基于Copula函数的贷款组合期限结构优化模型及其应用

将Copula函数应用于银行贷款组合期限结构优化模型上,进行实证分析.指出基于Copula函数的贷款组合期限结构模型解决了贷款组合的流动性风险控制问题.更好地反映了贷款组合的真实风险,兼顾了资产组合的收益与市场风险的暴露.     

基于非对称阿基米德Copula模型的投资组合风险度量

基于几何平均和加权平均的结合,构造非对称的加权混合阿基米德Copula模型,使得所建立的模型既能考虑资产组合内部各资产非对称的影响,又能捕捉到资产组合的上下尾相互作用的差异性.在实证研究中,以旅游业的金融投资组合作为研究对象,将非对称的加权混合阿基米德Copula模型和混合Copula模型在资产组合VaR计算精度方面进行了比较,结果发现非对称的加权混合阿基米德Copula模型真实反映资产组合相关结构非对称的差异性,具有较好的准确性及有效性.     

我国资本市场与经济增长关系的实证研究

本文对近十年的中国资本市场与经济增长关系进行实证研究,用国债市场成交额、股市流通股总市值、银行中长期贷款来度量资本市场的规模,建立计量经济模型,分析资本市场与我国经济增长的关系。结果表明,银行中长期贷款对经济增长的作用最大,股市流通股总市值次之,而国债市场的作用有限。     

基于复合Copula函数的动态投资组合选择模型的研究

利用加权平均法定义了复合Copula函数.基于复合Copula函数的性质定义了投资组合的风险测度值相对Copula-CVaR(RCCVaR).利用RCCVaR风险度量方法建立动态的均值-RCCVaR的投资组合选择模型.     

基于损失分布模型的操作风险相关性及算法

根据新巴塞尔协议关于银行操作风险计量的基本框架,讨论了高级计量法下不同产品条线/风险类型单元的操作风险之间的相关性问题,并运用损失分布模型计算不同单元的操作风险累计损失之间的相关系数,尝试用Copula算法来计算相关系数矩阵,并将结果应用于操作风险资本配置.     

基于Copula-Glue的水文模型参数的不确定性

 利用现行的Copula函数来描述模型参数之间的相关性,提出基于Copula Glue的水文模型参数不确定性估计方法。选取采样次数为10 000、50 000和100 000,阈值为0.5、0.6和0.7的6种组合,进行了模型参数的不确定性模拟,并与Glue方法的模拟结果进行了对 比。结果表明基于Copula Glue的水文模型参数不确定性估计方法用联合分布代替单独的参数的分布,能够很好地考虑参数之间的 相关性,在同样的采样次数下能够生成更多有效的参数组合,从而更加全面地估计参数的不确定性。     

Copula-EGARCH模型及投资组合的时变风险价值估计

采用EGARCH模型对资产组合中的每一资产建模,资产的联合分布采用条件Copula构建,应用常相关模式建立了Copula-EGARCH模型;采用Monte Carlo法估计资产组合时变风险价值;讨论了模型的检验问题,给出了相关的检验方法。以上证综指与深证成指数据为样本,选用广义误差分布拟合误差分布并选取BB1Copula进行实证分析,实证结果表明所建模型是合理有效的,所估计时变风险价值具有良好的估计精度。     

基于C藤Copula模型的混业经营下 聚合风险的度量

本文首次提出了对混业经营下聚合风险度量问题的实证研究,以VaR作为风险度量的工具,根据混业经营下金融机构所拥有的资产组合的特点,首先利用ARMA(1,1)-GARCH(1,1)模型提取了各单个资产的标准残差,再选取C藤Copula对各单个资产之间的相依结构进行了拟合,最后根据拟合的参数借助于蒙特卡罗模拟法进行了逆向模拟,得到了C藤Copula模型下VaR的回溯测试结果.同时,采用类似的方法,分别对R藤和D藤Copula模型下的VaR进行了回溯测试,并将3种模型下的回测结果进行了对比,得出了C藤Copula模型下得到的结果误差最小的结论.此外,文中还给出了用C藤Copula对多维数据之间的相依结构进行拟合的算法步骤以及利用蒙特卡罗模拟法求解多维资产组合VaR的步骤和方法.     

基于Copula的股票市场VaR和最优投资组合分析

在股票市场风险分析中,对不同股票相关结构的讨论有着重要意义,从而引出对如何选取好的相关结构模型来捕捉股票间的相关变化规律的讨论.本文选取Gauss Copula、t Copula、Gumbel Copula和Mixed Gumbel Copula,运用两步半参数估计法对股票市场相关结构建模,并依据建立的模型进行VaR分析,采用Wald型检验方法来判断VaR估计效果.从效用最大化角度出发,确定最优投资组合.     

