您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
基于时变Copula函数的风电出力相关性分析.pdf6页
本文档一共被下载：
次 ,您可全文免费在线阅读后下载本文档。
文档加载中...广告还剩秒
需要金币：80 &&
你可能关注的文档：
··········
··········
第27卷第 1期 电力 系 统 及 其 自动 化 学 报 Vo1．27
No．1 2015年 1月 ProceedingsoftheCSU―EPSA Jan． 2015 基于时变Copula函数的风电出力相关性分析 王小红，周步祥，张 乐，傅 利，罗 欢，刘建华 四川大学电气信息学院，成都 610065 摘要：相邻风电场风电出力存在较强的相关性 ，但一段时间内其相关强度并非一成不变，所选取时间窗口不 同，可能会得到不同的相关性结论。针对这一问题 ，基于Copula相关性分析理论，提出了采用时变Copula函 数来分析风电出力时变相关性。并研究了3种时变 Copula函数的特性，给出了时变相关系数的时变方程，再 采用IFM法和 AIC法进行 Copula函数参数估计和拟合优度检验。通过实例分析 ，对比了静态Copula函数和 时变 Copu1a函数拟合优度，证明了时变Copula函数在风电场风电出力相关性分析中的可行性和优越性 ，为风 电场风电出力相关性分析提供了更有效的新方法。 关键词 ：风电场 ；相关性；Copula函数 ；相关系数；时变方程 中图分类号 ：TM773
文献标志码 ：A 文章编号： 2015 0l一0043―06 W indPowerCorrelationAnalysisBasedonTime-variantCopulaFunction WANGXiaohong，ZHOUBuxiang，ZHANGLe，FULi，LUOHuan，LIUJianhua SchoolofElectricalEngineeringandInformation，SichuanUniversity，Chengdu610065，China Abstract．ThereoftenisastrongcorrelationbetweentheadjacentwindfarmSwindpower，buthtecorrelationintensity ofwindpowerisnotimmutablewithinaperiodoftime．Whentheselectedtimewindowisdifferent，itmayobtaindiffer― entcorrelationconclusions．BasedontheCopulacorrelationanalysistheory，time―varyingCopulafunctionisproposed toanalyzecorrelationofwindpower，threekindsoftime―variantCopulafunctionsarestudied，alsothetime―variantcor- relationcoefficientofeachCopulaisgiven，thentheIFM andAICmethodstoestimatetheparameterandtestthegood― hessoffittingi
正在加载中，请稍后...论文发表、论文指导
周一至周五
9：00&22：00
基于时变Copula的La—VaR测度研究
2013年第3期目录
&&&&&&本期共收录文章20篇
