论文部分内容阅读
对资产组合的风险描述方法,在最初马科维茨(Markowitz)提出的M-V模型中用资产收益率的方差来描述风险。方差作为描述随机变量离散水平的统计量,包含了随机变量在均值周围的向上和向下波动。后来,研究者提出了 VaR(Value at Risk,在险价值)这一衡量指标。VaR表示资产组合在一定置信水平下,将来一定时间段中可能产生的最大损失值。因此相比较方差而言,VaR更偏重下行风险。但在VaR的计算中,一般情况下会假设资产的收益率分布服从正态分布,这与实际情况有较大差别。因此,运用Copula来描述资产收益率之间的相依关系并找到他们的联合分布是一个很好的方法。在金融资产的配置和资产组合的研究中我们会用到随机优化模型作为分析工具,随机优化模型的整体分析思路是模拟生成资产收益率的情景,同时根据生成的情景构造情景树,将生成的情景树代入模型求解,由此得到优化结果。传统的K-means聚类分析产生收益率的情景在初始需要根据经验人为设定分类的个数K,具有主观性和不确定性,基于对上述K-means聚类分析方法的改进,本文选择使用Copula来描述资产收益率之间的相依关系并得到联合分布,同时用基于Copula的情景生成方法生成的情景构造情景树,并将得到的结果代入模型,得到最优的投资组合。依据上面的思路,本文先介绍了 Copula以及相应的边缘分布建模方法,并介绍了 VaR和CVaR模型来描述风险。随后本文通过GARCH模型对资产收益率的边缘分布建模,并使用Copula得到收益率的联合分布,并由蒙特卡洛模拟生成收益率的情景,得到的结果代入广义熵约束的CVaR模型中,由此得到最优的投资权重。文章随机选取了中国股市中的四只股票构造投资组合并进行实证分析,本文实证表明,在考虑不同资产之间的相依结构基础上得到的最优化结果相比传统的投资组合M-V模型具有明显的优势,在分散化和收益性上得到很好的效果。