【2017年整理】第11章 相关性与Copula函数.pptVIP

V之间的相关结构是通过U之间的相关结构定义的 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 V 1 V 2 -6 -4 -2 0 2 4 6 -6 -4 -2 0 2 4 6 U 1 U 2 相关性假设 V 1 V 2 -6 -4 -2 0 2 4 6 -6 -4 -2 0 2 4 6 U 1 U 2 一对一映射 例 V1 V2 V1 到 U1 的映射 V1 分布的分位数 U1 0.2 20 -0.84 0.4 55 0.13 0.6 80 0.84 0.8 95 1.64 V2 到 U2 的映射 V2 分布的分位数 U2 0.2 8 ?1.41 0.4 32 ?0.47 0.6 68 0.47 0.8 92 1.41 例：计算联合概率分布 V1 and V2 都小于0.2的概率，等于 U1 ?0.84 和 U2 ?1.41 的概率 当Copula相关系数等于0.5时 M（?0.84, ?1.41, 0.5）= 0.043 M是二元正态分布的累积分布函数 其他Copula函数 还有许多其它Copula函数可以用于描述相关结构 一种可能是二元学生t-分布 二元正态分布的5000个随机样本 二元学生t-分布的5000个随机样本 多元Copula函数 类似地，决定我们已知N个变量V1，V2，…，Vn 的边际分布 我们将 Vi 映射到 Ui ，其中 Ui 服从标准正态分布（这里的映射是分位数之间的一一对应） 假定 Ui 服从多元正态分布 因子Copula模型 在因子Copula模型中，变量 Ui 之间的相关结构通常被假定由一个或多个因子来决定 贷款组合模型 定义Ti 为公司i的违约时间，将变量Ti 的分位数与Ui 的分位数之间进行一一对应的映射，假定Ui 满足式 F 及Zi 为相互独立的正态分布 定义Qi 为Ti 的累积概率分布 当N(U)=Qi(T)时，Prob(UiU)=Prob(TiT) 贷款组合模型（续） 假设所有公司之间的Copula相关系数均等同，此量被记为ρ 对应一个期限为T，置信水平为X的投资组合，违约率的最坏情况为 假定，某交易组合的规模为L，违约回收率为R，在时间T，在X置信区间的条件下，贷款组合的风险价值度为 * 第 11 章 相关性与Copula函数 协方差和相关系数 变量V1 和 V2 的相关系数被定义为 变量V1 和 V2 的协方差被定义为 独立性 两个变量中，其中任意一个变量的信息（观测值）不会影响另一个变量的分布，那么两个变量在统计上被定义为独立 精确地讲，变量V1 和 V2 在统计上被定义为相互独立，如果对于所有的x，下列等式成立 f (﹒)代表变量的概率密度函数 独立性并不等同于零相关 假定变量 V1 的值有三种均等的可能：–1，0，或 +1 如果 V1 = -1 或 V1 = +1 ，那么 V2 = 1 如果 V1 = 0 ，那么 V2 = 0 可以清楚地看到 V1 和 V2 有某种关联性，但它们的相关系数为0 几种不同的关联形式 监测相关系数 定义 xi=(Xi?Xi-1)/Xi-1 和 yi=(Yi?Yi-1)/Yi-1 varx,n ：以第n-1天估计的X的日方差 vary,n ：以第n-1天估计的Y的日方差 covn ： 以第n-1天估计的协方差 相关系数为 协方差 第n天的协方差为 经常被简化为 监测相关系数（续） EWMA： GARCH（1，1）： 协方差的一致性条件 方差-协方差矩阵Ω满足内部一致性条件的不等式为：对于所有的向量w，满足 二元正态分布 假定两个变量V1 和 V2 服从二元正态分布，假定变量变量V1 的某个观察值为v1，V2 在V1 = v1条件下为正态分布，期望值为 标准差为 m1 和 m2 分别为 V1 和 V2 的（无条件）期望值，s1和s2分别为 V1 和 V2 的（无条件）标准差，r 为 V1 和 V2 的相关系数 多元正态分布 很容易处理 方差-协方差矩阵定义了方差和变量间的相关系数 要满足内部一致性条件，方差-协方差矩阵就必须是半正定的 生成随机样本：模特卡洛模拟 在Excel中，采用指令=NORMSINV（RAND（））来生成服从正态分布随机数 对于产生多元联合正态分布的随机抽样要采用Cholesky分解的方法 因子模型 对N个变量之间的相关性进行估计，我们需要估计N(N-1)/2个参数 采用因子模型进行估计，我们就可以减少估计参数的数量 单因子模型 假设 Ui 服从标准正态分布，可设 其中，共同因子 F 和特异因子 Zi 均服从标准正态分布 Ui 和 Uj 的相关系数为 ai aj 高斯Copula函数 假设我们