Copula方法在投資組合以及金融市場風(fēng)險(xiǎn)管理中的應(yīng)用.pdf

1、近年來，隨著金融市場的快速發(fā)展以及經(jīng)濟(jì)全球化的不斷深入，金融風(fēng)險(xiǎn)管理也開始面臨越來越多的新問題和新挑戰(zhàn)。一方面，金融資產(chǎn)之間的相關(guān)性變得越來越復(fù)雜，傳統(tǒng)的線性相關(guān)以及誤差對稱的模型已難以準(zhǔn)確反映其風(fēng)險(xiǎn)的相關(guān)信息；另一方面，金融風(fēng)險(xiǎn)管理的范圍已不僅僅是針對單個(gè)金融資產(chǎn)或者資產(chǎn)組合的收益風(fēng)險(xiǎn)，而是拓展到了包括不同市場、不同種類金融風(fēng)險(xiǎn)的綜合管理。因此，在這種背景下需要一種新的相關(guān)性描述方法來應(yīng)對日趨復(fù)雜的風(fēng)險(xiǎn)管理問題。
　　 Cop

2、ula是一種估計(jì)隨機(jī)變量之間相依關(guān)系的連接函數(shù)。與傳統(tǒng)的相關(guān)性分析方法相比，Copula函數(shù)能更全面地度量變量之間復(fù)雜的相關(guān)結(jié)構(gòu)。本文以基于Copula的模型為基礎(chǔ)，將不同類型的Copula函數(shù)與各種金融風(fēng)險(xiǎn)管理熱點(diǎn)問題靈活地結(jié)合起來，取得了許多具有實(shí)際意義的研究成果。在與現(xiàn)有相關(guān)性分析方法進(jìn)行系統(tǒng)對比和歸納的基礎(chǔ)上，作者總結(jié)了Copula函數(shù)做為一種新型相關(guān)性測度的優(yōu)勢，并據(jù)此進(jìn)行了以下研究工作：
　　 作者首先使用Copul

3、a-GARCH模型對一籃子貨幣的權(quán)重問題進(jìn)行了研究。
　　 考慮到現(xiàn)有的籃子貨幣權(quán)重估計(jì)方法忽略了貨幣之間的關(guān)系，在實(shí)際運(yùn)用時(shí)極易出現(xiàn)權(quán)重估計(jì)不顯著、多重共線性嚴(yán)重等問題，作者基于Copula 方法構(gòu)建了風(fēng)險(xiǎn)最小化條件下的籃子貨幣權(quán)重計(jì)算模型。并依此來推測央行在匯率改革后實(shí)際實(shí)行的貨幣政策。為了提高模型擬合結(jié)果的精確性，文章還首次使用“部分極大似然估計(jì)”方法估計(jì)了Copula-GARCH模型的參數(shù)。實(shí)證分析的結(jié)果表明在美、日、歐

4、、韓四國貨幣組成的籃子貨幣中美元的權(quán)重依然遠(yuǎn)大于其它貨幣，但人民幣匯率的靈活性在逐漸增強(qiáng)，說明我國匯率改革已經(jīng)顯示出了一定成效。
　　 傳統(tǒng)的市場風(fēng)險(xiǎn)分析模型主要是針對金融資產(chǎn)或投資組合的收益率波動性建模，來分析其帶來損失的可能性。本文則從另一個(gè)角度出發(fā)，通過構(gòu)建股票市場的連漲和連跌收益率相關(guān)性模型來研究股票上漲和下跌趨勢之間的聯(lián)系。文章根據(jù)樣本數(shù)據(jù)的特征，首次將Log-ACD模型和Archimedean Copula 相結(jié)合，

5、取得了很好的擬合效果。在實(shí)證分析中，作者通過條件VaR分析了連漲和連跌收益率的條件風(fēng)險(xiǎn)，并據(jù)此構(gòu)建了“漲跌風(fēng)險(xiǎn)對比圖”來分析樣本期股市上漲和下跌的趨勢對比。通過對比股市指數(shù)走勢圖后發(fā)現(xiàn)模型得到的結(jié)果與實(shí)際情況是相吻合的。
　　 在對市場風(fēng)險(xiǎn)的研究中，本文還基于時(shí)變Copula 方法提出了一種非線性時(shí)變的股票市場系統(tǒng)性風(fēng)險(xiǎn)度量方法。作者使用3種GARCH模型以及6種時(shí)變Copula模型分別擬合了4個(gè)行業(yè)和市場收益率的邊緣分布以及聯(lián)

6、合分布。并從中選取了擬合效果最佳的模型計(jì)算了給定市場收益率條件下行業(yè)指數(shù)收益率的條件風(fēng)險(xiǎn)。最后通過構(gòu)造LCVaR Δ和UCVaR Δ兩個(gè)指標(biāo)分別對市場處于不同態(tài)勢下各個(gè)行業(yè)的下尾和上尾系統(tǒng)性風(fēng)險(xiǎn)進(jìn)行了度量。實(shí)證研究顯示該模型對條件風(fēng)險(xiǎn)的計(jì)算結(jié)果較為準(zhǔn)確，并且能夠很好地捕捉通過系統(tǒng)性風(fēng)險(xiǎn)的時(shí)變性。而且與傳統(tǒng)的beta系數(shù)相比，非線性框架下的系統(tǒng)性風(fēng)險(xiǎn)度量方法不需要假定金融資產(chǎn)的正態(tài)性和對稱性，能夠較好地刻畫行業(yè)和市場收益率之間的尾部非線性

7、相關(guān)性，包含了較全面的風(fēng)險(xiǎn)信息。
　　 本章最后針對上市公司信用風(fēng)險(xiǎn)識別以及信用風(fēng)險(xiǎn)和市場風(fēng)險(xiǎn)之間相關(guān)性進(jìn)行了研究，主要可以分為兩個(gè)部分。其中第一部分針對信用風(fēng)險(xiǎn)影響因素集合高維度高相關(guān)性的特點(diǎn)，設(shè)計(jì)了一種基于非參數(shù)的變量選擇算法。實(shí)證結(jié)果表明該方法可以有效去除噪聲變量以及線性相關(guān)的變量，從而為信用風(fēng)險(xiǎn)的因素識別以及信用分析模型的構(gòu)建提供了依據(jù)。在第二部分中作者基于第一部分的變量選擇算法，使用核密度估計(jì)和Copula模型研究了上