论文部分内容阅读
在金融理论的研究中,不同资产间的相依性起着至关重要的作用。在资产定价、资产组合配置以及风险管理等研究领域,理解和测度金融资产之间的联动关系与相关性是一个备受关注的课题。在金融实业界中,许多投资者将资金配置在多个国家的股票市场中,以期从资产的分散化中获益(diversification benefits)。此时,不同国家股票市场的联动关系将直接影响到该资产组合的表现：若投资者所投资的不同国家股票市场之间的相依性较高,则分散化的收益相对较低了；若投资者所投资的不同国家股票市场之间的相依性比较弱,则分散化的收益较高。在研究股票市场相依性的方法中,最常见的模型假设就是假设多个资产收益率序列是服从多元正态分布(椭圆族分布)的。采用多元正态分布是因为可以简化问题,减少工作量。此外,即使收益率正态性假设不正确的情况下,依然能够保证动态相关性模型参数估计具备一致性(Bollerslev和Wooldridge,1992)。然而,由于多元正态分布是建立在相关性完全对称的假设上的,无法区分相依性结构中左尾和右尾相依性,这与金融市场的真实情况不符：价格下跌时的市场间的相关性比上涨时的相关性更大(Login和Solnik,2001; Ang和Bekaert,2002)。其次,由于金融市场的收益率序列往往表现出尖峰厚尾的特征,正态分布并不能很好的刻画这一特征,相关性的估计结果也值得怀疑(Patton,2006)。一种较为直观的改进就是使用具备尖峰厚尾特征的多元分布对收益率矩阵进行建模。但是,多元分布模型往往会对参数有所限制,影响相依性估计的准确性。相比于直接对收益率建模并设置许多约束条件的方法,Copula方法更加具有弹性,使得模型更加符合实际情况。在早期针对Copula的研究只要针对的是二元模型,即只对二维数据建模,相关的理论方法都相对成熟。但是,在现实中,一个资产组合往往远不止两只证券。直接使用二元Copula的话,很多Copula函数的参数估计复杂度会随着维数的增加而迅速增长,即面临“维数诅咒”问题；另外,将二元Copula直接拓展到高维度时,同样会导致参数限制的约束(Eike等,2013；高江,2013),例如高维阿基米德族的Copula模型。本文选择两种Copula方法(时变SJC-Copula和Vine Copula)来进行建模,使得收益率分布的多元模型在满足金融市场相依性的时变性和非对称性的同时将二维Copula拓展到高维。为了研究我国股市与国外多个股市之间的相依性时间变化特征,本文选取了分别选取了发达国家的道琼斯工业指数(美国)、日经225指数(日本)、DAX指数(德国)、富时100指数(英国)和发展中国家的泰国综指(泰国)、俄罗斯RTS(俄罗斯)、孟买SENSEX30(印度)、圣保罗IBOVESPA指数(巴西)与中国的上证综指构成资产组合,并分别用时变SJC Copula模型和两种Vine Copula模型(Canonical Copula和D Vine Copula)来对两个资产组合进行建模,估计出每个时间点各国股市之间的相依性结构。为了选择出哪一种模型的相依性结构最为准确,本文通过比较两个资产组合的VaR后验分析结果来进行判断：若VaR预测精度越高,则相依性的估计越为准确。选择最优的模型之后,我们采用蒙特卡洛模拟的方法计算出每周的三种相依(关)性测度系数(简单线性相关系数、上尾依赖系数和下尾依赖系数)的非参数估计值。最后,本文研究发现：(1)总体而言我国股市与国外股市的相关性并不高,但是,下尾相依性(下跌时的关联程度)明显高于上尾相依性(上涨时的关联程度)；(2)我国股市与发展中国家股市的相依性会高于我国与发达国家股市之间的相依性；(3)随着时间的推移,中国股市与发达国家的股市的相依性存在微弱的增长趋势,而中国股市与发展中国家股市的相依性,无论是线性相关程度还是尾部相依性,都没有明显的上升趋势；(4)通过比较更富有经济含义的VaR后验分析,本文发现时变SJC Copula的相依性估计结果更为精确。