论文部分内容阅读
由于金融市场之间的相关结构会随着时间发生改变,本文基于Vine Copula理论,采用两种方法研究多元金融时间序列之间的非线性动态相关结构:一是借鉴Patton的时变Copula理论,通过历史相关性和历史观测值乘积的平均累计概率对时变参数进行建模,即令Pair-Copula函数的时变参数服从ARMA(1,10)模型;二是借鉴Creal的广义自回归得分理论,通过数据驱动时变参数,即对Pair-Copula函数的时变参数建立广义自回归得分模型。结合香港恒生指数、道琼斯指数、上证指数以及日经225指数的日收盘价数据,在不同的Vine结构下,本文构建了基于Patton思想的时变Vine-Copula模型和基于GAS(1,1)理论的时变Vine-Copula模型以分析资产组合之间的相关关系,并通过蒙特卡洛模拟法对资产组合收益率的风险进行了实证分析。本文采用了两阶段极大似然估计法对模型参数进行估计,首先根据金融收益率序列的特征采用ARMA-GARCH-GED模型对序列进行边缘分布的拟合,其次选取不同的Vine结构,并依据AIC准则对Pair-Copula函数进行选择,从而建立资产组合的联合分布模型。实证结果表明:对比不同Vine结构下模型的拟合效果,静态Vine Copula模型、基于Patton思想的时变Vine Copula模型和基于GAS(1,1)理论的时变Vine Copula模型在C-Vine结构下对金融收益率序列的拟合效果比在D-Vine结构下更好;对比不同参数形式下模型的拟合效果,基于GAS(1,1)理论的时变Vine Copula模型对金融收益率序列的拟合效果最好。依据Kupiec失败率检验结果,在三种置信水平(99%、95%和90%)下,静态Vine Copula模型、基于Patton思想的时变Vine Copula模型和基于GAS(1,1)理论的时变Vine Copula模型都具有样本测度的稳健性和可靠性,能够较好的拟合资产组合风险的波动情况。综合来看,在95%的置信水平下,基于GAS(1,1)理论的时变D-Vine Copula模型较其他模型能够更好的度量资产组合的VaR值。