一种计算投资组合VaR新方法.docVIP

一种计算投资组合VaR新方法 　　摘要:作为金融领域一个重要研究课题,风险度量受到越来越多的关注。传统的估计风险值的方法检验效果不理想,本文运用Copula函数代替相关系数表示风险因子之间的依存关系,能够有效地处理投资组合的风险和相关性,并通过实证分析运用Copula 理论来计算投资组合收益风险值。 　　关键词:Copula函数;风险值(VaR);Monte Carlo方法 　　 　　一.引言 　　 　　近二十年来,由于受经济全球化与金融自由化、金融创新等因素的影响,金融市场风险成为全球金融机构和监管当局关注的焦点。传统上以资产报酬的方差来衡量风险,只考虑未来潜在的收益与损失的不确定性,无法确切表达潜在的风险损失额,这显然不能满足实务中对于资产损失风险衡量的要求,于是就产生了风险值的概念。然而金融中发生的很多危机都是由极端事件引发的,使得传统的估计方法存在一些不合理之处、检验效果不理想。 　　我们知道,一个多元模型有两个重要组成部分:一个是各变量自身的特性,这一部分可以用边际分布来表示;另一个重要部分就是资产之间的相依结构。过去方法的局限在于一旦确定了联合分布,就无法将这两个部分区分来建立模型,必须合并起来解决。而对于大部分数据,这种合并的联合分布模型并不能很好的拟合数据的特征。于是,对于资产之间相依结构如何能够独立解决,成为了目前研究迫切需要解决的问题。早在1959年Sklar指出可以将具有 k个变量的联合分布分解为它的 k 个边际分布和一个Copula函数,这个Copula函数描述了变量间的相依性。 　　本文研究了Copula理论在投资组合的风险值度量中的应用,选取上海证券交易所的股票作为研究对象 ,结合 Copula 函数 ,计算在不同置信水平下的 VaR值。 　　 　　二.Copula理论和Sklar定理 　　 　　1.Copula 函数简介 　　Copula可以理解为“相依函数”或“连接函数”,Sklar指出对于一个具有一元边缘分布 的联合分布函数 F, 一定存在一个Copula函数C,满足:?F(X?1,L,X?n)=C(F?1(X?1),L,F?n(X?n)),若F?1,……F?n连续,则C 惟一确定;且若F?1,……F?n为随机变量的边缘分布,那么由上式定义的函数F是F?1,……F?n的联合分布函数。 　　若令u?i=F?i(X?i)为一随机变量,u?i∈[0,1],i=1,2,…n,则C(u?1,???u?n)是一个在n 维[0,1]空间上具有[0,1]均匀边缘分布的多元分布函数,亦即Copula函数。通过Copula函数的密度函数c和边缘密度函数,可以求出n元分布函数的密度函数f: 　　 F(u?1,L,u?n)=C(F?1(x?1),L,F?n(x?n))∏ni=1f?i(x?i) 其中 c(u?1,k,u?n)=?C(u?1,L,u?n)?u?1,L,?u?n,f?i是边缘分布F?i的密度函数。? 　　由此可见,Copula函数不仅为我们提供了一条在不考虑边缘分布的情况下分析多元分布相关结构的途径,还为求取联合分布函数提供了一条便捷的通道。 　　2.Sklar 定理 　　Copula函数最重要的特点之一,是能将多变量的联合分布与单变量的边际分布联系起来,这就是Sklar 定理:设随机变量X?1,…X?n的边际分布函数为F?1,…F?n,联合分布函数为F,则有n维Copula函数C,使得对于所有?x∈IR?n,有: f(x)=C(F?1(x?1),L,F?n(X?n))? 　　3.常见Copula函数 　　1)正态Copula函数? 　　正态分布随机变量X?1,…X?n的均值分别为μ?1,…μ?n,方差分别为σ?1,…σ?n,协方差矩阵为R,则随机变量U?i=Φ(X?i-μ?i)σ?i),i∈I的分布函数C?R(u?1,L,u?n)为Copula函数,称为协方差矩阵为R的正态(Gauss)Copula函数。 　　2)t分布Copula函数 　　正态分布随机变量X?1,…X?n的均值分别为0, 方差分别为1,协方差矩阵为R。Y为X?2分布随机变量,自由度为ν,与X?1,…X?n独立,则随机变量U?i=t?v[VYX?i],i∈I的分布函数C??v,R?(u?1,L,u?n)为Copula函数,称为自由度为 ,协方差矩阵为R的t分布Copula函数。 　　 t分布Copula函数继承了正态Copula函数的几乎全部性质。但在正态Copula函数模型中,极端事件的发生总是相互独立的,而在t分布Copula函数中,极端事件是相关的。 　　3)Gaussian Copula函数 　　Gaussian Copula函数的表达式为 　　相应的概率密度函数为: