基于Copula-GARCH模型国际股票市场组合风险度量.docVIP

基于Copula-GARCH模型国际股票市场组合风险度量 　　摘要：由于金融收益序列的时变波动、偏斜、高峰、厚尾等分布特性，加上波动的集聚性和杠杆效应，在描述金融收益序列中通常使用GARCH族模型。本文结合TGARCH-t模型和Copula方法，利用上证综指、深证成指、恒生指数以及标准普尔500指数对沪、深、港、美股票市场进行分析。该模型能很好地捕捉资产间的非线性相关性，更符合现实市场。利用其对市场估计的准确性，以建立更加准确且经济效益高的VaR风险管理。 　　关键词：Copula；TGARCH-t；VaR；蒙特卡洛模拟 　　中图分类号：F830.9 文献标识码：A 文章编号：1001-828X（2012）02-0-02 　　 　　一、引言和理论综述 　　在当今金融市场，投资组合、风险管理等一直都是人们关注的热点问题。而金融危机和波动频繁出现，使得国内外更加紧步伐来寻找有效度量风险的方法。实际上这些问题都离不开资产组合的联合分布??资产组合间的相关性分析。Copula是个很好的度量组合风险相关性的函数，它可以更加灵活地构造多元分布，并且捕捉到分布尾部的相关关系，可以更加准确地反映资产间的相关结构，提高模型预测的准确性。 　　1.Copula理论概述 　　Copula理论的提出可以追溯到1959年，Sklar[1]通过理论形式将多元分布与Copula函数联系起来，通过Copula函数和边缘分布可以构造多元分布函数，其中Copula函数描述了变量间的相关结构。Copula函数实际上是一种将联合分布与它们各自的边缘分布连接在一起的函数，也叫连接函数。Copula技术不仅可以分析变量间的线性关系，而且也可以分析变量间的非线性关系，随着边缘分布建模理论的不断发展完善，以及计算机技术的迅猛发展，并应用到金融领域。 　　2.Copula函数的选择、估计与检验 　　常用的Copula函数主要有三类[5]：正态Copula函数，t-Copula函数，阿基米德Copula函数。当我们考虑模型中该选择用哪种Copula时，比较常见的做法是考虑能与样本数据所显示的尾部相关特性更为一致的Copula函数。 　　Copula函数的估计方法一般包括极大似然估计法(ML)、边际分布推导法(IFM)和规范极大似然法(CML)[6]。对于估计得到的Copula函数，我们需要进行拟合优度检验以确定其有效性。Copula模型的检验可分为对边缘分布模型的检验和Copula函数部分的拟合检验，包括K-S检验及QQ图，还有X2检验等[8]，其中前两项可用来检验经概率积分变换后的序列是否服从均匀分布，X2检验可用来评价Copula函数的拟合优度。 　　 　　二、建立Copula-TGARCH-t模型 　　根据Copula理论，在确定了描述资产相依结构的Copula函数后，只要能够确定各资产变量的边际分布，即可获得整个资产组合的联合分布，进而计算出资产组合的VaR。正如前文所述，金融序列具有明显的尖峰厚尾性、波动聚集性及其杠杆效应，而GARCH族模型是目前较优的刻画金融时间序列波动的模型。根据下文研究样本，本文选择t-Copula函数作为连接函数，TGARCH-t作为边缘分布函数。整个模型如下[9]： 　　 n=1，2，…，N ; t=1，2，…T 　　其中为一个N元Copula分布，为t-1时刻的信息集，分别表示为满足t-分布的函数，即 ，，…，的条件分布为t-分布。 　　 　　三、实证研究 　　1.样本的选择 　　本文主要利用Copula-TGARCH-t模型研究沪、深、港、美四个股票市场组合的投资风险，分别选取从2001年1月2日至2012年2月29日的上证综指(SH)、深证成指(SZ)、香港恒生指数(HS)、标准普尔500指数(SP)的原始收盘指数，共2351个日收盘数据。将数据分成两部分，第一部分为2001年1月2日至2009年9月30日，作为模型的估计，共2001个数据。第二部分为2009年10月8日至2012年2月29日，作为回测检验数据，共386个数据。本文研究数据来自锐思数据库。 　　上述数据只是原始数据，由于各个股市指数的基数不同，需对其进行预处理后，才能用于实证研究，将股票指数转为对数收益率。 　　2.样本的统计描述 　　(1)对这四个市场的指数收益率的各项统计指标，我们从偏度和峰度统计量可以看出这三种指数都具有尖峰厚尾的特征；同时，由JB统计量可以发现它们都拒绝了正态分布的原假设，选择t分布比较合适。 　　(2)平稳性检验和ARCH效应检验。为了消除非平稳性对实证结果的影响，采用ADF方法对四个市场指数收益率序列进行平稳性检验，同时为了确定波动的集聚性，对收益率进行滞后2阶的ARCH-LM检验，通过计算