本文選題：Vine + Copula極端值理論依賴性GARCH��； 參考：《西南財經大學》2014年博士論文

【摘要】：依賴性建模和VaR估計是金融風險管理中的重要概念。但是,必須注意VaR高度依賴我們要研究的金融收益的分布假設的合理性和精度。因此,這篇論文使用GARCH-EVT和藤式Copula對極端值依賴性建模,并且進行了VaR和期望損失估計。在這兩項任務中,首先要做的就是在極端值分析之前對收益率使用GARCH類模型進行過濾。 關于VaR(在險價值,Value at Risk)的估計,分析中使用了邊緣分布函數(shù)推斷(IMF)方法。在此,估計被分為兩個階段。第一步是邊緣分布函數(shù)的建模。這一步是使用了半參數(shù)方法,其中超閾值峰值法(peak-over threshold,POT)用于對每一個殘差序列尾部的分布進行建模(參數(shù)建模部分),而每一個序列的主體部分則通過核函數(shù)光滑進行實證建模(非參數(shù)建模部分)。IFM的第二步是依賴性建模。這一步是通過建立藤狀copula實現(xiàn),其中任意兩個時間序列之間的配對copula作為構建藤狀copula的基礎。為了進行對照,我們也給出了使用其它方法對VaR的估計。我們建議的方法和其它方法對比的有效性評價基于VaR和尾部期望的后向檢驗結果性能。 關于使用藤狀copula對極端值的依賴性建模,超閾值峰值法用于挑選出資產組合中每一類資產的極端收益數(shù)據集合和極端損失數(shù)據集合。在本論文的依賴性建模中我們考慮了3種資產。為此我們的依賴性建模中總共使用了6個數(shù)據集合。在C類和D類藤狀copula模型之間進行選擇的時候,選擇最佳依賴性模型的基礎是看它們在統(tǒng)計檢驗中的表現(xiàn)。 關于VaR的估計,基于后向檢驗結果的實證證據表明：使用半參數(shù)邊緣分布,GARCH-EVT結合混合D類藤狀copula模型的方法比其它方法的效果都要好一些,因為在1%和5%的顯著性水平情況下,以最少的VaR越界數(shù)量通過了條件和非條件覆蓋檢驗。 關于依賴性建模,基于數(shù)據的實證證據表明,C類藤狀copula模型更適用于構建極端值之間的依賴性關系。高端尾部和低端尾部的依賴性模型的有關參數(shù)顯著不等于0。這些依賴性參數(shù)的大多數(shù)為負數(shù),這表明資產組合中資產尾巴對的依賴性關系顯著存在,這有助于有關人員進行資產管理規(guī)劃。
[Abstract]:Dependency modeling and VaR estimation are important concepts in financial risk management. However, we must pay attention to the rationality and accuracy of the distribution hypothesis of financial returns that VaR is highly dependent on. Therefore, this paper uses GARCH-EVT and rattan copula to model the extreme value dependence, and estimates VaR and expected loss. In these two tasks, the first task is to filter the rate of return using the GARCH model before extreme value analysis. For the estimation of VaR (value at risk), the edge distribution function inference (IMF) method is used in the analysis. Here, estimates are divided into two stages. The first step is to model the edge distribution function. This step uses the semi-parametric method, The peak-over threshold peak method is used to model the tail distribution of each residual sequence (parametric modeling part), while the main part of each sequence is modeled empirically by kernel function smoothing (non-parametric modeling part). The second step of IFM is dependency modeling. This step is based on the establishment of a rattan copula, in which the paired copula between any two time series is used as the basis for the construction of a rattan copula. For comparison, we also give the estimation of VaR using other methods. The effectiveness of the proposed method compared with other methods is evaluated based on VaR and tail expected backward test results. For modeling the dependence of extreme values by using rattan copula, the super-threshold peak value method is used to select the extreme return data set and the extreme loss data set for each asset class in the portfolio. In this paper, we consider three kinds of assets in dependency modeling. For this purpose, we used a total of six data sets in our dependency modeling. When choosing between class C and class D rattan copula models, the basis of selecting the best dependency model is to see their performance in the statistical test. With regard to the estimation of VaR, empirical evidence based on backward test results shows that the use of semi-parametric edge distribution GARCH-EVT combined with mixed D-rattan copula model is more effective than other methods, because at a significant level of 1% and 5%, The conditional and non conditional coverage tests are passed with the minimum VaR number. With regard to dependency modeling, empirical evidence based on data shows that class C rattan copula model is more suitable for constructing dependency relationships between extreme values. The parameters of the high end tail dependent model and the low end tail dependency model are significantly different from 0. Most of these dependent parameters are negative, which indicates that there is a significant dependency relationship between the tail pair of assets in the asset portfolio, which is helpful for the personnel concerned to carry out the asset management planning.
【學位授予單位】：西南財經大學
【學位級別】：博士
【學位授予年份】：2014
【分類號】：F224;F830.91

【共引文獻】

相關期刊論文 前10條

1 張清;;專家系統(tǒng)不精確推理中合成算子問題[J];北方交通大學學報;1989年02期

2 李彥恒;史保平;張健;;聯(lián)結(copula)函數(shù)在概率地震危險性分析中的應用[J];地震學報;2008年03期

3 李彥恒;史保平;張健;;Copula joint function and its application in probability seismic hazard analysis[J];Acta Seismologica Sinica(English Edition);2008年03期

4 盧穎;杜子平;;基于pair-copula方法的高維相關結構構建[J];工業(yè)技術經濟;2008年05期

5 張舒;仲偉俊;梅姝娥;;中國期貨市場非交易時段的VaR與ES測度研究[J];東南大學學報(哲學社會科學版);2013年05期

6 詹原瑞;劉俊梅;;基于VaR和ES的經濟資本配置方法比較分析[J];北京理工大學學報(社會科學版);2013年06期

7 崔百勝;;基于Copula-vines的歐元匯率波動相關性實證研究[J];華東經濟管理;2011年06期

8 樊東紅;曾彥;;關于t-范數(shù)的構造方法[J];湖南科技學院學報;2011年08期

9 ;A Theory of Isomorphisms of Fuzzy Groups[J];模糊系統(tǒng)與數(shù)學;1988年02期

10 馮媛;楊立興;;T_∞-測度分解定理的進一步討論(英文)[J];模糊系統(tǒng)與數(shù)學;2007年06期

相關會議論文 前1條

1 李其駿;黃東兵;申麗娟;;基于VaR模型的工程造價風險分析研究[A];中國企業(yè)運籌學第九屆學術年會會議論文集[C];2014年

相關博士學位論文 前10條

1 方斌;股指期貨功能理論與實證研究[D];天津大學;2010年

2 胡世凱;關于模糊算子的研究[D];四川大學;2004年

3 孔繁利;金融市場風險的度量—基于極值理論和Copula的應用研究[D];吉林大學;2006年

4 羅俊鵬;Copula理論及其在金融分析中的應用研究[D];天津大學;2005年

5 李徐;流動性風險與市場風險的集成風險度量研究[D];復旦大學;2008年

6 易文德;基于COPULA理論的金融風險相依結構模型及應用研究[D];西南交通大學;2010年

7 杜紅軍;基于Copula函數(shù)-Asymmetric Laplace分布的金融市場風險度量與套期保值研究[D];華中科技大學;2013年

8 張一U，

本文編號：2093707