基于Copula的投资组合风险分析与实证研究

发布时间：2017-10-12 06:19

  本文关键词：基于Copula的投资组合风险分析与实证研究

  更多相关文章： t-Copula EGARCH-t 风险分析 投资组合 VaR

【摘要】：在金融领域,风险无处不在。对投资者而言,风险虽然不能消除,但是可以通过分散投资来降低,使得在收益一定的情况,把风险控制在自己能够承受的范围内。如果对于风险的估计过于保守,可能会使得投资者错失良好的投资机会;如果低估了投资风险,可能会给投资者带来更大的损失。因此,对风险的准确度量非常重要。投资组合风险准确测量的关键,是对投资组合资产之间相依关系的分析和刻画。在Copula理论未被引入金融领域之前,对金融资产相关性的分析都是基于线性假设的前提,采用线性相关系数来捕捉金融资产之间的相依关系。但在实际情况中,金融资产之间的关系多数是非线性的,采用线性关系估计风险值是不准确的。在不准确风险值的指导下,可能投资者的投资决策并不能达到降低风险的目的。针对这个问题,本文在Copula理论的视角下,联合能够充分刻画资产收益率尖峰、厚尾和波动性等程序化现象的GARCH模型,对投资组合风险的度量进行实证研究。本文首先系统梳理了国内外相关研究,从理论出发,对度量投资组合风险的工具—在险价值Va R的估算方法、刻画单个金融资产收益率程序化现象GARCH模型的种类及残差分布特征和捕捉变量之间相依结构Copula模型的种类及不同Copula模型刻画的相依结构特征,尤其是尾部相依结构特征进行详细介绍。在理论基础上,本文以腾讯和万科两支股票自2005年6月28日至2015年3月18日的收盘价为研究对象,运用Eviews7.0及Matlab2009b对样本数据进行分析。本文的主要结论如下:第一,通过采用GARCH模型对腾讯和万科股票日收益率尖峰、厚尾及波动聚集性进行刻画,结果发现两支股票收益率具有杠杆效应。腾讯股票收益率负向日收益率变化产生的影响大于正向日收益率变化产生的影响,万科股票收益率的杠杆效应与腾讯的恰好相反。第二,通过Copula模型对两支股票的相依模式进行分析,发现两者股票具有对称的尾部相依性。并且秩相关性很低,结果表明由这两支股票作为投资组合切实可行。第三,在投资组合可行的前提上,采用蒙特卡洛模拟法估算投资组合的风险值。经检验发现基于t-Copula-EGARCH-t模型估算的投资组合风险值最为有效。第四,在有效模型的基础上,确定腾讯和万科两支股票的投资比重。通过实证发现,两支股票的最优投资比重为0.3:0.7。
【关键词】：t-Copula EGARCH-t 风险分析 投资组合 VaR
【学位授予单位】：江南大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F832.51
【目录】：

• 摘要3-4
• Abstract4-7
• 第一章 绪论7-16
• 1.1 研究背景及意义7-8
• 1.2 国内外文献综述8-14
• 1.2.1 关于VaR研究综述8-10
• 1.2.2 关于资产收益率分布研究综述10-12
• 1.2.3 关于Copula理论研究综述12-14
• 1.3 本文的基本框架14-16
• 第二章 投资组合风险度量相关理论16-25
• 2.1 金融资产收益率分布特征和GARCH模型16-18
• 2.1.1 金融资产收益率的分布特征16
• 2.1.2 GARCH模型的介绍16-18
• 2.2 相依结构Copula的介绍18-20
• 2.2.1 Copula函数的优越性18
• 2.2.2 Copula函数的定理和分类18-20
• 2.3 在险价值VaR20-24
• 2.3.1 在险价值VaR的概念20-21
• 2.3.2 在险价值法的计算步骤与计算思想21-22
• 2.3.3 在险价值VaR的计算方法22-24
• 2.4 本章小结24-25
• 第三章 投资组合研究对象的选取及样本数据分析25-34
• 3.1 研究对象的选取25-26
• 3.2 样本统计量的描述性统计分析26-28
• 3.3 正态性检验28-29
• 3.4 平稳性检验29-32
• 3.5 异方差检验32-33
• 3.6 本章小结33-34
• 第四章 边缘分布构造34-43
• 4.1 GARCH模型的介绍34-38
• 4.1.1 三种GARCH模型34-36
• 4.1.2 残差序列的分布36-38
• 4.2 模型中的参数估计38-41
• 4.3 拟合优度检验41-42
• 4.4 本章小结42-43
• 第五章样本间相依性分析43-53
• 5.1 Copula函数相关理论的介绍43-45
• 5.1.1 椭圆Copula函数43-44
• 5.1.2 阿基米德Copula函数44-45
• 5.2 Q-Q图检验45-46
• 5.3 Copula模型的参数估计与选择46-48
• 5.3.1 基于Copula函数的时间序列模型46
• 5.3.2 Copula模型的参数估计46-47
• 5.3.3 Copula模型的拟合优度检验47
• 5.3.4 Copula模型参数估计结果和欧氏距离检验47-48
• 5.4 基于Copula模型的相关性测度与分析48-51
• 5.5 本章小结51-53
• 第六章 基于Copula的投资组合风险值计算53-59
• 6.1 蒙特卡洛模拟计算步骤53
• 6.2 在险价值VaR的计算53-54
• 6.3 VaR值的有效性检验54-56
• 6.4 最优投资权重的确定56-57
• 6.5 本章小结57-59
• 第七章 结论与展望59-61
• 7.1 结论59
• 7.2 研究展望59-61
• 致谢61-62
• 参考文献62-67
• 附录一67-69
• 附录二69-71
• 附录三：攻读硕士学位期间发表的论文71

【参考文献】

中国期刊全文数据库 前10条

1 杨湘豫;彭丽娜;;基于VaR的开放式股票型基金市场风险的测量与评价[J];财经理论与实践;2006年04期

2 李悦;程希骏;;上证指数和恒生指数的copula尾部相关性分析[J];系统工程;2006年05期

3 鲁志军;姚德权;;基于Copula-VaR的金融资产组合风险测度研究[J];财经理论与实践;2012年06期

4 陈剑利;刘震;鲍群芳;李胜宏;;基于混合Copula的CDO定价模型[J];高校应用数学学报A辑;2013年01期

5 李平;张馨匀;丁倩岩;;基于时变t-Copula的抵押外汇契约定价研究[J];管理学报;2012年07期

6 司继文,蒙坚玲,龚朴;国内外股票市场相关性的Copula分析[J];华中科技大学学报(自然科学版);2005年01期

7 刘桂梅;赵丽;;基于Copula-GARCH模型的上证地产股与金融股的相关性研究[J];浙江大学学报(理学版);2013年02期

8 杨继平;袁璐;张春会;;基于结构转换非参数GARCH模型的VaR估计[J];管理科学学报;2014年02期

9 王佳妮,李文浩;GARCH模型能否提供好的波动率预测[J];数量经济技术经济研究;2005年06期

10 鲁万波;;基于非参数GARCH模型的中国股市波动性预测[J];数理统计与管理;2006年04期

，

本文编号：1017140