基于Copula股票市场波动溢出分析.docVIP

基于Copula股票市场波动溢出分析摘 要：对于动态投资组合与风险管理来说，测定波动溢出效应是非常重要的。已有的研究是建立在不同金融市场之间的波动是线性相关的，而线性相关并不能描述金融市场之间的非线性关系。借用Copula技术来描述股票市场之间的非线性关系、SV模型来刻画股票市场数据的边缘分布，并引入波动变结构论分析判断波动溢出，实证分析验证了方法是可行的 ? 关键词： SV模型;多元SV模型;股票市场;波动溢出 ? 中图分类号：F830.91 文献标识码： A 文章编号：1003-7217(2011)06-0053-06?? 自20世纪80年代，随着世界各国经济的复苏，金融市场逐渐呈现出了金融自由化、信息化、融资证券化和金融创新等特点，全球经济趋向于一体化。金融全球化导致了各国金融市场的开放程度不断加深，资本在全球范围内的大量、快速和自由流动。风险特性不同的各类资本在全球金融市场重新配置、重新组合，极大地改变了全球金融市场的运行方式和风险表现。资本持续流动在推动金融深化、扩大金融规模、提高金融市场效率的同时也带来了金融波动以及金融市场动荡频繁爆发等问题。由于经济全球化与金融一体化大大增强了全球经济、金融市场间的相互依存性，全球金融市场之间的价格协同运动使任何地区的金融市场的局部波动都会迅速波及、传染、放大到其他市场。? 股票市场波动溢出是指不同股票市场的波动之间可能存在相互影响，波动会从一个市场传递到另一个市场。以往的研究认为不同波动间的关系是线性的，而且其方差是有限的，否则就没有经济意义，但股票市场中的数据往往是厚尾分布，它们的方差有时并不存在，因此无法准确判断不同股票市场间是否存在波动溢出；另外，线性相关系数无法捕捉变量间非线性的相关关系，只有当联合分布服从椭圆分布如二元正态分布时，联合分布才能由变量间的相关系数和边缘分布唯一确定，而椭圆分布只能反映变量间对称的相关模式，也就是说，线性相关系数和与之对应的椭圆分布只能描述变量间线性的相关程度和对称的相关模式。因此用线性相关系数来分析存在非线性关系的变量间的相关性时会产生?误导。?? 本文针对传统方法不能测度不同波动间的非线性关系问题，使用Copula函数度量不同波动间的线性关系及非线性关系，将波动变结构与Copula函数结合，进而分析研究金融市场之间的波动溢出。? 一、Copula函数? 定理1:(Sklar定理)［1］令F为具有边缘分布?F?1(#8226;),…,F?N(#8226;)的联合分布函数，那么，存在一个?Copula?函数C，满足:? ?F(x?1,…,x?n,…,x?N)=C(F?1(x?1),…,? F?n(x?n),…,F?N(x?N)) (1)? 若F?1(#8226;),…,F?N(#8226;)连续，则C唯一确定；反之，若F?1(#8226;),…,F?N(#8226;)为一元分布，那么由式(1)定义的函数F是边缘分布F?1(#8226;),…,F?N(#8226;)的联合分布函数。? 通过?Copula?函数C的密度函数c和边缘分布F?1(#8226;),…,F?N(#8226;)，可以方便地求出N元分布函数F(x?1,…,x?n,…,x?N)的密度函数：? f(x?1,…,x?n,…,x?N)=c(F??1?(x?1),…,? F?n(x?n),…,F?N(x?N))∏N?n=1?f?n(x?n) (2)? 其中c(u?1,…,u?n,…,u?N)=?C(u?1,…,u?n,…,u?N)?u?1…?u?n…?u?N，f?n(#8226;)是边缘分布F?n(#8226;)的密度函数。? 由上述定义及定理可知，?Copula?函数是求联合分布的便捷可行的途径 二、边缘分布模型? 合理构建?Copula模型的重要前提是选择恰当的边缘分布模型。目前，金融时间序列的一元建模问题已经趋于成熟，其中描述时变方差的模型一般有两类，即自回归条件方差（ARCH）模型和随机波动（SV）模型，它们可以较好地刻画金融时间序列条件分布的时变波动、波动聚类、偏斜、高峰、厚尾等特性，这里使用SV模型描述金融收益序列的条件边缘分布。?? （1）正态SV模型 基本的离散SV模型如下：? y?t=exp (h?t/2)ε?t (3)? h?t=α+βh??t－1?+σ?ηη?t (4)? 其中ε?t和η?t是相互独立的，ε?t是一个鞅差分序列，且扰动项ε?t和η?t可以是同期相关的。一般假定ε?t~n.i.d(0,1)，η?t~n.i.d(0,1)。α,β为常数，β为持续性参数，反映了当前波动对未来波动的影响，|β|＜1。h?t也可以表示为一