投资组合风险测度——基于FIGARCH-EVT-Copula方法

金融资产收益率不仅具有尖峰厚尾性、异方差性,还具有长记性。基于此,将FIGARCH、EVT和Copula有机融合,建立FIGARCH-EVT-Copula模型来估计组合风险值,利用上证指数、深成指数组合进行实证研究。实证研究表明:我国股市波动确实具有长记忆性;FIGARCH-EVT-Copula模型不仅能够准确刻画边缘分布的尖峰厚尾性、异方差性和长记忆性,而且较之于传统模型,该模型能更准确地测度投资组合风险。     

基于M Copula GJRSK M模型的沪深两市的相依性分析

金融资产不但存在方差风险，还存在时变偏度风险和时变峰度风险，这使得仅从金融资产的前两阶矩出发来研究风险变化显得十分局限。GJRSK M模型是描述金融资产的高阶矩风险的有效工具，可对单个金融资产的分布进行拟合，而M Copula函数能连接组合金融资产的边缘分布，因此本文建立了M Copula GJRSK M模型来研究沪深两股票市场的相依性。实证表明，上证综指和深圳成指对数收益率存在高阶矩风险和风险的非对称性，即指数下跌时，条件方差风险和条件高阶矩风险会增大，且在极端情况下，两市上涨的概率要大于下跌的概率。     

社保基金投资组合的动态风险测度研究

考虑到现阶段社保基金主要投资于股票和债券,以沪深300指数和国债指数构建投资组合代表社保基金投资组合,测度社保基金投资组合的动态风险。首先,基于FIGARCH模型对边缘分布建模;然后,基于时变Copula研究资产间的动态相关性,发现沪深300指数和国债指数间的相关性具有较强的持续性;最后采用Monte Carlo预测投资组合的VaR进行Kupiec检验。比较研究发现,基于时变模型的VaR预测效果要优于非时变模型的预测效果,时变FIGARCH-Copula-T和DCC(Dynamic Conditional Correlation)-MFIGARC-T模型都能准确地测度动态风险,但前者预测的失败率要低于后者。     

中国股市风格资产组合市场风险测度——基于EVT-t-Copula模型的实证研究

针对传统线性计量模型无法充分刻画中国股市风格资产收益系列存在"自相关"、"尖峰"、"厚尾"等非正态分布特征以及风格资产间存在复杂的非线性相关结构的局限。本文首先采用AR(1)-GJR(1,1)模型来刻画中国股市风格资产的边缘分布,接着结合各边缘分布的残差系列,引入Copula函数来分析这六种风格资产之间的相关结构,并结合极值理论和蒙特卡罗模拟方法来模拟大盘成长、大盘价值、中盘成长、中盘价值、小盘成长、小盘价值这六种股市风格资产投资组合的联合收益率分布函数,在此基础上求出各我国股市风格资产组合的市场风险(VaR与CVaR)。研究结果表明,根据极值理论得到的广义帕累托分布能够较好拟合风格资产日收益率序列的尾部特征,相比其他计算方法的VaR和CVaR值,基于EVT-t-Copula模型能够更准确度量中国股市风格资产组合的市场风险。因此,EVT-t-Copula模型有助于提高中国股市投资组合的风险管理效率。     

基于时变Copula的La-VaR测度研究

目前关于流动性调整的市场风险测度研究,主要是静态模型。针对此,文章提出经流动性风险调整的市场风险动态测度的时变Copula方法。该方法使用连接函数构建流动性风险和市场风险的联合分布,能够兼顾这两种风险的非正态特征和它们之间的动态相关结构。基于该方法度量了中国股市经流动性调整的市场风险La-VaR,Kupiec检验表明,基于时变Copula模型预测La-VaR的效果优于基于常相关Copula模型的预测效果,并且时变T-Copula模型优于时变N-Copula模型。     

SHFE和LME期铜相关模式的研究

Copula函数包含了随机变量间所有的相关信息,可表示金融资产间的相关模式(即依存关系)。分析了一些Copula函数描述相关模式的特点,结合GARCH模型、Copula函数和基于极值理论的GPD分布,构造了Copula-GARCH-GPD模型,用于研究上海期货交易所和伦敦金属交易所期铜间的相关模式。实证研究结果表明,GARCH-GPD模型能很好地描述两市期铜收益率序列的“厚尾”特征,混合Joe-Clayton Copula能很好描述相关模式,充分反映相关性的信息。     