基于Copula-GARCH的投资组合风险度量的实证应用

通过Va R模型对我国的上证指数和深成指2010年1月25日至2012年12月28日的收盘价的波动性加以实证分析,进行模型检验,从而得出模型有效的结论。用Copula函数刻画上证综指和深成指之间的相关结构进而得到投资组合收益率的联合分布,建立了GARCH(1,1)-t模型,利用各项资产收盘价、成交量的历史数据,通过Monte Carlo模拟生成具有Copula相关结构的收益率分布,得到组合的风险价值。应用Copula-Va R-GARCH模型通过Monte Carlo模拟计算投资组合的Va R值,对探讨股票市场波动(风险)以及与预期收益之间的关系具有重要的理论意义和实用价值。     

不同借贷利率的投资组合的有效前沿

研究在不同借贷利率下，投资组合的有效前沿，运用一种几何方法，给出该有效前沿的方程，把Markowitz模型的有效前沿、不同借贷利率下的资本市场线(CML)，分别用投资组合的权重向量予以表示，再由CML的定义，就在Markowitz模型的有效前沿上，分别求出不同借贷利率下资本市场线与Markowitz模型有效前沿的切点。由此，得到不同借贷利率下CML的斜率，以及不同借贷利率下投资组合的有效前沿。     

抵押贷款的信用风险度量

在对新巴塞尔协议的IRB方法研究的基础上，提出了比该方法更一般的度量信用风险的模型。在建模过程中，考虑了同类贷款组间的相关性和宏观经济因素对抵押贷款回收率的影响。最后，应用该模型对有担保的中小企业的贷款组合进行了信用风险度量。     

M-Copula-GARCH-t模型在股指期货风险管理中的应用

本文考虑到金融资产收益率这一时间序列的方差时变特性和尖峰厚尾的分布特征,所以使用GARCH-t模型来描述这一现象;同时为了分析包括股指期货在内的投资组合各项资产之间的相关结构,采用了不限制边缘分布的Copula方法,并最终提出了M-Copula-GARCH-t模型用以度量包括股指期货在内的投资组合各项资产之间的相关性,验证了Copula方法,特别是M-Copula方法在度量结果和拟合效果上,具有较高的精确性.     

基于阿基米德Copula的投资组合风险分析

应用阿基米德Copula分析沪深股票市场投资组合风险,样本区间从2000年1月4日至2006年11月8日,共1639组有效数据．首先,由于金融数据不具有正态性,且是厚尾的,因而应用极值理论对边缘分布建模;然后,采用极大似然估计对给定的5个阿基米德Copula进行参数估计,从中选择能更好拟合实际数据相关性的Copula;最后,运用Monte Carlo模拟方法计算相应的风险价值（VaR）,确定最优的组合系数．结果表明,当组合系数β=0．33时,沪深股市投资组合风险最小．     

基于综合风险约束的贷款组合优化决策模型

信贷风险是银行经营中的主要风险 ,贷款风险组合优化是信贷管理中最常见的决策 .分析了国内外同类研究的缺陷 ,提出了反映贷款风险组合优化规律的决策原则 ,并以 0 1型整数规划为工具 ,以综合贷款风险度为约束条件 ,建立了贷款风险组合的优化决策模型 .在进一步实例分析和对比分析基础上 ,探讨了这种模型的特点 ,为信贷风险的组合配给提供了科学的决策方法     

基于Copula理论的金融风险分析

本文将Copula理论应用于投资组合的风险管理之中。对几种常用的Copula函数进行对比分析,概括出了不同Copula函数的特点。最后对于Copula函数在实际金融风险分析中的应用问题进行了深入的探讨。     

基于信用评级的商业银行贷款风险定价模型

建立了一个基于信用评级体系的风险定价模型.通过模型证明一笔贷款的价格不仅与借款人的预期违约率和贷款回收率有关,而且与借款人在贷款期间信用等级的变化有关.贷款的价格(利率)与借款人信用恶化的程度和发生的概率正相关.利用实际数据求出了各信用等级借款人的利率、风险价值和经济资本等参数.     

次贷危机前后资产组合的风险度量

为了研究次贷危机对中国股市的影响,本文选取三只股票,分别选用单一的EVT模型和Copula-EVT模型计算资产组合的VaR和CVaR,通过对长期数据和短期数据的计算,总结出次贷危机对中国股市的影响.实证分析表明,次贷危机在短期内会对中国的证券业和房地产业产生一定的影响,但对制造业的影响不大;同时还能看出,引入Copula函数计算的组合风险要优于单一的EVT模型计算的组合风险.     

Copula度量投资组合VaR的应用研究

本文主要研究Copula理论在投资组合风险管理中的应用．简要的介绍了Copula定义和Sklar定理的一些性质，重点介绍了Gaussianl-Copula、t-Copula以及Gumble Copula函数的形式，选取上证综指和深证成指作为研究对象，在等权重投资组合的假设下，结合Copula函数，计算出在不同置信水平下的VaR值．