copula基本原理与模型构建.pptVIP

3.3二元阿基米德Copula函数 上尾部变化十分敏感 3.3二元阿基米德Copula函数 ②Clayton Copula函数 生成元 Copula理论简介 引 言 国际金融市场快速发展——市场间相互依存性加强。 金融创新不断涌现——金融风险越发集中和隐蔽。 相关性分析是多变量金融分析中的一个中心问题，资产定价、投资组合、波动的传导和溢出、风险管理等问题都涉及相关性分析。而常用的线性相关系数有具有一定的局限性。如它要求变量间是线性的，且方差存在，但是金融市场中出现的不少数据往往是厚尾分布，它们的方差有时并不存在。 金融波动和危机的频繁出现使风险度量和多变量金融时间序列分析成为国内外关注的焦点，原有的多变量金融模型已不能完全满足发展的需要。如用Var来度量风险时须具备一定的条件，它在非椭圆分布时就不可用。 主要内容 常用的Copula函数 Copula函数的定义 1 Copula函数的相关测度 2 3 Copula模型的构建 4 5 Copula模型的参数估计 1.Copula函数的定义 ★什么是Copula函数？ 形象地说，我们可以把Copula函数叫做“连接函数”或“相依函数”，它是把多个随机变量的联合分布与它们各自的边缘分布相连接起来的函数。 多元联合分布函数 边缘分布 Copula函数 1.Copula函数的定义 ★Sklar定理 令 为具有边缘分布 的联合分布函数，那么存在一个Copula函数 ，满足： 若 连续，则 唯一确定。 2.相关性测度 2.1.提出问题 2.2.基于Copula函数的相关性测度 2.3.尾部相关性 2.1.关于相关系数 ★一个问题 我们知道，对于两个变量之间的相关性关系，我们可以利用相关系数 来度量，但是，我们看下面的问题： 若 （x，y显然关系密切） 则 即x，y的相关系数为0。 因此，当变量间的关系是非线性时，用相关系数来度量其关系是不可靠的。而Copula函数在一定的范围内就可以避免这个问题。 2.2.基于Copula函数的相关性测度 ★定理 对随机变量 做严格的单调增变换，相应的Copula函数不变。 ①Kendall秩相关系数τ ②Spearman秩相关系数ρ ③Gini关联系数γ 2.2.基于Copula函数的相关性测度 ①Kendall秩相关系数τ 考察两个变量的相关性时，最直观的方法是考察它们的变化趋势是否一致。若一致，表明变量间存在正相关；若不一致，表明变量间是负相关的。 令 和 为随机向量(X,Y)的两组观测值，如果 且 ，或者 且 ,即 ，则称 和 是一致的，反之，即 ，则为不一致。 2.2.基于Copula函数的相关性测度 ◆定义： 和 为独立同分的随机向量， ，完全正相关； ，完全负相关； ，无法判定。 ◆可以看到，对于单调增函数s(x)和t(y)，有 因此τ值对单调增的变换是不变的。 ◆Kendall秩相关系数可以由Copula函数给出（证明略）： 2.2.基于Copula函数的相关性测度 ②Spearman秩相关系数ρ ◆定义： 和 为独立同分布的随机向量，则 ◆Sperman秩相关系数对严格单调增的变换也是不变的，由相应的Copula函数来表示如下： 2.2.基于Copula函数的相关性测度 ③Gini关联系数γ τ和ρ只考虑了随机变量变化方向的一致性和不一致性，而Gini关联系数则更细致地考虑了随机变量变化顺序的一致性和不一致性。 设随机变量(X,Y)的n个样本为 ， 将 按从小到大顺序排列后， 的名次 称为它的秩，同样 在 中的名次（秩）记为 。 如果x，y的变化是一致的， 就应该很小，所以 反映了不一致的程度。如果变化方向相反，那么 与 应处于两端， 位于 位置时， 应位于倒数第 的位置上，即第 的位置上，因此， 就应该很小，而 就反映了相反变化的不一致程度。 2.2.基于Copula