基于GAS动态藤copula的国际指数组合风险收益分析
发布时间：2021-12-10 21:06
针对金融高维变量间存在的复杂非线性动态相关特征,本文拓展了Creal（2013）提出的广义自回归得分模型（GAS）,并应用于藤结构分解出的paircopula模型时变参数建模之中,给出了模型构建及参数估计方法。模拟实验结果显示GAS动态过程相对于ARMA动态过程与静态参数模型能够更好地刻画pair-copula参数的时变特征。同时,模拟实验给出了藤结构各节点copula类型选择应使用的信息准则类型。实证研究综合选取新兴市场与发达市场指数构建投资组合,估计GAS动态藤copula模型参数,并通过蒙特卡洛模拟方法计算组合资产VaR。运用回测检验方法验证模型的有效性,最后基于3种copula模型求解最优权重组合,预测样本外收益率。实证结果表明:国际指数间存在非线性动态相关,参数时变特征主要表现在低层树结构中。除pair-copula类型选择外,藤结构的选择对模型整体的拟合效果也具有重要影响,错误的藤结构设定将使动态藤模型拟合失败。GAS动态D藤copula模型在3个置信水平下均通过了VaR失败率检验,且其样本外的组合回报率在不同置信水平下均高于两种静态模型,拥有优良的平衡风险收益能力。
【文章来源】：华侨大学福建省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
蒙特卡洛模拟（n=500）
图 3.2 国际股票指数对数收益率表 3.3 给出了我们选用数据集的描述性统计。偏态数值表明除巴西圣保罗指数外，其他指数的对数收益率均呈现出显著的负向非对称性。此外，方差显示新兴市场中国和巴西的股市对数收益率相对于发达市场具有更高的波动性。ADF检验结果说明五组对数收益率均平稳，可用于后续的波动性建模。根据 K-S 检验发现所有对数收益率均不服从正态分布。表 3.3 五组对数收益率的特征统计表统计量 BVSP SP500 FT100 N225 SSEC中位数 -0.00040 0.00060 0.00059 0.00100 0.00066均值 0.00001 0.00054 0.00022 0.00077 0.00034方差 0.00026 0.00008 0.00010 0.00023 0.00028偏度 0.24773 -0.17657 -0.02836 -0.22082 -0.73289峰度 1.21942 3.12710 3.08269 2.88886 6.14925K-S 统计量 0.47963***0.48542***0.48404***0.47805***0.47644***ADF 统计量 -9.557***-10.382***-10.927***-10.296***-8.964***
种特殊的 R 藤类型中进行选择。C 藤结构主要突出每一层树中有关键变量对其他变量具有较强的影响，而 D 藤的线性结构则表示每一层树中，变量之间的相关性差异较小，因此可以依据变量间的相关性强弱线性排列。图 3.3 给出了 5 个对数收益率的秩相关系数及相关模式图，可以看出所有变量之间都存在正相关关系，且不存在对其他所有变量都能产生较大影响的关键变量，因此选用 D 藤结构较为合适。在选定了 D 藤结构后，对于 5 维序列，依然有 5!/2=60 种可能的排列方式。根据 Nikoloulopoulos et al.（2012）提供的 D 藤排列方法，只需使各对变量的秩相关系数之和达到最大即可。[57]具体做法为：首先选择具有最高秩相关系数的一对变量，再选择与已选中的两个变量具有最大秩相关系数相连，重复该过程即可得到 D 藤排列。
【参考文献】：
期刊论文
[1]多资产投资组合在险价值预测的实证分析[J]. 佘笑荷,王晓芳,杨来科. 统计与决策. 2017(03)
[2]市场流动性与市场预期的动态相关结构研究——基于ARMA-GJR-GARCH-Copula模型分析[J]. 姚登宝,刘晓星,张旭. 中国管理科学. 2016(02)
[3]基于pair copula-LMSV-t模型的投资组合风险研究[J]. 张勔,程希骏,方正,郭键鸿,刘峰. 中国科学技术大学学报. 2015(12)
[4]基于非参数时变Copula模型的美国次贷危机传染分析[J]. 叶五一,韦伟,缪柏其. 管理科学学报. 2014(11)
[5]基于Copula-GJR-Skewt模型的投资组合风险预测研究[J]. 陈玲俐. 数学的实践与认识. 2014(18)
[6]Copula的参数与半参数估计方法的比较[J]. 张连增,胡祥. 统计研究. 2014(02)
