论文部分内容阅读
近年来,金融市场的波动日益剧烈,一些影响重大的金融危机事件频频发生,这些都对风险管理提出了挑战,迫切呼唤更加合适的风险模型来处理这些情况。为了更好的预测和控制风险,研究者和金融机构设计了许多度量风险的方法,其中VaR方法是最常采用的方法,VaR已经成为金融分析家评估市场风险的一种标准度量方法,它可以定义为在给定置信水平下一段时期内金融资产投资组合的最大潜在变化值。但是,随着时代的进步和经济的全球化的影响,金融市场间的关系变得日趋复杂,大量的实证研究表明金融资产收益分布大都具有“厚尾分布”的特征,传统的投资组合VaR度量模型对投资组合的边缘分布做出各种假设,导致这类VaR模型或者高估或者低估实际VaR值,很容易产生模型风险。因此,原有的基于线性相关的单变量和多变量金融模型已不能完全满足发展的需要。Copula理论的出现和应用为风险分析和多变量时间序列分析提供了一个新的方向。Copula将联合分布与它们各自的边缘分布连接在一起,提供了一种新的描述相依结构的方法。利用Copula理论,可以灵活选择各种边缘分布,然后通过合适的Copula函数连接起来,得到一个更贴近现实分布的联合分布,同时Copula函数不但描述了变量之间的相依程度,更进一步描述了变量间的相依结构,这些都使得Copula模型成为具有更强的刻画现实金融时间序列分布的动态模型。
本文通过借鉴国外同一领域中的研究方法,通过研究沪深股市综合指数收益率在等权重下的投资组合,应用几种不同Copula函数来研究沪深股市综合指数的日收益率,将投资组合通过Monte Carlo模拟计算出一天持有期内的VaR。实证表明:与传统的正态分布假设相比,利用Copula模型得到分布模型能更好地拟合实际风险因子对数收益的分布情况,其模拟序列能够更有效地度量投资组合的VaR。研究表明Copula函数在中国股票市场进行风险度量同样有着优越的统计特性,这次实证是一次创新性探索和进取性实践,对未来将Copula理论应用于中国金融市场各个领域有着积极意义。