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.     

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函数的金融市场尾部相关性分析

在常规极大似然估计法中，Copula函数的参数估计受边缘分布函数拟和的影响较大，鉴于此，用基于秩的极大似然法估计Copula函数的参数，并结合常见的4类双参数非对称BBx—Copula函数，对民生银行和浦发银行这两只股票的尾部相关性进行实证分析，结果表明股票市场在低迷时期的尾部相关性高于活跃时期的尾部相关性。     

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.     

Archimedean copula函数非参数估计法的改进

针对Archimedean Copula函数的参数估计问题,文章利用Archimedean Copula函数的对称性提出了一种新的估计Kendall秩相关系数的非参数估计法,并且在理论上证明了新非参数估计法比传统非参数估计法更有效.在此基础上改进了Archimedean Copula函数参数的非参数估计法,并利用随机模拟验证了改进的有效性.     

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.     

Copula函数模型的选择

Copula理论在统计及金融分析中有着广泛的应用.目前Copula函数在实际应用中的一个关键问题是函数模型的选择.文章通过实例对Copula函数模型的选择问题进行了探讨,验证了各种方法的有效性.     

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。     

Archimedean Copula函数中参数的Bootstrap估计

文章给出Archimedean Copula函数中参数的Bootstrap估计.Bootstrap估计能对所有的Archimedean Copula函数中的参数进行估计,通过计算机模拟,把Bootstrap估计方法与和的非参数法进行了比较,说明Bootstrap估计的优越性.最后对上证基金和上证B股进行了实证分析,体现了Bootstrap估计的实用性.     

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。     

Copula函数的非参数核密度估计方法

文章运用非参数核密度估计技术并结合极大似然估计方法来估计Copula函数中的参数,克服了传统方法在估计Copula函数参数时的不足.并通过计算机仿真分析,证实了此方法的可行性与准确性.     

Copula方法在投资组合选择与VaR计量中的应用

基于多元正态分布的投资组合理论认为,投资者可以通过投资于低相关性的不同资产来获得收益,资产间的相关性(dependence)可以通过线性相关性来度量.然而现实金融市场中经常会发生这种情况,即不同的金融市场之间具有完全不同的线性相关性,但却发生几乎相同数量的极端损失事件.为了克服线性相关性的上述弊端,我们将通过连接(Copula)函数建模来克服这个问题.由Copula函数导出的一致性和相关性测度就可以更广泛、更有效地捕获各种金融资产的相关信息.另外,采用时变的Copula函数还可以捕捉到变量间动态的、非对称的相关关系,而采用极值Copula函数则可以捕捉到分布尾部的相关关系.由Copula函数导出的相关性度量在随机变量发生单调变换(可以是非线性变换)的情况下是不变的.一种常用的、可以通过Copula函数导出的相关性度量是Kendall的τ(tau),它具备一个好的相关性指标所应具有的所有性质(Nelsen 1998),可以克服线性相关性的上述不足.     

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.     

基于多维t-Copula函数的投资组合的CVaR分析

文章根据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具有的优势,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,分析在不同置信度与资产组成下的投资组合的CVaR(条件风险价值).实证说明,根据本文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.     

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.     

倒向随机微分方程中非参数估计的核函数选择

比较了多种类型的核函数下倒向随机微分方程（BSDE）中生成元z的非参数估计方法,利用不同的核函数估计BSDE中的生成元z的非参数估计,在均方误差意义下比较了8种不同的核函数下得到的BSDE的生成元z的非参数估计的精度,统计分析结果显示Gaussian核函数下的估计效果最好。     

基于Copula函数的随机性期望赔付法

未决赔款准备金评估的随机性方法逐渐得到重视,而考虑赔款数据的相关性可提高准备金评估的精确性。在确定性期望赔付法的基础上,提出一种基于阿基米德Copula函数的随机性期望赔付法;在准备金评估中利用核密度估计实现进展因子的随机化,并在此基础上应用阿基米德Copula函数分析两类赔款数据相关性的问题;利用R软件模拟总损失准备金的分布,研究表明该方法相比传统的期望赔付法具有更强的灵活性,其结果也更符合实际。     

单指标纵向数据模型的估计

纵向数据是一类重要的相关性数据,广泛出现在诸多科研领域。单指标模型是多元非参数回归中重要的降维方法,在纵向数据下研究单指标模型是统计研究的热点问题。针对纵向数据单指标模型,提出惩罚改进二次推断函数方法来讨论模型的参数和非参数估计问题。该方法利用多项式样条回归方法逼近模型中的未知联系函数,将联系函数的估计转化为回归样条系数的估计,然后构造关于样条回归系数和单指标系数的惩罚改进二次推断函数,最小化惩罚改进二次推断函数便可得到模型的估计。理论结果显示,估计结果具有相合性和渐近正态性,最后得到了较好的数值模拟结果和实例数据分析结果,结果显示该方法适用于半参数纵向模型的参数和非参数估计问题。     

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.