基于 ARFIMA-FIAPARCH-MCopula的亚洲新兴股市联动效应研究

为了研究亚洲新兴股市之间的联动效应,运用 ARFIMA-FIAPARCH 模型刻画亚洲新兴股市收益率的边缘分布特征,进而结合由 Clayton Copula、Gumbel Copula 与 Frank Copula 构成的混合 Copula 函数对亚洲主要新兴股市之间的联动结构进行建模。研究结果表明：中国股市中的长记忆特征非常显著,对历史信息的反应尤为缓慢;中国股市仅与韩国股市、新加坡股市的联系较为紧密,存在风险相互传染的可能;而韩国股市、新加坡股市和印度股市等亚洲其他主要新兴股市之间的联动程度更高,股市之间存在较为明显的风险传染效应。     

基于M-Copula-GJRSK-M模型的沪深两市的相依性分析

金融资产不但存在方差风险,还存在时变偏度风险和时变峰度风险,这使得仅从金融资产的前两阶矩出发来研究风险变化显得十分局限.GJRSK-M模型是描述金融资产的高阶矩风险的有效工具,可对单个金融资产的分布进行拟合,而M-Copula函数能连接组合金融资产的边缘分布,因此本文建立了M-Copula-GJRSK-M模型来研究沪深两股票市场的相依性.实证表明,上证综指和深圳成指对数收益率存在高阶矩风险和风险的非对称性,即指数下跌时,条件方差风险和条件高阶矩风险会增大,且在极端情况下,两市上涨的概率要大于下跌的概率.     

投资组合动态VaR预测模型和预测精度评价

采用4种Backtesting检验方法,检验22个常态和时变投资组合动态VaR预测模型的风险预测精度,发现GJR_GPD_TV_Copula具有最高的投资组合风险预测精度,GJR_GPD_Copula的拟合、密度预测和组合风险预测精度都要高于GJR_SKST_Copula,且Copula模型的组合风险预测精度分别与拟合精度和密度预测精度存在较弱的正相关关系.     

世界原油价格风险度量——基于EGARCH-EVT-t Copula模型

从原油现货市场收益率的特征分析入手,为了更好地描述原油现货市场收益率的尖峰厚尾、偏态和波动集聚等特征,运用EGARCH 对条件波动率进行建模,进而运用极值理论对标准残差序列的尾部分布进行建模,刻画原油现货市场极值风险,同时结合Copula函数和Monte Carlo模拟技术来度量不同持有期相应的VaR值.实证结果表明:原油市场随着置信度的提高和持有期的延长,VaR的绝对值在增大.同时,回测检验结果表明基于EGARCH-EVT-t Copula的模型能够精确有效地度量原油现货市场极端风险.     

中国股票市场行业组合风险研究——基于高维动态C-Vine Copula模型

股市是经济的晴雨表,股市中不同行业风险的组合计量对于金融市场和实体经济投资意义重大.文章采用高维动态C-Vine Copula前沿技术计量多维行业组合风险,并且与静态C-Vine Copula作比较.结论显示:高维动态C-Vine Copula计量的VaR每次都能通过UC检验和稳定性测试,而静态C-VineCopula方法每次都不能通过回溯检验,表明高维动态C-Vine Copula优于静态C-Vine Copula,可以作为股市行业风险组合计量的一种新方法.     

心理账户交互作用下证券投资组合风险度量模型研究

考虑证券投资组合决策中心理账户因素, 基于Copula函数和信息熵原理, 构建了心理账户交互作用下证券投资组合Copula-IE风险度量模型, 改进了传统行为证券组合风险度量模型, 提出了新的行为证券组合风险度量优化模型。通过对该模型分析可知:投资者的投资预期水平越高, 所造成的行为决策风险越高;投资者心理账户之间的替代性越强或越弱, 均使得投资组合的风险增强。     

基于累积前景理论的多资产投资组合优化与实证研究

基于CPT视角的多风险资产投资组合模型,探讨投资者面对不同投资风险时的心理变化以及心理变化对其投资策略的影响。通过选取不同超额收益率及波动率水平的股票,测试投资策略对于风险态度指标的敏感度。研究表明,投资者面对不同风险具有明显地心理变化,并且其心理变化对投资策略具有显著的影响。具体表现在几个方面：投资者面对不确定收益时,表现出风险厌恶,面对不确定损失时,表现出风险偏好;投资者将无风险资产的投资收益作为心理参考点,所做的投资决策与相对于此参考点的相对财富水平的变化有关,而不是与传统理论中的绝对财富变化量相关。     

