全文鏈接：http://tecdat.cn/?p=30426

最近我們被客戶要求撰寫關(guān)于GARCH-EVT-Copula的研究報告，包括一些圖形和統(tǒng)計輸出。

對VaR計算方法的改進(jìn)，以更好的度量開放式基金的風(fēng)險。本項(xiàng)目把基金所持股票看成是一個投資組合，引入Copula來描述多只股票間的非線性相關(guān)性，構(gòu)建多元GARCH-EVT-Copula模型來度量開放式基金的風(fēng)險，并與其他VaR估計方法的預(yù)測結(jié)果進(jìn)行比較

其次是將VaR引入到基金業(yè)績評價中，構(gòu)造RAROC指標(biāo)來評價基金業(yè)績，檢驗(yàn)該評價指標(biāo)的可行性。

GARCH-EVT-Copula 模型

首先用GARCH族模型擬合單項(xiàng)資產(chǎn)收益率，并提取標(biāo)準(zhǔn)化殘差以滿足極值理論的假設(shè)前提，接著對標(biāo)準(zhǔn)化殘差的上下尾部分采用EVT理論中的廣義帕累托分布GPD擬合，中間部分采用高斯核函數(shù)來估計其經(jīng)驗(yàn)累積分布函數(shù)，從而得到標(biāo)準(zhǔn)化殘差的邊緣分布函數(shù) 。然后選取適當(dāng)?shù)腃opula 函數(shù),構(gòu)造多元標(biāo)準(zhǔn)化殘差間的相關(guān)結(jié)構(gòu)和聯(lián)合分布函數(shù)。

Copula 函數(shù)參數(shù)估計

本項(xiàng)目中，采用 偽極大似然估計（CML） 方法來估計 Copula 函數(shù)的參數(shù) 第一步，將金融資產(chǎn)對數(shù)收益率數(shù)據(jù)x通過經(jīng)驗(yàn)分布函數(shù)轉(zhuǎn)化為均勻變量(uniform variates) 第二步，利用密度似然函數(shù)估計Copula函數(shù)的參數(shù):

GARCH-EVT-Copula 模型計算 VaR

本項(xiàng)目將開放式基金看做是一個資產(chǎn)組合，以每只基金所持有的股票收益率為研究對象，從投資組合的角度利用多元GARCH-EVT-Copula模型來計算基金的VaR值。

?

讀取數(shù)據(jù)

[NUM,TXT,RAW]=xlsread('data') Data=NUM function [ output_args ] = GEC( input_args )

建立 GARCH 模型

nIndices = size(Data,2); % # 基金數(shù)量 spec(1:nIndices) = garchset('Distribution' , 'T' , 'Display', 'off', ... 'VarianceModel', 'GJR', 'P', 1, 'Q', 1, 'R', 1);%對每只基金設(shè)置garch模型的

殘差自相關(guān)性檢驗(yàn)

%殘差自相關(guān)性檢驗(yàn) figure, subplot(2,1,1) plot(residuals(:,1)) xlabel('時間'), ylabel('殘差'), title ('N225收益率殘差')

根據(jù) FHS 提取標(biāo)準(zhǔn)化殘差

title('N225標(biāo)準(zhǔn)化殘差自相關(guān)圖') subplot(2,1,2) autocorr(residuals(:,1).^2)

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語言用GARCH模型波動率建模和預(yù)測、回測風(fēng)險價值 (VaR)分析股市收益率時間序列

左右滑動查看更多

01

02

03

04

GDAXI

%殘差自相關(guān)性檢驗(yàn) figure, subplot(2,1,1) plot(residuals(:,2))

GSPC

FCHI

%殘差自相關(guān)性檢驗(yàn) figure, subplot(2,1,1) plot(residuals(:,4))

根據(jù) FHS 提取標(biāo)準(zhǔn)化殘差

采用 EVT 理論對標(biāo)準(zhǔn)殘差估計累計分布函數(shù)

