高级风险模型：多元情形.pptVIP

* 第十六章 高级风险模型：多元情形 主要内容： 16.1 投资组合头寸系统 映射 解析分部 正态联合分布 风 16.2 风险因子建模系统 险 copula 系 统 delta-正态方法 16.3 风险加总系统 历史模拟法 蒙特卡洛模拟法 16.4 VAR系统的局限性 16.1风险映射 风险简化 投资工具 #1 #2 #3 #4 #5 #6 风险因子 #1 #2 #3 风险加总 图16.1 映射的方法 因子模型的映射 将股票i 的收益率分解成三部分：一个常数，一个基于市场收益率RM的成分和一个残差项： 称为股票i的系统风险 考虑一个各种资产权重为 的投资组合 加权平均的 为： 投资组合方差为： 这个映射的方法用市场指数 代替了股票i的 美元价值 相关性分析： 国际金融市场快速发展——市场间相互依存性加强。 金融创新不断涌现——金融风险越发集中和隐蔽。相关性分析是多变量金融分析中的一个中心问题，资产定价、投资组合、波动的传导和溢出、风险管理等问题都涉及相关性分析。而常用的线性相关系数有具有一定的局限性。如它要求变量间是线性的，且方差存在，但是金融市场中出现的不少数据往往是厚尾分布，它们的方差有时并不存在。 举个例子： 我们知道，对于两个变量之间的相关性关系，我们可以利用相关系数 来度量，但是，我们看下面的问题： 若 （x，y显然关系密切） 则 即x，y的相关系数为0。 因此，当变量间的关系是非线性时，用相关系数来度量其关系是不可靠的。而Copula函数在一定的范围内就可以避免这个问题。 copula函数的精髓在于没有直接定义变量的相关性，而是采取一种间接的的方式来定义其相关性 16.2 Copula函数 形象地说，我们可以把Copula函数叫做“连接函数或“相依函数”，它是把多个随机变量的联合分布与它们各自的边缘分布相连接起来的函数。 边缘分布 多元联合分布函数 copula函数 Sklar定理 对任意的联合密度函数，总存在一个copula函数，满足： 若 连续，则 唯一确定。反 之， 若为一元分布 ，那么由上式确定的 函数F是边缘分布 的联合分布 尾部相关性 尾部相关性是指二维分布中尾数数据的相关，他是一个 与极值理论联系在一起的概念。在金融风险的分析中，更有 意义的是寻找随机变量的尾部相关性，这一特性用copula函 数来处理非常方便。引入条件概率 来反映 股票市场中一种股票价格高涨后，是否会引起其他股票价格 的攀升，从而对股市有较大的影响。 当x,y趋于无穷大或足够大时， 即反映了 随机变量X与Y的尾部相关性。 定义：(上尾相关与独立、下尾相关与独立)令 为连续随 机变量的向量，边缘分布分别为F,G，则