基于CopulaAL法的VaR与CVaR的度量与分配下.docVIP

基于Copula-AL法的VaR和CVaR的度量与分配（下） 杜红军 王宗军 2012-12-21 9:59:20　　来源：《中国管理科学》(京)2012年3期第1～9页 　　4实证研究　　4.1数据的选取及其特征　　　　从表1相关统计量的结果，我们可看出两市场指数收益率分布的峰度比正态分布更高，具有尖峰肥尾性，意味着市场的异常波动时有发生；偏度远小于零，负值说明长期看来我国股市收益率分布左侧的波动要大于右侧，股市具有较大风险。　　图1和图2分别为附有正态密度线的两市指数频率直方图，可以看出两市场指数回报分布具有明显的尖峰肥尾和不对称现象，正态分布不能很好地刻画这些现象；对其进行正态J-B检验，H=1（见表1），结果也表明拒绝正态分布的假设。下面将给出AL分布的检验。　　　　　　　　4.2边际AL分布的检验　　据第2部分的理论分析，可得出两边际AL分布参数的ML估计如表2所示，下面我们给出两边际收益率服从相应分布图拟合与检验。　　图3和图4（见下页）为附有相应密度函数的直方图，可知AL分布能很好地拟合金融数据样本的特征，所估计的AL分布能很好地刻画样本期间市场的风险特征。　　Kolmogorov-Smirnov（K-S）检验为常用的拟合优度型检验，可检验样本是否服从指定理论分布。利用Matlab得到K-S-Test检验结果如表2所示。由结果可以看出，H值均为零，P值都远大于0.05，故接受边际分布为分布的假设。　　4.3t-Copula函数的选取与参数估计　　在确定两市场指数回报的边际分布分别为U=AL（0.0040，1.1185，0.0205）和V=AL（0.0038，1.0828，0.0229）后，我们可以据的二元频率直方图（见下页图5）的情况选取适当的Copula函数。从图5可看出，频率直方图具有基本对称的尾部，也即（U，V）的联合密度函数具有对称的尾部，由第二部分的分析我们可选择合适的二元t-Copula函数来描述样本数据的相关结构。选取边际分布为AL分布的二元t-Copula函数，用IFM法通过Matlab编程，得参数估计如表2示。相应的二元t-Copula密度函数图见下页图6。　　Q-Q分位数图比较直观地描述了变量实际分布与指定分布的拟合情况。RobertoEl[19]还证明Copula函数条件分布是服从均匀分布的，故为进一步检验t-Copula描述两市的相关结构情况，图7（见下页）给出了二元t-Copula相对于均匀分的Q-Q散点图，可以看出散点图大致分布在均匀分布的直线附近，所以该Copula函数对样本的拟合程度很好。　　　　　　　　　　　　　　　　4.4市场风险VaR和CVaR的计算与分配　　4.4.1计算结果和返回检验　　由第三部分的模型方法，本节利用Monte Carlo模拟法，模拟100000次，得到不同置信水平下持有期为1天的资产组合VaR和CVaR。同时作为对比，我们也给出正态分布下Normal-Copula和二元AL分布下的风险度量。其中作为常用的多元分布方法，图8给出了二元AL分布Monte Carlo模拟的散点图，可以看出二元AL分布具有的尖峰肥尾性。　　对于风险值的准确性检验，Kupiec[20]给出了一种失败率检验法，即是考察实际损失超过VaR值的概率。对CVaR的检验，可依据CVaR的定义进行，它反映了损失超过VaR阀值时可能遭受的平均损失的大小。我们对尾部风险进行定量研究，即把VaR估计失效时的实际损失的平均值与我们所估计的CVaR进行比较性分析。对给定置信水平95%、97.5%、99%、99.5%和99.9%，组合的VaR和CVaR计算和返回检验的结果见表3，表4和表5，表6。　　从表3和表4计算结果可以看出：（1）无论VaR或CVaR的计算，基于AL分布的方法都较Normal-Copula方法计算结果大些，且随着置信度的提高，相差越大；t-Copula-AL和二元AL分布法计算结果较相近，但通常t-Copula-AL方法计算的结果较大些。（2）正态分布假设下Normal-Copula计算结果随置信水平增加而变化幅度不大；t-Copula-AL和二元AL分布法计算结果随置信水平增加而显著增加，但通常t-Copula-AL方法计算结果变化幅度更大，对尾部风险的敏感性更强。另外，可以看到利用CVaR模型对尾部风险估计的效果，各方法计算的CVaR估计值比VaR估计值高很多，因此它是一种更为保守的风险度量工具。　　　　　　　 　　从返回检验的结果可以看出：（1）Normal-Copula的方法在95%置信水平下可以接受，但是在更高的置信水平下，LR统计量超出了临界值，可