基于GAS的混频Copula模型的投资组合风险预测
Risk forecast of investment portfolio based on GAS MIDAS Copula model
查看参考文献30篇
|
文摘
|
考虑到金融资产间的相关关系具有时变性和长记忆性,纳入了混频数据抽样(mixed data sampling,MIDAS)的混频Copula (MIDAS Copula)模型虽能刻画时变性和长记忆性,但其参数演变过程较为简单,因此将广义自回归得分(generalized autoregressive score,GAS)模型作为参数演变过程引入MIDAS Copula模型中,构建GAS MIDAS Copula模型.实证分析发现该模型提升了MIDAS Copula模型对样本拟合的能力;进一步选择不同相关程度的三组沪深300行业指数.分析该模型对不同相关程度行业间时变相关系数长记忆性的捕捉能力及对投资组合的风险预测精度.结果发现:1) GAS MIDAS Copula模型对高度和中度相关行业间相关系数长记忆性的刻画能力均最优;2)对三组数据简单投资组合的VaR与ES回测检验结果显示GAS MIDAS CoPula模型均有最高的预测精度.最后基于不同置信水平、不同权重比例、不同样本滚动窗口长度以及不同资产的各种风险预测结果证实了GAS MIDAS Copula模型的稳健性. |
|
其他语种文摘
|
Considering that the correlation between financial assets has time-varying and long memory,although the MIDAS Copula model incorporating mixed data sampling can characterize time-varying and long memory,its parameter evolution process is relatively simple.Therefore,the generalized autoregressive score (GAS) model is introduced into the MIDAS Copula model as the parameter evolution process,to construct the GAS MIDAS Copula model.The empirical analysis found that the model has improved the ability of the MIDAS Copula model to fit samples;Further select choose three sets of CSI 300 industry indexes with different degrees of correlation,and analyze the model's ability to capture long memory of time-varying correlation coefficients between industries with different degrees of correlation and the risk prediction accuracy of its portfolio.The results showed that:1) The GAS MIDAS Copula model has the best ability to describe the long memory of the correlation coefficients between highly and moderately related industries;2) The VaR and ES backtesting results of simple portfolio of three sets of data show that the GAS MIDAS Copula model has the highest prediction accuracy.Finally,various risk prediction results based on different confidence levels,different weight ratios,different rolling window lengths,and different assets confirm the robustness of the GAS MIDAS Copula model. |
|
来源
|
系统工程理论与实践
,2021,41(8):2030-2044 【核心库】
|
|
DOI
|
10.12011/SETP2020-2738
|
|
关键词
|
长记忆性
;
混频数据抽样
;
广义自回归得分
;
Copula模型
|
|
地址
|
1.
浙江工商大学统计与数学学院, 杭州, 310018
2.
浙江经贸职业技术学院财务会计学院, 杭州, 310018
|
|
语种
|
中文 |
|
文献类型
|
研究性论文 |
|
ISSN
|
1000-6788 |
|
学科
|
社会科学总论 |
|
基金
|
国家社会科学基金
;
2018年度浙江省哲学社会科学规划课题
;
浙江省一流学科A类(浙江工商大学统计学)
|
|
文献收藏号
|
CSCD:7039801
|
参考文献 共
30
共2页
|
|
1.
Markowitz H. Portfolio selection.
Journal of Finance,1952,7(1):77-91
|
CSCD被引
777
次
|
|
|
|
|
2.
苑莹. 基于非线性相依的市场间金融传染度量--测度2015年中国股灾对重要经济体的传染效应.
系统工程理论与实践,2020,40(3):545-558
|
CSCD被引
9
次
|
|
|
|
|
3.
张帮正. 基于EVT-Vine-Copula的多市场相关性及投资组择研究.
管理科学,2014,27(3):133-144
|
CSCD被引
7
次
|
|
|
|
|
4.
王璇. 基于BEMD-Copula-GARCH模型的股票投资组合VaR风险度量研究.
系统工程理论与实践,2017,37(2):303-310
|
CSCD被引
5
次
|
|
|
|
|
5.
陈振龙. 基于藤Copula分组模型的股票市场风险优化研究.
商业经济与管理,2018(8):89-97
|
CSCD被引
1
次
|
|
|
|
|
6.
林宇. 基于高维R-vine Copula的金融市场投资组合优化研究.
系统工程理论与实践,2019,39(12):3061-3072
|
CSCD被引
9
次
|
|
|
|
|
7.
刘坚. 基于SV-Copula的欧盟碳配额现货和期货价格相依性研究.
系统工程理论与实践,2020,40(7):1694-1706
|
CSCD被引
5
次
|
|
|
|
|
8.
王红军. M-Copula模型在金融时间序列分析中的研究与应用.
系统科学与数学,2020,40(6):1117-1132
|
CSCD被引
4
次
|
|
|
|
|
9.
Patton A J. Modelling asymmetric exchange rate dependence.
International Economic Review,2006,47(2):527-556
|
CSCD被引
83
次
|
|
|
|
|
10.
Creal D. Generalized autoregressive score models with applications.
Journal of Applied Econometrics,2013,28(5):777-795
|
CSCD被引
23
次
|
|
|
|
|
11.
冯玲. 股票市场组合的市场风险度量研究——基于相关性模型.
系统科学与数学,2016,36(12):2307-2324
|
CSCD被引
3
次
|
|
|
|
|
12.
Salvatierra I D L. Dynamic Copula models and high frequency.
Journal of Empirical Finance,2015,30:120-135
|
CSCD被引
12
次
|
|
|
|
|
13.
龚玉婷. 谁真正影响了股票和债券市场的相关性?-基于混频Copula模型的视角.
经济学(季刊),2016,15(3):1205-1224
|
CSCD被引
4
次
|
|
|
|
|
14.
Colacito R. A component model for dynamic correlations.
Journal of Econometrics,2011,164(1):45-59
|
CSCD被引
8
次
|
|
|
|
|
15.
Gong Y. A mixed data sampling copula model for the return-liquidity dependence in stock index futures markets.
Economic Modelling,2018,68:586-598
|
CSCD被引
3
次
|
|
|
|
|
16.
Jiang C. A TVM-Copula-MIDAS-GARCH model with applications to VaR-based portfolio selection.
North American Journal of Economics and Finance,2020:51
|
CSCD被引
1
次
|
|
|
|
|
17.
Boubaker H. Portfolio optimization in the presence of dependent financial returns with long memory: A Copula based approach.
Journal of Banking and Finance,2013,37(2):361-377
|
CSCD被引
3
次
|
|
|
|
|
18.
Janus P. Long memory dynamics for multivariate dependence under heavy tails.
Journal of Empirical Finance,2014,29:187-206
|
CSCD被引
2
次
|
|
|
|
|
19.
龚玉婷. 基于Copula模型的尾部相依性长记忆效应研究.
系统科学与数学,2016,36(6):783-799
|
CSCD被引
3
次
|
|
|
|
|
20.
王天一. 基于混频数据抽样的已实现波动率长记忆模型.
系统工程学报,2018,33(6):812-822
|
CSCD被引
8
次
|
|
|
|
|
了解气象卫星更多信息，请访问