[7]基于pairCopulaCVaR模型的保险投资组合优化[J]. 邵梦倩,杜子平. 金融理论与实践. 2011(03)
[8]基于时变Copula模型的沪深股市相依分析[J]. 王沁,王璐,程世娟. 统计与决策. 2010(19)
[9]Copula模型在沪深股市相关性研究中的应用[J]. 魏平,刘海生. 数理统计与管理. 2010(05)
[10]基于动态Copula方法的股票组合VaR估计[J]. 贺学强,易丹辉. 统计与决策. 2010(17)
本文编号：3533392
【文章来源】：华侨大学福建省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
蒙特卡洛模拟（n=500）
图 3.2 国际股票指数对数收益率表 3.3 给出了我们选用数据集的描述性统计。偏态数值表明除巴西圣保罗指数外，其他指数的对数收益率均呈现出显著的负向非对称性。此外，方差显示新兴市场中国和巴西的股市对数收益率相对于发达市场具有更高的波动性。ADF检验结果说明五组对数收益率均平稳，可用于后续的波动性建模。根据 K-S 检验发现所有对数收益率均不服从正态分布。表 3.3 五组对数收益率的特征统计表统计量 BVSP SP500 FT100 N225 SSEC中位数 -0.00040 0.00060 0.00059 0.00100 0.00066均值 0.00001 0.00054 0.00022 0.00077 0.00034方差 0.00026 0.00008 0.00010 0.00023 0.00028偏度 0.24773 -0.17657 -0.02836 -0.22082 -0.73289峰度 1.21942 3.12710 3.08269 2.88886 6.14925K-S 统计量 0.47963***0.48542***0.48404***0.47805***0.47644***ADF 统计量 -9.557***-10.382***-10.927***-10.296***-8.964***
种特殊的 R 藤类型中进行选择。C 藤结构主要突出每一层树中有关键变量对其他变量具有较强的影响，而 D 藤的线性结构则表示每一层树中，变量之间的相关性差异较小，因此可以依据变量间的相关性强弱线性排列。图 3.3 给出了 5 个对数收益率的秩相关系数及相关模式图，可以看出所有变量之间都存在正相关关系，且不存在对其他所有变量都能产生较大影响的关键变量，因此选用 D 藤结构较为合适。在选定了 D 藤结构后，对于 5 维序列，依然有 5!/2=60 种可能的排列方式。根据 Nikoloulopoulos et al.（2012）提供的 D 藤排列方法，只需使各对变量的秩相关系数之和达到最大即可。[57]具体做法为：首先选择具有最高秩相关系数的一对变量，再选择与已选中的两个变量具有最大秩相关系数相连，重复该过程即可得到 D 藤排列。
【参考文献】：
期刊论文
[1]多资产投资组合在险价值预测的实证分析[J]. 佘笑荷,王晓芳,杨来科. 统计与决策. 2017(03)
[2]市场流动性与市场预期的动态相关结构研究——基于ARMA-GJR-GARCH-Copula模型分析[J]. 姚登宝,刘晓星,张旭. 中国管理科学. 2016(02)
[3]基于pair copula-LMSV-t模型的投资组合风险研究[J]. 张勔,程希骏,方正,郭键鸿,刘峰. 中国科学技术大学学报. 2015(12)
[4]基于非参数时变Copula模型的美国次贷危机传染分析[J]. 叶五一,韦伟,缪柏其. 管理科学学报. 2014(11)
[5]基于Copula-GJR-Skewt模型的投资组合风险预测研究[J]. 陈玲俐. 数学的实践与认识. 2014(18)
[6]Copula的参数与半参数估计方法的比较[J]. 张连增,胡祥. 统计研究. 2014(02)
[7]基于pairCopulaCVaR模型的保险投资组合优化[J]. 邵梦倩,杜子平. 金融理论与实践. 2011(03)
[8]基于时变Copula模型的沪深股市相依分析[J]. 王沁,王璐,程世娟. 统计与决策. 2010(19)
[9]Copula模型在沪深股市相关性研究中的应用[J]. 魏平,刘海生. 数理统计与管理. 2010(05)
[10]基于动态Copula方法的股票组合VaR估计[J]. 贺学强,易丹辉. 统计与决策. 2010(17)
本文编号：3533392
本文链接：https://www.wllwen.com/jingjilunwen/jingjiguanlilunwen/3533392.html
