全文鏈接：http://tecdat.cn/?p=30426

原文出處：拓端數(shù)據(jù)部落公眾號

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。本文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

本文中，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

本文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)

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 CDFhold('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=1:242VaRp(i,:)=pPrice(i+T-242)*exp(VaR(i,:)); end %%figureplot(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

最受歡迎的見解

1.R語言對S＆P500股票指數(shù)進(jìn)行ARIMA + GARCH交易策略

2.R語言改進(jìn)的股票配對交易策略分析SPY—TLT組合和中國股市投資組合

3.R語言時間序列：ARIMA GARCH模型的交易策略在外匯市場預(yù)測應(yīng)用

4.TMA三均線期指高頻交易策略的R語言實(shí)現(xiàn)

5.r語言多均線量化策略回測比較

6.用R語言實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測股票實(shí)例

7.r語言預(yù)測波動率的實(shí)現(xiàn)：ARCH模型與HAR-RV模型

8.R語言如何做馬爾科夫轉(zhuǎn)換模型markov switching model

9.matlab使用Copula仿真優(yōu)化市場風(fēng)險