基于连接函数模型的金融风险测度研究

发布时间：2017-05-27 06:05

  本文关键词：基于连接函数模型的金融风险测度研究，由笔耕文化传播整理发布。

【摘要】：随着经济全球化的不断深入,不同国家间金融市场的相互依存性不断增强,2007年爆发的全球金融危机更是凸显出金融风险的“传染性”不断加剧,对经济的冲击与破坏更大,从而对金融市场风险的测度提出了新的挑战。正是由于当前金融市场间的相互关系变得日趋复杂,多呈现出非对称、非线性以及尾部相关的结构特征,而Copula函数可以在一定程度上捕捉到随机变量间复杂的相关关系,这就简化了金融时间序列相关性分析与建模问题。因此,应用Copula理论研究金融市场的相关性及风险测度具有重要的理论意义与应用价值。论文围绕Copula理论框架及其在金融领域的应用,对国内外的研究现状进行了归纳整理。随后,论文系统介绍了传统Copula和Vine Copula的基本理论,并基于金融市场视角对双参数Copula函数和Vine Copula函数进行了深入探讨,从理论角度归纳了应用Copula模型进行金融风险测度的方法。在实证研究中,论文使用GJR-GARCH模型对上证指数与深圳成指序列进行滤波,然后用广义帕累托分布与光滑核的组合方式对边缘分布的拟合效果进行改进,在此基础上,运用Copula函数进行了相关结构估计,并采用蒙特卡洛模拟法计算出VaR之后,进行回测检验,同时与其它方法进行比较,归纳出上述方法的优势；在使用EGARCH进行边缘分布估计的基础上,使用多种单参数和双参数Copula函数对上证指数收益率与成交量序列进行相关性分析,实证结果表明,根据所选用数据的特征,用双参数Copula函数对相关结构的刻画更加精确；运用Vine Copula函数对上证和深证的六个指数进行相关性度量,结果表明与传统Copula相比,Vine Copula对多元时间序列的相关性测度准确度更高。论文的创新点主要体现在以下几个方面：首先,系统总结了Copula的理论框架,将Copula模型设定、估计、检验及评价等方面进行了比较全面地梳理,对Copula函数进行了新的诠释,并赋予了更有价值的经济解释；其次,将半参数方法应用于边缘分布的估计,为模型的可实现性奠定基础,同时将比较成熟的GARCH模型、极值理论与VaR理论系统地整合起来进行估计与检验,并通过Monte Carlo模拟进行风险的测度,从而降低了风险测度模型设定上叠加风险的概率,为金融风险的测度研究提供了更为实用的方法；最后,基于数据特征,应用单参数与双参数Copula、三种Vine Copula对金融时间序列的相关性进行了分析并归纳出不同模型的优势,为深入研究相关性问题提供了更为实用的工具。
【关键词】：Copula函数 广义帕累托分布 GARCH模型 相关性 风险测度 金融市场
【学位授予单位】：天津财经大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：F224;F830
【目录】：

• 内容摘要5-7
• Abstract7-12
• 第1章 导论12-22
• 1.1 选题背景及研究意义12-18
• 1.1.1 选题背景12-16
• 1.1.2 研究目的与意义16-18
• 1.2 研究结构与主要创新18-22
• 1.2.1 研究内容与结构18-20
• 1.2.2 主要创新与特色20-22
• 第2章 文献综述22-37
• 2.1 国外研究现状22-31
• 2.1.1 Copula模型设定与估计的研究22-25
• 2.1.2 Copula模型的检验25-28
• 2.1.3 Copula模型的应用研究28-31
• 2.2 国内研究现状31-36
• 2.2.1 参数Copula模型的研究31-34
• 2.2.2 半参数和非参数Copula模型的研究34-36
• 2.3 本章小结36-37
• 第3章 Copula理论的研究与分析37-77
• 3.1 Copula函数的一般概念37-42
• 3.1.1 多元Copula函数的定义与基本性质37-39
• 3.1.2 多元Sklar定理及推论39-40
• 3.1.3 条件Copula函数40-42
• 3.2 传统Copula函数的分类42-55
• 3.2.1 椭圆族Copula函数42-44
• 3.2.2 阿基米德Copula函数44-53
• 3.2.3 极值Copula函数53-55
• 3.3 Vine Copula函数55-58
• 3.3.1 Vine Copula函数的定义55-56
• 3.3.2 Vine Copula的树结构及其对应矩阵56-58
• 3.4 基于Copula理论的相关性测度58-64
• 3.4.1 Kendall秩相关系数58-60
• 3.4.2 Spearman秩相关系数60-61
• 3.4.3 Gini秩相关系数61
• 3.4.4 尾部相关系数61-64
• 3.5 Copula模型的设定研究64-65
• 3.5.1 确定单个随机变量的边缘分布64
• 3.5.2 确定随机变量间相关模式的Copula函数64-65
• 3.6 Copula模型的估计方法研究65-72
• 3.6.1 Copula模型的参数估计方法65-69
• 3.6.2 Copula模型的半参数和非参数估计方法69-72
• 3.7 Copula模型的检验72-75
• 3.7.1 边缘分布模型的检验72
• 3.7.2 Copula函数的检验72-75
• 3.8 本章小结75-77
• 第4章 Copula模型的应用研究77-94
• 4.1 构成Copula模型的函数族分析77-84
• 4.1.1 GARCH族模型77-79
• 4.1.2 极值理论方法79-84
• 4.2 应用Copula模型进行金融风险测度84-93
• 4.2.1 在险价值(VaR)模型84-91
• 4.2.2 应用Copula模型的建模过程91-93
• 4.3 本章小结93-94
• 第5章 Copula模型的实证研究94-115
• 5.1 基于Copula模型的金融风险测度94-99
• 5.1.1 数据及描述性统计分析94-95
• 5.1.2 确定单个随机变量的边缘分布95-97
• 5.1.3 确定随机变量间相关模式的Copula函数97-98
• 5.1.4 计算VaR并进行失效天数回测98-99
• 5.2 双参数Copula函数的应用99-102
• 5.2.1 选取数据99-100
• 5.2.2 确定单个随机变量的边缘分布100-101
• 5.2.3 确定随机变量间相关模式的Copula函数101-102
• 5.3 Vine Copula的应用102-113
• 5.3.1 数据及描述性统计分析102-104
• 5.3.2 确定单个随机变量的边缘分布104-106
• 5.3.3 确定随机变量间相关模式的Copula函数106-113
• 5.4 本章小结113-115
• 第6章 研究结论与展望115-117
• 6.1 主要结论115-116
• 6.2 研究展望116-117
• 参考文献117-127
• 后记127

【相似文献】

中国期刊全文数据库 前10条

1 孙志宾;;混合Copula模型在中国股市的应用[J];数学的实践与认识;2007年20期

2 李娟;戴洪德;刘全辉;;几种Copula函数在沪深股市相关性建模中的应用[J];数学的实践与认识;2007年24期

3 李军;;Copula-EVT Based Tail Dependence Structure of Financial Markets in China[J];Journal of Southwest Jiaotong University(English Edition);2008年01期

4 许建国;杜子平;;非参数Bernstein Copula理论及其相关性研究[J];工业技术经济;2009年04期

5 王s，

本文编号：399006