论文部分内容阅读
随着金融市场的不断发展，金融市场和金融资产间的相关关系越来越复杂，呈现非线性、非对称性等相关模式，基于线性相关系数的分析方法已经不能准确反映金融市场的相关信息。运用Copula理论构建金融模型时，可以将随机变量的边缘分布和它们之间的相关结构统一起来研究，各变量的统计特征由其边缘分布确定，变量间的相关结构完全由Copula决定。而与常用的线性相关系数相比，Copula描述的多元变量间的相关结构可以提供更准确的信息，目前Copula已经成为研究金融市场的有力工具。
本文主要研究Copula理论及其在多变量金融时间序列分析上的应用。在深入研究Copula理论的基础上，构建了Copula-GARCH模型，并运用模型对中美股市进行了相关性的实证研究。
1、针对线性相关关系和传统分析方法的不足，将Copula理论引入金融分析领域。论文介绍了Copula理论，阐述了Copula的概念和主要函数，并详细总结了Copula用于多变量数据建模的方法，包括建模过程中的估计和检验方法。
2、相关性分析是多变量金融分析中的一个中心问题。本文运用ArchimedeanCopula函数研究上证指数与道琼斯指数日对数收益率序列间的相关关系，以此来研究中美股市的相关性。在边缘分布GARCH(1，1)假设下构建Copula模型，使用极大似然法估计边缘分布和Copula函数的参数，并分别对边缘分布和Copula函数进行K-S检验。研究表明，模型能够正确地反映两个指数之间非对称的相关模式，中美股市在长期以及在三个时间段内都基本无相关性。这一结果也是符合资本市场之间的实际运行状况的。
3、对中美股市历史及现状综述，分析中美股市间无相关性的原因。主要原因分析如下：中外宏观经济走势差异很大；中国股市具有不成熟股市的特征；两国汇率长期呈相反走势引发中美两国资产重估；中国股市尚不具有海外股市均衡性和开放性特征等。