閆海波,李明明
摘 要:本文選取了滬深300下六個行業(yè)指數(shù),分別用C-Vine、D-Vine、R-Vine進行相關結構建模。研究發(fā)現(xiàn):D-Vine結構對相關結構的擬合程度最好,在不斷引入新行業(yè)指數(shù)后,可以明顯地發(fā)現(xiàn)降低其結構的相關性。然后對其投資組合進行風險性度量,VaR經(jīng)常作為衡量風險的指標,但VaR不符合資產(chǎn)的一致性風險測度和無法捕捉尾部極端風險,故使用CVaR作為投資組合風險的指標。綜上,資產(chǎn)之間的相依結構能起到優(yōu)化投資組合的效果,在降低投資組合風險的同時增加了回報率。
關鍵詞:Vine Copula;GARCH-EVT;CVaR;投資組合
中圖分類號:F830.59? 文獻標識碼:A? 文章編號:1673-260X(2022)05-0040-05
引言
投資組合問題一直是投資者所關注的問題,隨著金融一體化的進行,市場間的波動相依性逐漸加強。尤其是在全球疫情期間,全球經(jīng)濟低迷,給投資者帶來了巨大的損失。因此研究投資組合風險和相關結構具有重大的意義。
自從Sklar在1959年引入Copula的概念以來,Copula在金融領域的應用逐漸趨于成熟。鑒于股票市場間的波動相依是非線性和條件相關的事實,學者引入了Vine Copula的圖形化思想來構建資產(chǎn)間的條件相依結構。馬薇、馬會元、鄧夢馨[1]對亞洲國家進行條件相依性結構穩(wěn)健性分析。林宇、梁州、林子梟、吳慶賀[2]用R-Vine Copula對全球代表性的七只股票進行相依性結構分析。結果表明:在資產(chǎn)的風險和結構性不一的情況下,投資組合可以有效地降低風險,同時也可獲取可觀的收益。吳玉寶、汪金菊[3]用ARFIMA-GARCH-Copula模型對滬深股市的相關結構與投資組合風險度量進行分析。邢可可[4]使用Vine-Copula模型對原油、黃金等六種資產(chǎn)進行相關結構研究和投資組合風險度量。羅華健[5]運用馬爾可夫Copula模型對不同經(jīng)濟時期的量價關系進行研究。葉五一、郭人榛、繆柏其[6,7]基于R藤Copula分析金磚四國的主要股指與全球指數(shù)之間的相依性結構,繼而對各個國家的穩(wěn)定性和風險傳染進行研究。張幫正、魏宇、余江、李云紅[8]基于EVT,分別C-Vine、D-Vine、R-Vine綜合探討中國不同金融市場之間的凈相關關系。梁州、李昊、林宇[9]用Vine-Copula對全球的七大股指期貨進行相依結構研究,更加準確的測量其投資組合的風險。佘笑荷、王曉芳、楊來科[10]基于藤式Copula對股票、黃金、能源類資產(chǎn)以及美元等六種資產(chǎn)進行資產(chǎn)間的相依性和組合波動風險研究。Han X, Liu Z, Wang S[11]使用R-vine copula方法研究了倫敦金屬交易所有色金屬商品期貨之間的依賴結構,重點比較了結構斷裂前后的依賴結構。楊坤、于文華、馬靜[12]運用Vine Copula和滾動時間窗的蒙特卡羅模擬方法刻畫資產(chǎn)間的相依性和動態(tài)風險測度。
通過上述學者對Vine Copula研究的梳理,從中可以發(fā)現(xiàn)一些不足部分。許多學者注重對Vine Copula建模的研究,而忽略了對邊緣分布擬合的精確性和尾部風險的捕捉。因為金融時間序列經(jīng)常出現(xiàn)尖峰厚尾的特征,可能還會出現(xiàn)長期記憶性,故本文使用EVT的廣義帕累托分布來對標準殘差進行擬合。VaR經(jīng)常作為衡量風險的指標,但VaR不符合資產(chǎn)的一致性風險測度和無法捕捉尾部極端風險,故本文使用CVaR作為投資組合風險的指標。使得本文研究更加具有現(xiàn)實意義。
1 理論部分
1.1 Sklar定理
設H(x1,x2,…,xn)為n維隨機變量x1,x2,x3,…,xn的聯(lián)合分布函數(shù),其對應的邊際分布別為F1(x1),? F(x2),…,F(xiàn)(xn),則存在一個函數(shù)C(·)滿足:
H(x1,x2,…,xn)=C(F1(x1),F(xiàn)(x2),…,F(xiàn)(xn))
若F1(x1),F(xiàn)(x2),…,F(xiàn)(xn)是連續(xù)的,則C是唯一的。否則C僅在Rank(F1)×Rank(F2)…×Rank(Fn)上唯一。
