论文部分内容阅读
随着全球经济一体化进程的加快,国内金融市场的系统性风险和不确定性也随之增加,一个市场或者金融机构的风险可能会通过不同途径扩散到其他市场或金融机构乃至整个金融系统,金融市场间的关系越来越复杂。藤Copula方法具有传统相关性度量方法不具备的刻画非线性、非对称依赖结构的能力,因此,基于藤Copula在金融领域的相关研究发展十分迅速。本文主要利用藤Copula方法研究金融领域中相关性度量问题,即金融资产波动率的相关估计问题和投资风险组合的优化问题。针对金融资产波动率的研究,本文主要讨论了基于藤Copula的HAR（Heterogeneous Auto Regressive）扩展模型的估计方法并基于历史数据的条件期望进行预测分析。本文基于高频数据的传统波动率模型（HAR族模型）,使用藤Copula对其不同尺度下的波动率成分进行联合建模,构建无结构化的波动率模型。实证分析收集了20支股票的高频交易数据作为研究样本,并采用了不同建模方案比较模型的性能。结果表明借助藤Copula的优势放宽对模型结构的限制,克服了HAR族模型线性形式的局限性,捕捉到不同波动率成分间更为复杂的依赖关系,从而达到更加精准的预测效果。针对投资风险组合的研究,本文主要针对宏观经济因子讨论了COPAR（Copula Auto Regression）模型的估计和预测,并将其应用于投资风险组合模型中。本文在均值-CVa R模型基础上,考虑了宏观经济因素对股票市场的影响,利用动态因子模型对宏观经济因素进行降维,并且使用基于藤Copula的COPAR序列模型捕捉宏观经济因子间依赖关系,构建基于COPAR的投资风险组合模型。实证分析收集了包括34个宏观经济指标和6支股票收益率数据,将动态因子模型和COPAR应用于宏观经济指标,并将其得到的宏观经济因子应用于均值-CVa R模型中。结果表明考虑宏观经济因素可以有效降低投资风险,并且使用COPAR模型能更好的刻画宏观经济环境的复杂依赖关系,精准的预测股票市场未来收益率的变异波动性,达到更好的投资组合绩效。