基于copula的收益率自相依结构估计与cvar计算

《基于copula的收益率自相依结构估计与cvar计算》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中国科学技术大学硕士学位论文基于Copula的收益率自相依结构估计及CVaR计算作者姓名I学科专业：导师姓名：完成时间：李磊管理科学与工程(金融工程)叶五一讲师缪柏其教授二O一三年四月五日UniversityofScienceandTechnologyofChinaAdissertationformaster’SdegreeEstimatingAuto—-dependenceStructureandConditionalVaRBasedonCopulaAuthor’SName：LeiLi⋯·‘n‘‘11一·‘speciallty：上ImancialEngmeermgSuperv

2、isor：Lect．WuyiYeProf．BiaoqiMiaoFinishedtime：April5n彳2013中国科学技术大学学位论文原创性声明本人声明所呈交的学位论文，是本人在导师指导下进行研究工作所取得的成果。除已特别加以标注和致谢的地方外，论文中不包含任何他人已经发表或撰写过的研究成果。与我一同工作的同志对本研究所做的贡献均已在论文中作了明确的说明。作者签名：菇L签字日期：沙『)．f江中国科学技术大学学位论文授权使用声明作为申请学位的条件之一，学位论文著作权拥有者授权中国科学技术大学拥有学位论文的部分使用权，即：学校有权按有关规定向国家有关部门或机构送交论文的复印件和电

3、子版，允许论文被查阅和借阅，可以将学位论文编入《中国学位论文全文数据库》等有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。本人提交的电子文档的内容和纸质论文的内容相一致。保密的学位论文在解密后也遵守此规定。，、团公开口保密(——年)作者签名：咎蕴．签字日期：递!；!篁：堕导师签名：#摘要风险管理已经成为金融领域一个非常重要的课题，VaR作为风险管理领域的一个重要指标受到越来越多的重视。因此，针对不同情况，寻找合适的VaR估计方法引起了许多学者的兴趣。本文主要分为两个部分。第一部分基于C藤Copula对连续几个交易日收益率之间的自相依结构进行了估计，进而

4、给出了在前刀个交易日收益率条件下，下一交易日收益率密度函数的估计方法，并对下一交易日的VaR值进行估计。C藤Copula的引入使我们能更准确地描述收益率序列中的相依结构，从而能够更加准确的预测市场风险。第一部分最后分别对沪深300指数，上证180指数和上海黄金交易所贵金属价格进行了CvaR估计以及预测效果检验实证分析，实证结果表明本文提出的模型在VaR值预测方面的表现要远远优于历史模拟法以及方差一协方差方法等。实证结果表明C藤Copula在收益率自相依估计方面有着优异的表现。文章第二部分将Copula描述收益率自相依结构的方法引入到高频分笔数据中。由于单纯研究高频分笔数据的自相

5、依结构意义不是很大，本文通过高频分笔数据定义了高频连涨、连跌收益率，并对两者的边缘分布以及相关特征进行了分析。这实际上就是将第一部分估计收益率自相依结构的思想拓展到，在知道前托笔交易收益率的条件下，估计下掰笔交易收益率的条件密度函数。这里的刀笔交易为连跌交易(连涨交易)，下删笔交易为连涨交易(连跌交易)。为了在连涨(连跌)条件下对连跌(连涨)收益率的风险特征或者条件分位点进行分析，首先对两种收益率进行了两种不同的配对，得到两者的联合序列，并应用Copula方法来分析对两种收益率之间的相依结构，进而基于联合分布对条件VaR进行估计。最后对美国市场的BAC和腰M两支股票进行了实证分

6、析，并从CVaR的角度验证了上涨和下跌时的不对称性以及杠杆效应。关键词：Copula自相依结构条件VaR分笔高频数据连涨(连跌)收益率摘要IIABSTRACTThispaperismainlyconsistsoftwoparts．Inthefristpart，anewVaRestimatingmethodbasedonCanonicalVineCopulaispresented．Theauto-dependencestructureofseveralconsecutivetradingdays’yieldisestimatedbasedonCanonicalvinecopula

7、firstly．Then，theconditionaldensityfunctionofnexttradingdayundertheconditionofprevioustradingdaysyieldiscalculated，andtheVaRofnexttradingdaycanbeestimatedfromtheconditionaldensityfunction．Thedependencestructureamongrateofreturnseriescanbedescribemor