Copula函数相关性与若干相关性度量的比较研究.pdf

Dec.2013 No.12 CHINESETIMES Copula 函数相关性 与若干相关性度量的比较研究 王 晓 【摘 要】文章比较研究了几种常见的相关性度量，着重分析copula 函数在相关分析中的广泛应用与优势。 copula spearman kendall 【关键词】 函数； 秩相关系数； 秩相关系数 O13 A 文章编号 1006-0278 2013 12-275-02( ) 中图分类号： 文献标识码 一、引言 一致的概率与不一致概率之差。若连续随机变量 的样 相关性分析是金融分析中非常重要的内容之一，投资组 本空间为n，令c表示变量一致的数量，d表示变量不一致的 合、风险管理、市场预测时都需要进行此类分析。比如在风险 数量，则样本的Kendall 相关系数表示为： 管理时，通过分析各种风险因素与资产之间的相关性来选择 投资项目组合，降低风险增加收益，因此准确分析各因素之间 相关性变得非常重要，这就需要针对不同的问题选择合适的 Kendall 秩相关系数与 Spearman秩相关系数都具有下列 相关性度量。文中我们首先来了解一下常见的相关性度量， 性质： 再重点介绍Copula函数以及它在金融分析中的应用及优势。 1.在单调递增变换下，秩相关系数保持不变。 2.当两个变量完全独立时秩相关系数为0。 二、常用相关系数 3.当两个变量完全正相关时，秩相关系数为1，当两个变量 （一）Pearson相关系数 完全负相关时，秩相关系数为-1。 定 1 对于两随机变量，定 （四）尾部相关系数 尾部相关性是基于极值研究产生的。风险管理的基础和 关键问题是建立风险模型并根据模型做出风险预测，各风险 用来度量两个变量 X，Y 之间的线性相关关系，其中 之间具有强相关性，建立两个风险之间的相关模型就是研究 。 两个随机变量之间的尾部相关性，其目的在于理清当一个随 一般来说，相关系数说明的是线性相关性，对于非线性相 机变量改变时，另一个随机变量会发生怎样的变化。尾部相 关关系是无效的。 关性能够度量当一个变量大幅增加或减少时，另一个变量也 （二）Spearman秩相关系数 发生大幅增加或减少的概率。 定 2 令 为独立同分布的随机向 定 4 ：若随机向量（X，Y）具有联合分布密度函数 量，若 ，则 则称之为Spearman秩相关系数。Spearman秩相关系数 是尾部相关系数。 为正表示存在正相关，为负表示存 的符号表示与之间联系的方向，如果随着的增大而增大，那么