论文部分内容阅读
近代以来,就全球范围而言,发展最快的的金融行业越来越备受关注,这种现象在我国尤其明显,并且伴随着金融机构的不断改革与创新,金融市场间联系越来越密切。新世纪以来,国家一系列重大政策的出台标志着我国全面开放金融市场,重点是对股市进行了股权分置改革,随着创业版和股指期货的上市,我国的股票市场也逐渐成熟。几十年来,巨大的变化冲击着国际的金融市场。上个世纪九十年代发生的亚洲金融风波,加上发生于2011年的欧洲债务危机,再到2015年中国股市的暴涨暴跌,不难发现全球金融市场不断发生波动,随之我国股市也产生了不同程度的波动,结果就是连续的波动使得普通股民们几乎赚不到钱。这个时候股市风险度量的相关性分析,便成为了我们关注的热点话题。我国各股市的指数也随之表现出非线性、偏态性以及尾部相关性,所以,过去以正态分布为考虑前提的情况已不适应今天的股票市场,这就要求我们寻找更有效的方法去解决复杂多变的股票市场。因此,文章中引入Copula函数,因为通过Copula函数来研究股市风险的情况比其他的函数更具优点。在实际生活中,大部分金融资产组合是非线性的,这时候线性相关就不能准确、科学地刻画各分量间的关联程度。又考虑到复杂大量数据的分布特点,本文引入t-Copula来分析金融资产之间的相关性,因为无论金融资产之间线性与否,t-Copula都能处理与刻画这些变量及其之间的关系。同时,由于事物的发展不是一成不变的,例如在金融资产变量之间的相关性不但是非线性的,而且会受到外部环境的改变进而导致其波动性的发生,所以本文考虑建立一个动态的非线性模型来描述事物之间的动态相关结构。这就引入了金融研究中最常用的两种模型,即时变相关Copula模型和变结构的Copula模型。本文从以下顺序展开论述:先对Copula函数的研究背景、国内外的研究进展做简单的介绍,又简明扼要地对Copula的定义、定理、推论及其特点进行了阐述。然后是关于Copula函数的分类、主要函数族的形式及应用和相关性测度等都做了具体描述。最后是模型的建立以及对模型的检验。关于模型的参数估计知识,本文也给出了相当多的介绍,同时,本文在实证分析方面对于模型的构建、估计与时变t分布的结合也给予了详细介绍。实证部分,本文从常相关和时变相关两个方面着手处理。数据选取方面是将上证综指(SH)收盘价对数收益率和深成指(SZ)收盘价对数收益率作为数据研究的对象。首先本文运用软件分析工具Eviews 7.0对两组收盘价进行预处理,得到对数收益率的描述性统计量;然后运用GARCH(1,1)-t对两组收益率进行刻画得出标准化的残差。其中,常相关方面的数据处理是直接生成两组标准化的残差,以此作为后续的研究对象,而时变相关方面是将对数收益率按照时间分组进行处理进而得到分组后的标准化残差。最后研究对象的边缘分布,进而构建t-Copula函数模型,并得出参数的估计值,进行检验得出结论。