　　摘要：目前关于流动性调整的市场风险测度研究，主要是静态模型。针对此，文章提出经流动性风险调整的市场风险动态测度的时变Copula方法。该方法使用连接函数构建流动性风险和市场风险的联合分布，能够兼顾这两种风险的非正态特征和它们之间的动态相关结构。基于该方法度量了中国股市经流动性调整的市场风险La-VaR，Kupiec检验表明，基于时变Copula模型预测La-VaR的效果优于基于常相关Copula模型的预测效果，并且时变T-Copula模型优于时变N-Copula模型。 中国论文网 /4/view-4227811.htm　　关键词：市场风险；流动性风险；经流动性调整的市场风险；时变Copula；极值理论；La-VaR 　　中图分类号：F84032 文献标志码：A 文章编号：13） 　　市场风险是指由资产价格波动导致投资者收益的不确定性。流动性风险源于流动性的不足，是指资产不能按照市场价格立即变现而使变现价格产生的不确定性[1]。投资者尤其是机构投资者变现资产的过程不可避免地将影响资产价格，产生流动性风险。在指令驱动市场中，如A股市场，如果投资者投资理念趋同、持股集中或者发生羊群效应，有可能进一步加大流动性风险[2]。因此，在测度市场风险时，有必要考虑流动性风险因子。20世纪90年代以来，随着VaR技术在风险管理方面的广泛应用，一些学者对传统的VaR方法进行扩展，提出了经流动性调整的VaR模型（Liquidityadjusted VaR，简称La-VaR）。Bangia等[3]提出了著名的BDSS模型，创造性地在传统VaR的基础上加上可观测的买卖价差作为流动性风险。此后，Le Saout[4]，Francois-Heude和Wynendaele[5]使用这种方法进行了研究，胡经生等[6]、陈剑利等[7]也借鉴Bangia等[3]的方法研究中国市场。宋逢明、谭惠[8]建立了一个对流动性风险进行调整的VaR模型，用以度量中国股票的价格风险和流动性风险。胡小平和李超杰[9]、谢福座和左柏云[10]基于Copula方法测度了经流动性调整的市场风险。张金清和李徐[2]、张蕊等[11]基于Copula方法研究了市场风险与流动性风险的集成（整合）风险。 　　Copula方法是多资产、多风险建模的常用方法，但现阶段测度经流动性调整的市场风险，或者研究市场风险与流动性风险的集成（整合）风险时，主要采用的是常相关Copula模型（静态Copula模型），即Copula函数的参数是常量，而事实上金融时间序列间的相关性会随市场波动而发生变化，这就需要建立新模型来描述时间序列之间的动态（时变，Timevarying）相关结构。最先研究时变Copula模型的是Patton[12]，他提出用一个类似ARMA（1，10）的过程来描述二元Copula函数的相关参数。Patton[13]随后基于时变Copula研究了汇率间非对称相关性。Mendes[14]基于时变Copula测度了投资组合的CVaR。罗付岩、邓光明[15]基于时变Copula模型估计了投资组合的VaR。周好文、晏富贵[16]基于时变Copula研究了基金、股票和国债动态尾部相关性。 　　市场处于常态时，流动性充裕，只需付出较小的流动性成本就能完成投资交易，而当市场巨幅下跌，市场风险较大时，投资者可能需要付出巨大的流动性成本才能完成交易，甚至不能进行交易（如金融危机时），也就是说，极端情况下，市场风险与流动性风险的相关性可能呈现出与正常情况下不一样的特征。静态Copula模型无法准确地刻画这一特征，需要借助于时变Copula方法。基于此，本文基于时变Copula方法研究经流动性调整的市场风险：首先基于GARCH-EVT模型对市场风险因子和流动性风险因子建模，然后应用时变Copula测度市场风险因子与流动性风险因子间的动态相关结构，最后应用Monte Carlo方法模拟市场风险因子和流动性风险因子，计算经流动性调整的市场风险LaVaR和LaES值。 　　一、市场风险和流动性风险因子 　　市场风险因子一般使用收益率来描述。设Pt为资产的收盘价，将资产损失率定义为： 　　Rt = -ln（Pt /Pt -1 ） 　　流动性是证券市场的重要属性，学术界一般认为流动性是在不改变价格或价格微小变动的情况下迅速完成大规模交易的能力。一般而言，若单位时间完成单位成交量引起的价格变化越小，则市场流动性越好。流动性风险源于流动性的不足，是指资产不能按照市场价格立即变现而使变现价格产生的不确定性[2]。刻画流动性的指标很多，本文采用谢福座、左柏云[10]的流动性指标来描述流动性风险因子： 　　Lt=（Pmax-Pmin）/Pmin/Vt 　　其中，Pmax是日最高价，Pmin是日最低价，Vt为当日成交额。该指标的分子为股价的日波动率，可理解为日价差，这样Lt可以理解为一个交易日内单位成交金额所导致的最大价格变动。