投资组合方法与银行全面风险管理

全面风险管理要求银行从整体资产的角度来计量和管理风险,投资组合是其最为核心的理念。投资组合理论的基本理念是通过分散化投资降低组合的风险,对银行而言,其主要内容包括:风险计量、绩效评估、资本配置、产品定价等。中国银行要实行全面风险管理,应充分发挥“后发优势”,以全面风险管理思想为基础,并结合国内银行业现状,在高级人才培养、数据收集、理论方法以及制度创新等方面不断努力。     

基于高阶矩的基金绩效考核模型

目前我国常用的三大经典基金绩效考核模型都是以均值-方差CAPM模型为基础,而均值-方差CAPM模型中的系统性风险只考虑二阶矩风险即波动率,忽略了高阶矩风险.通过在传统CAPM模型中加入零成本的负协偏度投资组合和零成本的正协峰度投资组合作为高阶矩风险溢价可重新解释基金风险与收益间的平衡关系.研究结果显示,众多基金的投资组合中都存在负协偏度风险,基于高阶矩的考核模型优于基于传统CAPM的考核模型.     

金融资产配置行为与企业经营绩效：来自中国非金融类上市公司的经验证据

金融资产配置是非金融类企业面临的重要经营决策之一,非金融类企业的金融资产配置行为与经营绩效和实物资产投资收益之间的关系一直是金融监管部门、上市公司和投资者关注的重要问题。作者以中国非金融类上市公司2011—2018年期间的相关数据为样本,利用多元回归模型实证研究中国非金融类上市公司金融资产配置行为对经营绩效和实物资产投资收益率的影响。研究发现,中国非金融类上市公司当年金融资产配置比例与经营绩效之间、上年金融资产配置比例与本年实物资产投资收益率之间都在总体上呈现出显著的倒"U"型关系;不同产业、不同性质企业的金融资产配置比例将对经营绩效和实物资产投资收益率产生不同影响。第一产业上市公司的金融资产配置比例与经营绩效之间不存在倒"U"型关系;第二产业和第三产业、国有和非国有非金融类上市公司的金融资产配置比例与经营绩效之间的关系都呈现出显著的倒"U"型特征,即只有适度配置金融资产,才能使其经营绩效最大化。上年金融资产配置比例增加将显著提高国有非金融类上市公司本年的实物资产投资收益率,但不会对第一产业和第三产业非金融类上市公司本年的实物资产投资收益率产生显著影响;第二产业和非国有非金融类上市公司的实物资产投资收益率与其上年金融资产配置比例呈倒"U"型关系,上年金融资产配置不足(过度)将使其对本年实物资产投资收益率产生补充效应(挤出效应),适度配置上年金融资产将最大化本年的实物资产投资收益率。中央和地方各级政府以及金融监管部门应该利用市场手段引导非金融类上市公司适度配置金融资产,鼓励他们加大实物资产投资力度,缓解中国目前面临的"脱实向虚"困境;非金融类上市公司应该基于自身产业和产权属性以及金融资产配置行为对经营绩效和实物资产投资收益率的不同影响对其金融资产配置进行科学决策,认识金融资产配置不足(过度)对实物资产投资收益率的补充效应(挤出效应),配置出能使企业经营绩效和实物资产投资收益率最大化的金融资产配置比例;投资者在选择投资对象和构建投资组合过程中,应该深入分析不同产业、不同性质公司的资产配置行为,考察拟投资对象的金融资产配置行为是否满足企业经营绩效和实物资产投资收益率最大化要求,以作出有效的投资决策。文章研究结论补充和丰富了企业资产配置领域的相关研究成果,为中央和地方各级政府制定不同产业政策、金融监管部门引导金融资源流向实体经济、非金融类上市公司规范金融资产配置行为、投资者作出正确投资决策提供了决策依据。     

抛物线扩散模型的实证研究

资产收益分布具有高峰厚尾、有偏性以及波动集聚性．为了反映这些经验特征，Bibby和Sorensen于1997年提出了抛物线扩散过程来描述资产收益的分布．作者运用抛物线扩散模型来研究中国股市的股指收益分布．