不同风险度量下金融资产相关性研究

发布时间：2017-04-18 09:00

  本文关键词：不同风险度量下金融资产相关性研究，，由笔耕文化传播整理发布。

【摘要】：现代投资组合理论认为对金融资产进行分散化投资能够降低非系统性风险,其理论依据在于各金融资产之间存在着相关性。因此,只有准确地描述金融资产之间的相关关系,才能构建有效的投资组合,从而达到分散风险的目的。经典的均值-方差模型中,使用线性相关系数来度量资产之间的相关性,假设金融资产遵循的是线性相关的多元正态分布。但现实生活中金融资产收益率序列呈现出“尖峰厚尾”及有偏等特性,并不服从正态分布,因此对使用线性相关系数造成了极大的约束。作为一种度量相关性的指标,DCCA相关系数则能够很好的度量两个时间序列之间的非线性关系,因此受到的理论界的广泛关注。然而,本文通过实证研究发现,无论是对于线性相关系数还是DCCA相关系数,其构建的协方差矩阵中都充斥着大量的“噪声”信息,因此两种方法都无法准确地刻画金融资产之间的相关性。基于此,本文利用随机矩阵理论对DCCA相关系数矩阵中的“噪声”信息进行了识别和清除,构建了真实相关系数矩阵。通过实证研究,本文发现无论是对样本内数据的拟合,还是对样本外数据的预测,基于真实相关系数矩阵的投资组合有效前沿都比线性相关系数和DCCA相关系数的有效前沿更优,即本文所提出真实相关系数矩阵是有效的。最后,本文引入熵的概念对方差度量指标进行了优化,构建了均值-方差-熵模型,并通过实证发现对于每一个参数μ0,模型都能够求出唯一最优解。这为投资者提供了更多可供选择的有效投资组合,更符合投资者实际的心理状态。
【关键词】：线性相关系数 DCCA相关系数 随机矩阵理论 均值-方差模型 信息熵
【学位授予单位】：南京大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F224;F832.5
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-24
• 1.1 研究背景和意义10-12
• 1.1.1 研究背景10-11
• 1.1.2 研究意义11-12
• 1.2 相关文献综述12-21
• 1.2.1 风险度量研究综述12-16
• 1.2.2 资产相关性研究综述16-19
• 1.2.3 随机矩阵研究综述19-21
• 1.2.4 研究评述21
• 1.3 研究思路与方法21-22
• 1.4 研究框架22-23
• 1.5 研究的创新点23-24
• 第二章 不同风险度量的投资组合模型24-29
• 2.1 Markowitz投资组合理论与均值方差模型24-26
• 2.1.1 Markowitz投资组合理论24
• 2.1.2 均值-方差模型24-26
• 2.2 熵与均值-方差-熵模型26-29
• 2.2.1 熵概念的简介26-27
• 2.2.2 基于信息熵的均值-方差-熵模型的建立27-29
• 第三章 资产收益相关性度量29-35
• 3.1 线性相关系数29-30
• 3.2 DCCA互相关系数30-35
• 3.2.1 去趋势波动分析法(DFA)30-32
• 3.2.2 去趋势互相关分析法(DCCA)32-33
• 3.2.3 DCCA系数法33-35
• 第四章 随机矩阵理论与真实相关系数矩阵建模35-43
• 4.1 随机矩阵与其统计性质35-37
• 4.1.1 随机矩阵理论简介35
• 4.1.2 随机矩阵特征值、特征向量的统计性质35-37
• 4.2 基于随机矩阵理论的相关系数矩阵“去噪”方法37-40
• 4.3 真实相关系数矩阵建模40-43
• 第五章 实证研究43-57
• 5.1 我国股市噪声性质的检验43-51
• 5.1.1 实证数据的选择与清洗43
• 5.1.2 实证相关系数矩阵特征值与特征向量的统计性质43-50
• 5.1.3 结果分析50-51
• 5.2 真实相关系数矩阵有效性检验51-55
• 5.2.1 拟合风险对比51-53
• 5.2.2 预测风险对比53-55
• 5.3 均值-方差-熵模型的优化检验55-57
• 第六章 结论与展望57-59
• 6.1 研究结论57
• 6.2 研究展望57-59
• 致谢59-60
• 参考文献60-66

【相似文献】

中国重要会议论文全文数据库 前1条

1 杨舰;吉维华;吴奎华;;霜脲氰的气相色谱分析[A];中国化工学会农药专业委员会第八届年会论文集[C];1996年

中国硕士学位论文全文数据库 前2条

1 卢昌林;不同风险度量下金融资产相关性研究[D];南京大学;2016年

2 张志林;化肥成分的光谱法分析[D];哈尔滨工程大学;2009年

  本文关键词：不同风险度量下金融资产相关性研究，由笔耕文化传播整理发布。

本文编号：314481