1.2 Vine Copula模型
參數(shù)估計Vine Copula模型常用于資產(chǎn)投資組合的相關結構研究。Vine Copula模型是由節(jié)點和邊組成的一系列樹的組合,n維的Vine Copula結構含有n-1棵樹和n-1個節(jié)點,設n維的Vine Copula的邊集合為Ei,節(jié)點集合為Ni,任意邊為e= j(e),k(e)/D(e)∈Ei。其中D(e)表示兩個節(jié)點之間的連接條件。k(e)和j(e)分別代表邊e和樹T(i)的兩個節(jié)點。cj(e),k(e)/D(e)可以表示邊e的pair-Copula的密度函數(shù),Y={Xi},i=1,2,…,n,YD(e)表示D(E)的條件向量。Fi和fi分別為Xi的邊際分布和邊緣密度函數(shù),則Y的聯(lián)合密度函數(shù)可以表示為[1]:
f(y,y,…,y)=■fk(yk)■■cj(e),k(e)/D(e)(F(yj(e)/yD(e)),F(xiàn)(yk(e)/yD(e)))
其中yj(e)/yD(e)和yk(e)/yD(e)為條件分布函數(shù)。
1.3 參數(shù)估計
本文選用ARMA-GARCH-EVT模型對邊緣分布進行模擬,因為金融數(shù)據(jù)一般會出現(xiàn)尖峰厚尾的特征,故使用EVT中的廣義帕累托分布對其經(jīng)驗分布函數(shù)進行擬合。估計Vine Copula參數(shù)使用全局似然估計方法,其函數(shù)表達式如下所示:
■■■ln(c■)(F■
(x■,t),F(xiàn)■(x■,t))
算法步驟如下:
(1)計算資產(chǎn)間的Kendall相關系數(shù),采用最大生成樹的方法確定第一棵樹結構。
(2)先對其進行獨立性檢驗,進而采用獨立的Copula函數(shù)擬合數(shù)據(jù),然后應用AIC準則為第一棵樹的邊確立Copula函數(shù)的類型。
(3)通過第一棵樹的Copula函數(shù)運用確定條件觀測值,從而又可以采用最大生成樹算法來確定第二顆樹的結構[7]。
(4)不斷迭代下去直到所有結構及參數(shù)確定[7]。
(5)用全局似然估計方法計算模型的最終參數(shù)值。
2 實證部分
數(shù)據(jù)來源:該數(shù)據(jù)來自wind數(shù)據(jù)庫中滬深300指數(shù)中金融指數(shù)、醫(yī)療指數(shù),材料指數(shù),能源指數(shù),工業(yè)指數(shù),房地產(chǎn)指數(shù)六個指數(shù)。選取2011年11月16日到2021年11月15日,共5092組數(shù)據(jù)。
2.1 ARMA-GARCH-EVT的建模
選取2011年11月16日到2019年11月15日的日收盤價數(shù)據(jù),先對其日收盤價進行對數(shù)收益率計算,然后對其進行單位根檢驗,其ADF檢驗的結果如下:
從上表可以看出,該六組資產(chǎn)都通過了單位根檢驗,說明該序列為平穩(wěn)序列。
對數(shù)收益率進行GARCH模型建模的前提就是要保證該數(shù)據(jù)具有ARCH效應。經(jīng)檢驗,該六組數(shù)據(jù)都具有ARCH效應,在此對這六組數(shù)據(jù)進行ARMA-GARCH模型的建模,根據(jù)AIC,BIC等指標,選取最佳的ARMA-GARCH模型。基于篇幅的原因,我將最后的建模結果列于下表:
對其對數(shù)收益率進行ARMA-GARCH模型建模后,提取其標準殘差進行邊概率積分變化,因其分布常常呈現(xiàn)尖峰厚尾的特征,故使用極值理論中的廣義帕累托分布對其經(jīng)驗分布函數(shù)進行擬合,為下一步vine-copula的建模奠定基礎。
2.2 C-Vine Copula模型的建模
用R語言來構造C-Vine Copula模型,其結果如下表所示:
