基于Copula-TARCH的开放式基金投资组合风险的实证分析

以华夏基金的前10支股票为例,建立了AR(1)-TARCH-t(1,1)模型。分别采用正态Copula函数、t-Copula函数完成单个资产收益的边缘分布到资产组合联合分布的过渡。并结合Monte-Carlo模拟技术计算基金组合的VaR。比较实证结果得出Copula函数的选取影响投资组合风险值;由t-Copula函数仿真得到的VaR更保守。     

基于Copula-SV模型的金融投资组合风险分析

基于正态Copula函数和SV模型,建立了正态Copula-SV模型,将其应用到金融投资组合风险分析,并与Copula-GARCH模型对金融投资组合风险分析方法进行了对比,结果表明,边缘分布的选择对变量的联合分布具有重要作用,Copula-SV模型比Copula-GARCH模型在刻画组合风险VaR值方面具有优越性。     

相关风险函数VaR的界

以VaR作为风险测度，利用Copula的有关理论给出美元／英镑和加元／英镑两支汇率的风险函数在一定水平下的VaR的最优边界。在比较不同类Copula的相关性时，用Kendall τ作为比较的依据。本文的方法对其他风险测度和由更多金融产品组成的组合投资同样适用。     

基于Copula理论的多心理帐户组合VaR模型与基金风险管理

在Shefrin和Statman的行为投资组合和多心理帐户理论的基础上,结合Copula理论对传统的VaR计算模型进行了改进,加入了反映人们预期和风险态度的主观参数,从而使风险度量能够建立在概率(probability)、前景(prospect)和偏好(preference)(“新3P”)的基础之上.然后在此基础上给出了基金投资组合风险预警和投资比例优化的方法.     

金融市场组合风险的相关性研究

研究了上海、深圳两股票市场的相关模式.文章根据Copula函数的意义和广义帕累托分布(Generalized Pareto Distribution,GPD),建立了上海、深圳股票市场组合风险的相关结构模型.用GPD和Copula函数分别刻画了上海、深圳股票市场收益率序列的边缘分布以及变量间的相关信息.在此基础上构造了比较灵活的Copula-GARCH-GPD模型.实证研究表明沪深股市的相关模型为Clayton-GARCH-GPD.进一步用蒙特卡洛方法模拟的投资于两股票市场的组合风险表明,联合正态分布模型所得到的组合风险VaR明显地低于用Copula拟合的结果;在较高的置信水平下,Clayton Copula显示的结果更加安全.     

基于极值理论和Copula函数的条件VaR计算

针对金融市场中某种资产不同风险的非线性和非对称尾部的特性,将极值理论和Copula函数应用于资产风险的研究以及条件VaR的估计.经过对深证成指的实证研究表明,极值理论能更好地拟合具有厚尾分布的收益率和日内波幅的边缘分布,Gumbel Copula函数也能更好地反映两者之间的相关关系.由Gumbel Copu-la函数拟合的联合分布计算出的在一定日内波幅条件下的市场风险VaR能给投资者在进行风险分析以及构建投资组合时提供有用的信息.     

资产组合的集成风险度量及其应用——基于最优拟合Copula函数的VaR方法

通过对不同族类、不同种类Copula函数之间的比较分析,提出了最优拟合Copula函数的一种选择方法.基于沪深两市经验数据的实证检验与分析表明,Frank-Copula和Clayton-Copula分别适用于计算低置信度和高置信度下资产组合集成风险的VaR.在各自置信度下,根据这两种Copula函数的计算方法优于其它Copula函数方法,更优于使用多维正态分布或者多维t分布的传统方法.     

基于GAS的混频Copula模型的投资组合风险预测

考虑到金融资产间的相关关系具有时变性和长记忆性,纳入了混频数据抽样(mixed data sampling,MIDAS)的混频Copula (MIDAS Copula)模型虽能刻画时变性和长记忆性,但其参数演变过程较为简单,因此将广义自回归得分(generalized autoregressive score,GAS)模型作为参数演变过程引入MIDAS Copula模型中,构建GAS MIDAS Copula模型.实证分析发现该模型提升了 MIDAS Copula模型对样本拟合的能力;进一步选择不同相关程度的三组沪深300行业指数,分析该模型对不同相关程度行业间时变相关系数长记忆性的捕捉能力及对投资组合的风险预测精度.结果发现:1) GAS MIDAS Copula模型对高度和中度相关行业间相关系数长记忆性的刻画能力均最优;2)对三组数据简单投资组合的VaR与ES回测检验结果显示GAS MIDAS Copula模型均有最高的预测精度.最后基于不同置信水平、不同权重比例、不同样本滚动窗口长度以及不同资产的各种风险预测结果证实了 GAS MIDAS Copula模型的稳健性.     

