基于Copula理论的尾部相关性分析

根据沪深股市非线性的特征,文章利用Kendall秩相关系数与Copula函数之间的关系．对Copula函数的参数进行估计。通过P—P图和K—S检验选择最优的Clayton Copula函数来度量上证A股、深证A股和沪深300指数之间的尾部相关性。由实证结果验证表明,Clayton Copula函数在度量尾部相关性上有所侧重,上尾相关系数趋近于1,下尾相关系数趋近于0;且沪深300指数对组合的尾部风险影响较大。     

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Copula-EGARCH-CVaR的投资组合优化

文章结合Copula技术和EGARCH模型,利用Copula-EGARCH模型刻画资产组合收益率的联合分布.该模型不仅可以刻画金融资产的"尖峰厚尾性"、波动的集聚性、杠杆效应以及非对称性等特性,而且可以捕捉资产之间的非线性相关性,同时推广了传统方法关于正态分布的假设.得到更加符合现实市场的多元分布,在一定程度上弥补了现有文献的不足.文章还在Copula-E-GARCH模型的基础上,利用蒙特卡洛模拟方法来求解不允许卖空限制下的CVaR-均值投资组合选择模型,分别给出了正态Copula和t-Copula下最优图中策略和有效边界.     

基于多种Copula函数的沪新股市尾部相关性比较分析

投资组合理论要求在尽可能多的市场上进行投资组合,因而研究两个股票市场之间的尾部相关关系对全球投资组合和风险管理具有重要的意义.采用基于秩的极大似然估计法,分别采用静态和动态Copula函数对比研究上证综指和新加坡海峡时报指数收益序列的尾部相关关系,结果发现时变的SJC Copula函数较其他3种静态Copula函数的拟合效果好;两市股指收益序列的尾部相关关系不对称,存在显著的下尾相关,而上尾相关不明显,而且上证综指和海峡时报指数收益序列的下尾相关系数是不断变化的,并呈现出日益上升的趋势.     

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.     

基于小波分析的三维Copula密度估计及其应用

文章考虑三维变量相依结构的最佳量化问题,利用小波多尺度分析,提出三维Copula密度的小波线性估计量及其计算步骤,基于最小化均方积分误差准则,给出参数Copula的最优化筛选方法.对上证综合指数、日经225指数和标准普尔500指数等收益率的实证研究表明:(1)该估计量在不同时间尺度上展示了金融指数潜在相依结构的局部特征;(2)以此为基准经最优化筛选的混合参数Copula是展示金融相依结构的最佳模型.     

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.     

直接离散GM(1,1)模型参数估计的最小一乘法

研究表明直接离散GM(1,1)模型对严格服从非齐次指数规律的原始数据进行建模,所得到的模型具有完全相同的指数规律,而当数据为近似非齐次指数规律时,直接离散GM(1,1)模型拟合效果较差.主要原因是直接离散GM(1,1)模型采用最小二乘法估计参数,稳健性不好造成的.针对这一情况,文章提出利用最小一乘法估计直接离散GM(1,1)模型参数改进上述不足.对比实验表明,采用最小一乘法估计参数得到的直接离散GM(1,1)模型具有很好的精度和稳健性,使得直接离散GM(1,1)模型的适用范围得到进一步扩大.     

基于SV-Copula模型的相关性分析

内容提要: 本文结合SV模型和Copula技术,建立两变量金融时间序列的Copula-SV模型,并以上海综合指数和深圳成分指数为例利用建立的模型进行分析,根据采用不同的Archimedean Copula函数,通过使用K-S检验说明用Clayton Copula研究上证综指和深圳成指的下尾相关性,用Gumbel Copula研究上证综指和深圳成指的上尾相关性是合适的,从而风险管理者就可以根据尾部相关性,定量的研究两个市场的相关性及预测市场的变化。     

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.     

边缘分布和Copula对资产组合选择绩效的影响

1用Copula构造联合分布函数根据sklar定理,边缘分布均为连续分布的二元分布函数可写为:H(x,y)=C(F(x),G(y))其中,F(x)和G(y)是边缘分布函数,C就是H的Copula,而且C也是边缘分布均为[0,1]上均匀分布的联合分布函数。由此可见,可以用Copula构造多元分布函数:首先,构建各个变量的边     

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.     

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Copula函数的空间统计模型估计与应用

在空间数据分析中,由于空间预测在很大程度上依赖于对空间变化的现象分布的假设,因此建立空间数据分布模型是非常重要的问题.Stein(1999)指出,传统的方法利用变差函数描述插值的空间依赖性结构和基于似然方法的模型相比是相当不精确的.对于非正态分布的空间数据而言,Copula函数提供了一种可以分别指定相关结构和边缘分布而建立联合分布的可能性.文章基于Copula函数的非正态分布数据的空间插值方法,讨论模型参数的极大似然估计并运用生态环境数据进行实证研究.     

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.     

几种组合预测方法对股票市场的预测效果研究

为了研究几种组合预测方法的预测效果,文章首先利用GM(1,1)、BP神经网络、支持向量机(SVM)三种单一预测方法对2008年的上证工业股指数、上证商业股指数、上证地产股指数、上证公共事业股指数作了预测,然后分别利用最优权重线性组合预测模型、基于SVM和基于BP神经网络的非线性组合预测模型对上述股指作了预测.通过对各种预测方法的预测效果进行对比分析,发现:在进行组合预测时,选择其中预测效果最好的一种方法作为二次组合预测的模型可以大大提高组合预测的效果.     

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。     

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。     

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ARCH类模型的基金市场波动性研究

近年来,随着基金产品的广泛推出,基金市场迅猛发展,投资基金的市场收益率也呈现出一定的波动性.本文选取上证基金指数为研究对象,运用ARCH模型族进行实证分析.结果表明,上证基金指数收益率表现出非正态性和条件异方差的特征.GARCH(1,1)模型对上证基金指数的波动具有很好的拟合效果.