在C-Vine Copula模型第一層樹中,能源指數(shù)(4)處于樹的結點的位置,說明能源指數(shù)(4)與其它指數(shù)之間的相關性是最大的??梢园l(fā)現(xiàn)工業(yè)指數(shù)(2)和能源指數(shù)(4),房地產(chǎn)(1)的Kendall相關系數(shù)均為-0.01,上下尾部對稱,故它們的連接Clayton copula函數(shù)旋轉90度來描述。從第一層樹中可以發(fā)現(xiàn)能源指數(shù)(4)和醫(yī)療指數(shù)(5)具有很強的正相關性,當股市處于熊市時,能源指數(shù)(4)和醫(yī)療指數(shù)(5)很大可能性會出現(xiàn)同時下跌,會大大地增加投資的風險。其上下尾部相關系數(shù)相同,故可以用t copula函數(shù)來進行連接。能源指數(shù)(4)和材料指數(shù)(6)的Kendall相關系數(shù)為負值,則表明能源指數(shù)(4)和材料指數(shù)(6)進行投資組合降低了整體的風險,使用Frank Copula函數(shù)來描述它們的相關結構。
在第二層結構中,引入能源指數(shù)(4)的情況下,工業(yè)指數(shù)(2)、金融指數(shù)(3)與材料指數(shù)(6)之間的相關結構均用t Copula函數(shù)來銜接。可以發(fā)現(xiàn)引入能源指數(shù)(3)后,整體的風險降低了,尤其醫(yī)療指數(shù)(5)和材料指數(shù)(6)之間更加明顯。從第三層樹到第四層樹中可以發(fā)現(xiàn),隨著新的行業(yè)指數(shù)的進入,整體的風險逐漸降低。但在第五層樹中,隨著房地產(chǎn)指數(shù)(1)和醫(yī)療指數(shù)(5)的加入,整體風險增加了。這是在于房地產(chǎn)指數(shù)(1)和醫(yī)療指數(shù)(5)與其它指數(shù)之間的相關系數(shù)為正值,它們的加入,非但沒有降低風險,反而增加了風險。因此在進行投資過程中,盡量避開相關性較強的資產(chǎn)進行組合,這樣才能有效地規(guī)避風險。
2.3 D-Vine Copula模型的建模
用R語言來構造D-Vine Copula模型,其結果如下表所示:
在D-Vine Copula模型第一層樹中,它沒有中心節(jié)點,金融指數(shù)(3)和材料指數(shù)(6)處于樹的邊緣部分,表明金融指數(shù)(3)和材料指數(shù)(6)與其他四個指數(shù)關聯(lián)程度不大。據(jù)模型可以看出:工業(yè)指數(shù)(2)和金融指數(shù)(3)、能源指數(shù)(4)和醫(yī)療指數(shù)(5)均用t Copula函數(shù)進行相關結構研究。在第二層樹中,在引入能源指數(shù)(4)的情況下,醫(yī)療指數(shù)(5)、材料指數(shù)(6)和能源指數(shù)(4)的投資組合有效地降低整體風險。在引入房地產(chǎn)指數(shù)(1)和醫(yī)療指數(shù)(5)的情況下,房地產(chǎn)指數(shù)(1)和能源指數(shù)(4)及工業(yè)指數(shù)(2)和醫(yī)療指數(shù)(5)均用Clayton copula函數(shù)旋轉270度來描述其相關結構。在第二層樹到第五層樹從中可以發(fā)現(xiàn),引入一個新的市場指數(shù)之后,都有效地降低了其投資組合的風險。
2.4 R-Vine Copula模型的建模
用R語言來構造R-Vine Copula模型,其結果如下表所示:
在R-Vine Copula模型第一層樹中,它與D-Vine模型一樣沒有中心節(jié)點。醫(yī)療指數(shù)(5)和材料指數(shù)(6)處于樹的邊緣部分,表明醫(yī)療指數(shù)(5)和材料指數(shù)(6)與其他四個指數(shù)關聯(lián)程度不大。從中可以看出每兩個行業(yè)指數(shù)之間的Kendall系數(shù)都為正值,其意味著當熊市來臨時,任何兩個資產(chǎn)進行投資組合在很大可能面臨同時下跌的危險。從中可以看出工業(yè)指數(shù)(2)和材料指數(shù)(6)、金融指數(shù)(3)和房地產(chǎn)指數(shù)(1)、能源指數(shù)(4)和醫(yī)療指數(shù)(5)之間均用t Copula函數(shù)來描述其相關結構。在第二層帶第五層,可以明顯地看到,隨著資產(chǎn)數(shù)量的不斷增加,資產(chǎn)間的Kendall系數(shù)逐漸變小,其風險的逐漸變小。
2.5 Vine Copula模型的擬合效果比較
本文使用極大似然估計對Vine Copula模型進行擬合效果比較,結果如下表所示:
從上表可以看出:根據(jù)AIC、BIC、對數(shù)似然比可以看出,D-Vine模型的擬合程度最好,能相對準確的描述資產(chǎn)組合的相關結構。
