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.     

投资组合动态VaR风险度量

投资组合的VaR风险度量依赖于投资组合中金融资产间联合分布函数的确定,随着投资组合规模的扩大,其VaR的计算难度也不断加大。利用ICA可以将多元联合概率分布函数转化为一元概率分布函数乘积实现简化计算的特点,基于ICA的投资组合动态VaR风险度量方法和计算步骤,克服了多元非正态条件下VaR测算上的困难。实证研究表明,与EWMA模型法、MGARCH模型法相比,ICA法能够准确地度量投资组合动态VaR。     

投资组合VaR分解及边际VaR的估计

0引言风险价值VaR(ValueatRisk)能对金融机构所面临的市场风险进行较准确的度量,是一种标准的新风险管理工具,它不仅在理论研究上取得了很大的发展,而且在风险管理中也得到了广泛的应用[1-2]。目前,国内外有许多金融学者投入于VaR方法的理论及应用研究中,并取得了很多成果,但这     

基于Copula函数的动态投资组合研究

文章以传统的投资组合理论为基础,将Copula理论引入到均值一方差模型中来,用Copula函数导出的时变Kendall的tau相关性测度代替线性相关系数,求解投资组合最小方差模型,得到最优投资比例和投资收益,并在此基础上与线性相关下求解的结果进行比较.     

基于动态Copula的社保基金投资风险测度

考虑到现阶段社保基金主要投资于股票和债券,以“社保重仓”和国债指数构建投资组合代表社保基金投资组合,基于GARCH-时变copula模型测度社保基金投资组合的动态风险。实证研究发现：“社保重仓”和国债指数间的相关性具有较强的持续性,两者间相关性的变化与股市的波动具有一致性;时变Copula模型的VaR预测效果优于非时变模型,时变t-Copula的建模效果最好;以经风险调整的收益率（R-vaR）为判断标准,若4％的社保基金投资于股票,96％的投资于债券,社保基金投资达到了最优组合。     

基于阿基米德Copula度量VaR的蒙特卡罗法

文章以混合正态分布的形式拟合单个金融资产收益分布,采用阿基米德Copula结构度量投资组合的相关关系,改进了传统的蒙特卡罗法并给出了相应算法.利用上证综指和深证成指进行实证研究的结果表明,较之传统方法,用阿基米德Copula结构的蒙特卡罗法度量投资组合的风险值更为有效.     

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EMD的VaR估计方法及实证研究

文章提出了一种基于经验模式分解(EMD)的市场风险价值(VaR)估计方法。通过EMD将市场价格序列分解成不同波动特征的本征模态函数(IMF),以Hurst指数为判据将其重新组合为具有长期记忆性的主体部分和高斯噪声部分。利用神经网络预测主体部分的未来走势并对噪声部分进行方差分析,以此估计出市场的风险价值(VaR)。     

基于ECM模型的期货动态VaR套期保值

在期货市场上进行套期保值,其核心问题是套保比的估计.以动态VaR为目标函数,考虑现货期货的协整关系及联合收益波动的动态变化性,建立基于ECM模型的动态VaR最优套期保值比模型.对DCC模型、ECM-CCC模型和ECM-DCC模型进行样本内外的实证对比分析,发现考虑现货期货协整关系的DCC模型在价格波动剧烈时套保效果好,而在价格平稳时ECM-CCC模型的套保效果较好;在现货期货价格波动剧烈时,需要更多的期货来规避现货风险,且套保效果低于平稳时期的.     

增量VaR(IVaR)方法在资产组合风险管理中的应用

本文运用增量VaR方法对一假定的投资组合的风险情况进行测量,借以说明在投资人对投资风险有一定要求情况下如何调整组合中股票的构成,来达到降低风险的目的.     

Copula Density Estimation Using Multiwavelets Based on the Multiresolution Analysis

Recently, wavelet has been used for copula density estimation. A known characteristic of wavelet functions is that they cannot be symmetric, orthogonal, and compact support at the same time while multiwavelets overcome this disadvantage. This article highlights the usefulness of the multiwavelet in order to approximate copula density functions. Possessing three appropriate properties at the same time, high smoothness, and high approximation order properties, multiwavelet can be more precise in copula density approximation. We make this approximation method more accurate by using multiresolution analysis. Finally, we apply our proposed method to approximate the copula density in actuarial data.     

