基于Copula理论的金融风险分析

本文介绍了Copula理论和性质以及其在金融风险分析中的一些应用.并实证基于Copula,结合具有不同边际分布模型来计算资产投资组合VaR显著优于基于多元正态分布假设的传统方法.     

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.     

资产相关结构对投资组合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。     

基于时变相关的混合Copula模型的投资组合风险分析

由于金融时序数据具有时变非对称相关的特征,文章通过构建时变相关的混合Copula函数对金融时序数据的尾部相关和对称相关性进行捕捉,并以此为基础估计投资组合的VaR值,通过对比,发现基于时变混合Copula的函数能够更准确地捕捉投资组合的风险。     

高斯连接函数在股票投资组合VaR计算中的应用

风险测量是金融理论与实践研究的一个重要课题,正受到越来越多的关注。Copula理论以能够有效地处理投资组合的风险和相关性而成为国内外研究的热点。文章通过实证运用Copula理论中的Gaussian连续函数来计算股票投资组合的在险价值(VaR)。结果表明:计算出的VaR能很好的反映投资组合的风险,同时计算也比较简单,处理起来也不显得复杂。     

中国股市动态VaR计量模型分析

风险测量是现代金融活动的中心。近年来,新兴的VaR测量方法已成为国际上风险管理的主流方法。文章介绍了利用GARCH模型的VaR计算方法,并比较了基于不同分布假设的4种GARCH模型计算的VaR值,并得出以下结论:证券市场收益率具有强烈的GARCH效应和非正态分布性;基于GARCH-T的VaR估计值在给定的显著性水平下能够有效地度量金融资产的风险。     

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.     

基于Copula理论的投资组合风险测度

文章基于现代前沿的Copula理论,以中国股市八个行业板块指数的组合为研究对象,构建了Copula-GARCH模型,得到了更加准确的组合收益联合分布函数。通过蒙特卡洛模拟法获得投资组合的VaR,回测检验表明Copula-GARCH模型能够较Riskmetrics和历史模拟法的更加准确地描述组合风险。这为我们在国内股票市场上应用Copula理论管理证券投资市场风险提供了理论依据。     

基于Copula的沪、深、港股票市场的组合风险度量

文章在"推出股指期货和融资融券"的新政策下,结合t-EGARCH模型和Copula方法,利用上证综指、深证成指以及恒生指数对沪、深、港股票市场进行了分析.该模型能更好地捕捉资产间的非线性相关性,更符合现实市场.在此基础上,利用蒙特卡洛模拟计算股指投资组合的VaR及CVaR,从而验证了模型的有效性.     

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.     

基于Copula的金融市场的相关结构分析

本文用Copula描述金融市场间的相关结构,分析了一些Copula相关性方面的特点,构造比较灵活的M-Copula.结合GARCH模型和GPD来描述金融序列的边缘分布,运用Copula对SHFE和LME期铝市场进行实证研究发现,椭球Copula只能反映某些类型的相关性,M-Copula对金融市场相关性的描述更全面.     

沪深300指数极值VaR的分析与计算

文章将GARCH模型和EVT理论相结合,对沪深300指数的风险价值进行分析与计算,并将其与传统基于正态分布假设计算的VaR、GARCH模型计算的VaR以及基于EVT理论计算的VaR进行比较,发现采用GARCH模型和EVT理论相结合而得到的极值VaR能更好地反应沪深300指数的风险。     

基于蒙特卡洛方法的金融市场风险VaR的算法分析

为解决蒙特卡洛(Monte Carlo)方法在计算风险价值(Value at Risk,VaR)方面的缺陷,文章首先引入GARCH模型来刻画金融数据的波动聚集性,再引入马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法,来克服GARCH模型参数估计约束条件带来的估计误差.通过对上证50指数的实证分析表明,引入MCMC方法可以提高模型的估计精确度.     

基于时变参数Copula的△CoVaR度量技术

采用基于时变参数Copula的△CoVaR度量方法,以动态参数Copula模型描述金融变量间的相依结构、以GARCH类模型描述各金融变量的边际分布,通过构建的联合分布计算△CoVaR.利用此方法度量中国大陆与美国、香港的股票市场间的极端风险溢出.实证结果表明:通过此方法计算的△CoVaR能同时反映时变波动性与时变相依性,可更灵敏准确地度量危机时的极端风险溢出.     

偏态t分布下FIGARCH模型的动态VaR计算

针对金融时间序列多是有偏分布和"长记忆性"的特征,讨论偏态t分布下分数维GARCH模型的动态VaR测算问题.在分析正态分布、学生t分布、广义误差分布下和偏态t分布的基础上估计模型参数,得出了动态VaR,并进行了失败率检验.实证结果表明:基于偏态t分布下的FIGARCH模型测算的动态VaR值克服了其他分布假设上的不足,能够较好地反映金融收益率的实际风险,并在该分布下的Pearson吻合度检验也证实了模型分布选择的正确性.     

基于Copula的资产组合风险价值模拟方法

文章以VaR或CVaR作为度量风险的指标,建立了一种基于Copula函数的资产组合风险价值模拟方法,并对该方法的参数估计和计算过程进行了详细分析.     

股票组合VaR估计：基于动态Copula方法

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,文中使用条件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。最后,文章给出了一个经验应用。     

VaR约束下均值-方差模型有解的充要条件研究

VaR约束下的均值-方差模型,可能因为VaR约束太强而无解.文章推导出了该模型有解的充要条件,并对上海股票市场五支股票组成的一个投资组合进行实证分析,同时改进了文献[1]中投资组合的选择范围.     

多元外汇投资组合风险的测度

文章是将GARCH-EVT-COPULA模型用于美元、欧元、日元、港币四种人民币汇率的投资组合风险研究.研究发现,在所选定的时间内,无论是哪种类型的Copula还是哪种置信水平下的风险测度,最小风险的投资组合系数差别并不是很大,投资基本上集中在美元资产.由于t Copula和Clayton Copula比正态Copula能更好的刻画多个资产间的相关结构,在高置信水平下,我们更偏向于用这两种Copula来求组合投资的风险,给投资者提供外汇投资的最优比例参考.     

基于极值视角的沪深股市收益率的风险度量

文章以沪深股市收益率为研究对象,分别运用收益率的极值分布、收益率的POT模型以及基于收益率序列GARCH模型残差的POT方法计算沪深股市的在险价值(VaR).实证过程发现沪深股市收益率序列均存在明显的尖峰厚尾现象,实证结果表明深市潜在风险高于沪市潜在风险,并且三种方法中基于收益率序列的POT模型计算的VaR精度最高,而对收益率序列应用GARCH模型描述其波动后再对模型的残差进行POT方法计算的VaR精度最低.