% Estimate the Semi-Parametric CDFs nPoints= 200; % # of sampled points of kernel-smoothed CDF需要擬合的樣本點(diǎn) tailFraction = 0.1; % Decimal fraction of residuals allocated to each tail 小數(shù)保存位數(shù) plot(y, (OBJ{index}.cdf(y + Q(2)) - P(2))/P(1)) [F,x] = ecdf(y); % empirical CDF hold('on'); stairs(x, F, 'r'); grid('on') legend('擬合的廣義 Pareto 累計分布函數(shù)','經(jīng)驗(yàn)累積分布函數(shù)','Location','SouthEast'); xlabel('Exceedance'); ylabel('Probability'); title(['標(biāo)準(zhǔn)化殘差序列',num2str(index),'的上尾']);

for i=1:242 VaRp(i,:)=pPrice(i+T-242)*exp(VaR(i,:)); end %% figure plot(1:242,pPrice(T-242+2:end),'r-',1:242,VaRp(1:242,1),'g-',1:242,VaRp(1:242,2),'b-',1:242,VaRp(1:242,3),'y-'); title('基金持股收盤價實(shí)際與 VaR 預(yù)測下限走勢圖')

plot(1:242, b(:,s),'go-',x,d,'ro',1:0.25:250,0,'b'); legend('未突破 VaR 預(yù)測下限','突破 VaR 預(yù)測下限','Location','Best' ) title('基金實(shí)際持股收盤價與 VaR 預(yù)測下限差額') xlabel('時間日期') ylabel('差額');

收益率t分布%QQ圖

N225收益率平方自相關(guān)圖和偏相關(guān)圖

點(diǎn)擊文末?“閱讀原文”

獲取全文完整代碼數(shù)據(jù)資料。

本文選自《MATLAB用GARCH-EVT-Copula模型VaR預(yù)測分析股票投資組合》。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語言使用多元AR-GARCH模型衡量市場風(fēng)險
R語言GARCH模型對股市sp500收益率bootstrap、滾動估計預(yù)測VaR、擬合診斷和蒙特卡羅模擬可視化R語言單變量和多變量（多元）動態(tài)條件相關(guān)系數(shù)DCC-GARCH模型分析股票收益率金融時間序列數(shù)據(jù)波動率
R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格
GARCH-DCC模型和DCC（MVT）建模估計
R語言預(yù)測期貨波動率的實(shí)現(xiàn)：ARCH與HAR-RV與GARCH，ARFIMA模型比較
ARIMA、GARCH 和 VAR模型估計、預(yù)測ts 和 xts格式時間序列
PYTHON用GARCH、離散隨機(jī)波動率模型DSV模擬估計股票收益時間序列與蒙特卡洛可視化
極值理論 EVT、POT超閾值、GARCH 模型分析股票指數(shù)VaR、條件CVaR：多元化投資組合預(yù)測風(fēng)險測度分析
Garch波動率預(yù)測的區(qū)制轉(zhuǎn)移交易策略
金融時間序列模型ARIMA 和GARCH 在股票市場預(yù)測應(yīng)用
時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格
R語言風(fēng)險價值：ARIMA，GARCH，Delta-normal法滾動估計VaR（Value at Risk）和回測分析股票數(shù)據(jù)
R語言GARCH建模常用軟件包比較、擬合標(biāo)準(zhǔn)普爾SP 500指數(shù)波動率時間序列和預(yù)測可視化
Python金融時間序列模型ARIMA 和GARCH 在股票市場預(yù)測應(yīng)用
MATLAB用GARCH模型對股票市場收益率時間序列波動的擬合與預(yù)測
R語言極值理論 EVT、POT超閾值、GARCH 模型分析股票指數(shù)VaR、條件CVaR：多元化投資組合預(yù)測風(fēng)險測度分析
Python 用ARIMA、GARCH模型預(yù)測分析股票市場收益率時間序列
R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格
R語言ARIMA-GARCH波動率模型預(yù)測股票市場蘋果公司日收益率時間序列
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進(jìn)行股價預(yù)測
R語言時間序列GARCH模型分析股市波動率
R語言ARMA-EGARCH模型、集成預(yù)測算法對SPX實(shí)際波動率進(jìn)行預(yù)測
matlab實(shí)現(xiàn)MCMC的馬爾可夫轉(zhuǎn)換ARMA - GARCH模型估計
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進(jìn)行股價預(yù)測
使用R語言對S＆P500股票指數(shù)進(jìn)行ARIMA + GARCH交易策略
R語言用多元ARMA,GARCH ,EWMA, ETS,隨機(jī)波動率SV模型對金融時間序列數(shù)據(jù)建模
R語言股票市場指數(shù)：ARMA-GARCH模型和對數(shù)收益率數(shù)據(jù)探索性分析
R語言多元Copula GARCH 模型時間序列預(yù)測
R語言使用多元AR-GARCH模型衡量市場風(fēng)險
R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格
R語言用Garch模型和回歸模型對股票價格分析
GARCH（1,1），MA以及歷史模擬法的VaR比較
matlab估計arma garch 條件均值和方差模型