基于连接函数的 整合风险度量研究

 本文利用连接函数（Copula）解决整合风险管理中不同类型风险的联合分布建模问题,提出了基于连接函数的整合风险度量Copula-VaR及其蒙特卡洛模拟算法;以深圳发展银行和上海浦东发展银行为研究对象,将Copula-VaR与N-VaR和Add-VaR这两种业界常用的近似整合风险度量方法进行了实证比较分析,发现:与Copula-VaR相比,N-VaR和Add-VaR存在高估风险的倾向,而其主要原因则是由于N-VaR和Add-VaR对信用收益率与市场收益率之间的相关结构进行了不符合实际的假设。     

MCMC方法下最优Copula的估计及选取

针对目前Copula函数在实际中的应用问题,介绍了一种基于马尔科夫链蒙特卡罗方法（MCMC）的Copula函数估计及选取方法,并将该方法与目前常用方法进行系统比较,最后对上证综合指数和深证成分指数进行了实证分析,结果体现了该法的有效性。     

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。     

VaR估计中的概率分布设定风险与改进

 在金融风险管理中,金融风险的事先判断具有极其重要的意义,然而金融机构金融决策事前支持技术的缺陷常常被忽略,在金融投资收益率概率分布估计方法尚未建立以前,将样本数据特征纳入风险度量的计算则不失为一种改进风险判断的有效途径。本文选择度量金融风险的主流方法—VaR技术来讨论概率分布设定风险,探讨依据数据特征改进和扩展VaR计算方法,通过对Delta-正态方法与Delta-Gamma-Cornish-Fisher扩展方法估计VaR值的比较,从实证分析角度论证了扩展方法在VaR估计中的有效性与稳健性。     

Transformation-Kernel Estimation of Copula Densities

ABSTRACT

The standard kernel estimator of copula densities suffers from boundary biases and inconsistency due to unbounded densities. Transforming the domain of estimation into an unbounded one remedies both problems, but also introduces an unbounded multiplier that may produce erratic boundary behaviors in the final density estimate. We propose an improved transformation-kernel estimator that employs a smooth tapering device to counter the undesirable influence of the multiplier. We establish the theoretical properties of the new estimator and its automatic higher-order improvement under Gaussian copulas. We present two practical methods of smoothing parameter selection. Extensive Monte Carlo simulations demonstrate the competence of the proposed estimator in terms of global and tail performance. Two real-world examples are provided. Supplementary materials for this article are available online.     

市场风险资产损失服从Pareto分布的VaR计量

目前VaR模型是测量和管理商业银行市场风险的主流方法.运用VaR的计算原理,利用Pareto分布描述风险资产损失的尖峰厚尾特征,得到市场风险资产VaR计算公式,并且分析了VaR的影响因素,最后利用历史数据进行VaR的实例计算.     

Smooth Tests of Copula Specifications

We present a family of smooth tests for the goodness of fit of semiparametric multivariate copula models. The proposed tests are distribution free and can be easily implemented. They are diagnostic and constructive in the sense that when a null distribution is rejected, the test provides useful pointers to alternative copula distributions. We then propose a method of copula density construction, which can be viewed as a multivariate extension of Efron and Tibshirani. We further generalize our methods to the semiparametric copula-based multivariate dynamic models. We report extensive Monte Carlo simulations and three empirical examples to illustrate the effectiveness and usefulness of our method.     

基于Pearson Ⅳ分布的VaR与CVaR估计

基于GARCH模型,用Pearson Ⅳ分布拟合标准残差,给出一种更为精确的VaR和CVaR计算方法.重点研究在Norm-GARCH、t-GARCH与GED-GARCH模型下,用原分布和Pearson Ⅳ分布计算VaR的比较,结果表明,用Pearson Ⅳ分布计算VaR都能得到比原分布更小的失败率,且在三种模型之下用Pearson Ⅳ分布计算VaR结果很接近,都能通过检验,所以选择最简单的Norm-GARCH模型就可以;基于此,研究在Norm-GARCH模型下,用正态分布和Pearson Ⅳ分布计算CVaR,并与VaR进行比较,结果表明,用Pearson Ⅳ分布计算VaR和CVaR的失败率都远远小于由正态分布所得到的失败率,特别在VaR估计失效的交易日里,用Pearson Ⅳ分布得到的CVaR均值与实际损失均值非常接近.因此,Pearson Ⅳ分布能很好地刻画金融数据的特征,相对其他分布而言是一个很好的选择.