基于多分形的资产组合风险度量建模与实证研究

考虑资产收益率的多分形特征及资产组合收益率间的复杂相依结构,运用Markov switching multifractal(MSM)模型对资产收益建模并结合Copula函数刻画相依结构,构建了资产组合市场风险度量的Copula-MSM模型.以风险价值(VaR)和期望损失(ES)作为市场风险度量工具,选取上证指数和恒生指数构成的资产组合进行实证分析,并比较Copula-MSM, Copula-GARCH和Copula-FIGARCH模型对VaR和ES风险测度的估计精度差异.实证结果表明,与Copula-GARCH和Copula-FIGARCH模型相比Copula-MSM能更准确的估计VaR和ES值,提高风险度量精度.     

基于Pair Copula模型的资产组合VaR比较研究

运用多元相关结构研究领域新出现的pair copula方法估计资产组合的非线性相关结构,并结合能较好模拟金融资产分布的广义逆高斯分布(NIG)来估计资产的厚尾偏态特征,构建新的VaR计算模型。为了检验本文模型,运用国内5类行业股票价格的数据对其效果进行了实证分析。结果显示:相比基于正态分布的VaR模型和基于传统Copula方法的VaR模型,本文模型在描述高维相关结构时更加灵活,由此构建的VaR模型更接近实际发生的损失。     

SPAN保证金系统中的VaR实现技术

为了解决标准资产组合风险分析(SPAN)保证金系统的开放性问题,本文采用测度风险的参数、半参数和非参数VaR方法和描述相关结构的时变Copula技术,给出了VaR-SPAN系统中主要输入参数的设定方案.实例计算结果表明,与采用VaR-SPAN计算流程计算得到的国内期货产品组合所需的保证金大小相比,交易所实际收取的保证金偏高.     

基于高维R-vine Copula的金融市场投资组合优化研究

为优化国际金融市场的投资组合,本文以全球具有代表性的七大股票市场重要股票指数作为金融市场的典型代表:首先运用较为灵活的APARCH模型来刻画股票指数收益序列的"典型事实"特征,其次针对投资组合优化模型中变量之间复杂相依关系,采用最大生成树MST (maximum spanning tree,MST)算法选择的R-vine Copula来刻画七个股票市场的相依结构,进而测度R-vine Copula相依结构下组合风险CVaR,最后基于R-vine Copula相依结构条件下建立Mean-CVaR投资组合模型,并实证对比了Mean-VaR,Mean-CVaR和基于R-vine Copula相依结构下的MeanCVaR模型的拟合效果.实证结果表明:考虑资产之间的相依结构能起到优化投资组合的效果,在降低投资组合风险的同时增加了回报率;基于R-vine Copula相依结构下的Mean-CVaR模型投资组合优化效果明显优于Mean-CVaR模型,而Mean-VaR模型较其它两种模型表现相对较差.     

信用危机下可违约债券组合风险集成度量:基于三因子强度定价模型

可违约债券一旦一个信用违约事件突发后,可导致一系列的可违约债券的相续违约,通过对可违约债券组合风险集成度量进行研究,为金融机构进行金融应急管理和科学决策提供理论依据,同时有利于金融机构完善金融系统在这方面应急处置机制.针对可违约债券组合中的信用-市场风险相关性和各债务人信用相关性,可从不同风险类型识别出的共同的风险驱动因子出发构建风险整合框架.假设债券的违约强度仿射地依赖于系统市场风险因子、系统信用风险因子、特质信用风险因子等组成的基础状态向量,推导出了基于三因子仿射强度的可违约债券价格,把可违约债券双因子强度定价模型拓展为三因子强度定价模型.在此基础上,建立了可违约债券组合风险集成度量的Monte Carlo方法,得出同一个风险计算期下反映市场风险和信用风险这两类风险的损失分布,进而能求得组合的VaR值,在同一个框架下同时捕捉可违约债券的两类风险.最后运用提出的基于三因子仿射强度的风险集成度量模型对短期融资券组合的风险进行数值计算,并与基于双因子仿射强度的风险集成度量模型得到的VaR值进行比较分析.     

考虑广义多维空间效应的S-VaR测算

VaR(value at risk)的测算精度一直是业界和学术关注热点问题.本文应用定义的经济测度距离和引力空间权重矩阵,建立广义多维空间计量模型捕捉金融系统的空间效应信息,构造S-VaR(saptial-value at risk),提高VaR的测算精度.以SP亚洲50指数作为股票资产组合替代变量进行实证分析,结果表明:广义多维空间效应S-VaR能捕捉金融市场存在的多维空间相关性和风险的空间溢出效应,提高了VaR模型在风险预测中的精确性.