票组合VaR估计

已有的使用动态时变Copula估计VaR的研究都仅限于考虑两个资产,对两个资产以上,Copula函数的参数过多,逐一设定参数的动态过程,将使模型复杂化,在计算上也不可行.为解决这一问题,文章使用条件Copula的概念,结合Engle的DCC方法,将椭球Copula的相关系数矩阵动态化,并将t-Copula的自由度设定为一动态过程的Logistic变换,由此得到的动态正态Copula和t-Copula可用于刻画两个以上资产相关结构的动态关系,进而可估计两个以上资产组合的VaR.文章还给出了一个经验应用.     

一种新的Copula函数的参数估计方法

Copula理论在随机变量的相关性分析中有着重要的作用,它的出现使得随机变量的之间的刻画更加精细.在利用Copula函数对随机变量进行相关性分析时,其中一个关键的问题是Copula函数的参数估计.在系统总结目前存在的几种Copula函教的参数估计方法及它们各自使用范围基础上,文章将非线性规划理论中的BFGS思想引入到copula函数的估计方法中来,并给出了一种利用BFGS的思想及经验分布函数估计的算法.