2.6 CVaR的度量
VaR經(jīng)常作為衡量風險的指標,但VaR不符合資產(chǎn)的一致性風險測度和無法捕捉到尾部極端風險,故使用CVaR作為投資組合風險的指標。
從上表可以看出,金融指數(shù)屬于低風險產(chǎn)品,而其它五個指數(shù)都屬于中高風險產(chǎn)品,當對其進行投資組合時,其明顯降低了投資風險。對于不同的置信水平,假如投資者是一個風險偏好者,可以選擇比較高的置信水平,同時也會面臨比較大的損失。
2.7 Kupeic檢驗
將使用2019年10月25日到2021年11月15日的數(shù)據(jù),共500組數(shù)據(jù),對CVaR進行回溯檢驗,使用Kupeic檢驗。
從上表可以看出D-Vine模型的擬合效果最好,更能對投資組合風險進行相對準確的刻畫。
3 結論及建議
(1)合理配置資產(chǎn)比例。從Vine Copula結構可以看出,每個資產(chǎn)之間的Kendall系數(shù)不一樣的,材料指數(shù)的風險較高,可以適量減少其資產(chǎn)投資比例。金融資產(chǎn)的風險較低,可以適當?shù)脑黾悠滟Y產(chǎn)投資比例。這樣可以有效地規(guī)避其投資風險。
(2)合理選擇和分散投資風險。從Vine Copula模型的結果可以看出,引入一個新的行業(yè)指數(shù)之后,整體的風險逐漸降低。但各個資產(chǎn)之間的相關性不同,在進行投資組合時,盡量避免將相關性強的資產(chǎn)進行投資組合。例如工業(yè)指數(shù)和材料指數(shù)之間的相關性很強,在熊市時,會出現(xiàn)同時下跌的可能性,這樣不能分散其投資風險。因此在進行投資時,要選擇相關性較弱或者相關性為負的產(chǎn)品種類,這樣可以有效地規(guī)避風險。
(3)重視小概率事件風險。CVaR對不同投資組合的反應更為敏感,也就是在小概率下的風險值。忽視小概率事件會導致嚴重后果,如恒大公司的瀕臨破產(chǎn)等“黑天鵝”事件。因此注重小概率事件是很有必要的。
參考文獻:
〔1〕馬薇,馬會元,鄧夢馨.基于R Vine Copula模型的條件相依結構穩(wěn)健性研究[J].統(tǒng)計與決策,2021, 37(20):30-34.
〔2〕林宇,梁州,林子梟,吳慶賀.基于高維R-vine Copula的金融市場投資組合優(yōu)化研究[J].系統(tǒng)工程理論與實踐,2019,39(12):3061-3072.
〔3〕吳玉寶,汪金菊.滬深股市的相關結構分析與投資組合風險度量——基于ARFIMA-GARCH -Copula模型[J].運籌與管理,2016,25(02):220-225.
〔4〕邢可可.基于Vine Copula的投資組合相關結構和風險測度研究[D].安徽財經(jīng)大學,2021.
〔5〕羅華健.基于Copula金融市場間的相關性及風險預測[D].山東科技大學,2020.
〔6〕郭人榛.基于R藤Copula變點模型的金融傳染性與穩(wěn)定性檢驗[D].中國科學技術大學,2018.
〔7〕葉五一,郭人榛,繆柏其.基于R藤copula變點模型的金磚四國金融傳染性與穩(wěn)定性檢驗[J].中國科學技術大學學報,2018,48(08):655-666.
〔8〕張幫正,魏宇,余江,李云紅.基于EVT-Vine-copula的多市場相關性及投資組合選擇研究[J].管理科學,2014,27(03):133-144.
〔9〕梁州,李昊,林宇.R-Vine Copula、極值理論與股票市場組合風險測度[J].南方金融,2018,34(07):28-38.
〔10〕佘笑荷,王曉芳,楊來科.基于極值理論與藤式Copula模型的多市場投資組合選擇[J].統(tǒng)計與決策,2017,37(20):49-51.
〔11〕Han X, Liu Z, Wang S. A R-Vine Copula Analysis of Non-ferrous Metal Futures with Application in Forecasting Value-at-Risk[J]. SSRN Electronic Journal, 2020.
〔12〕楊坤,于文華,馬靜.基于vine copula的股市風格資產(chǎn)組合風險預警研究[J].武漢金融,2019,25(11):51-59.