Lt的值越小，则流动性越好。 　　进一步，可以根据该指标计算在一个交易日内变现金额为V0时的变现损失率，即 　　LRt=LtV0 　　那么，考虑了流动性的资产损失率为 　　LaRt = Rt +LRt =-ln（Pt /Pt -1 ） + 　　（Pmax -Pmin ）/Pmin /Vt *V0 　　二、测度模型 　　（一）GARCH模型 　　金融时间序列的一个显著特点是存在条件异方差，Engle于1982年提出自回归条件异方差（ARCH）模型来刻画时间序列的条件二阶矩性质，并通过条件异方差的变化来刻画波动的时变性及聚集性。用ARCH模型对非平稳时间序列建模过程中会遇到滞后阶数过大甚至趋于无穷，导致计算上的过高复杂性，这就引入了广义ARCH—GARCH（P，Q）模型。 　　Rt=μt+εt 　　εt=σtzt，zt～i.i.F（·） 　　σ2t=w+∑qi=1αiε2t-i+∑pi=1βiσ2t-i 　　（1） 　　其中，p≥0，q≥0，α0≥0， αi≥0（i=1，2，…，q），βi≥0（i=1，2，…，p）。 　　（二）极值理论（EVT） 　　一般来说，金融资产收益都具有尖峰厚尾的特征，极值理论（EVT）仅针对尾部建模，避开了分布假设难题，有助于处理风险度量中的厚尾问题。基于EVT建模时，必须要求收益率序列独立同分布，因此，本文首先采用GARCH模型对收益率序列建模，提取标准化残差zt。假设F（z）为Z（zt所对应的随机变量）的分布函数，u为阈值，z-u表示超额值，其超额分布函数记为： 　　Fu（y）=P（Z-u≤y|Z>u）=（F（z）- 　　F（u））/（1-F（u）） 　　（2） 　　对于条件超额分布函数Fu（y），存在一个广义Pareto分布函数GPDξ，β（y）使得Fu（y）≈GPDξ，β（y），即对于充分大的阈值u，超额值的分布函数可以用广义Pareto分布（GPD）近似。即 　　GPDξ，β（y）=1-（1+ξyβ）-1/ξξ≠0 　　1-exp（-yβ）ξ=0 　　（3） 　　其中，ξ是形状参数，β是尺度参数。ξ>0表示是厚尾的；当ξ<0时，0≤x≤-β/ξ。 　　由于下跌风险普遍受关注，所以本文只考虑下尾阈值。将基于阈值u的zt的分布定义为： 　　Fξ，β（z）=P（z） z<U 　　1-nun（1+ξz-uβ）-1/ξ z≥u 　　（4） 　　其中，P（z）是经验分布函数（也可以用其他分布来描述，因为极值理论关心的是尾部数据的拟合，所以对中间数据的分布拟合没有任何要求）。 （三）时变Copula 　　时变Copula与非时变Copula的主要区别在于Copula函数的参数，前者是动态变化的，后者是固定常数。Patton[12-13]提出了时变正态Copula（记作N-Copula）、时变T-Copula、时变rotated Gumbel Copula（记作RG-Copula）和时变Symmetrized Joe-Clayton Copula（记作SJC-Copula）四种函数，其中时变T-Copula函数仅仅假设相关系数是时变的，自由度υ仍然是常量。时变N-Copula、T-Copula的相关系数演化方程分别为 　　ρN， t = Λ（ωN + βN ρt-1 + 　　αN ×110∑10j = 1Φ -1（ut-j ）Φ -1（vt-j ）） 　　（5） 　　ρT， t = Λ（ωT + βT ρt-1 + αT ×110∑10j = 1T-1（ut-j ； 　　υ）T-1（vt-j ；υ）） 　　（6） 　　其中，Λ（x）≡（1-e-x）/（1+e-x）是一种修正的Logistic变换，它的引入是为了确保ρN，t始终落在（-1，1）内；Φ-1（·）表示标准正态分布的逆分布；T-1（·；υ）表示自由度为υ的标准T分布的逆分布。 　　（四）La-VaR计算步骤 　　按照上文的定义及测度模型，经流动性调整的市场风险La-VaR和La-ES计算步骤如下。 　　步骤1：分别对市场风险因子和流动性风险因子建模。检验市场风险因子和流动性风险因子的自相关性、ARCH效应，如果存在ARCH效应，就基于GARCH-EVT模型建模，否则在消除了自相关性后，直接用EVT建模。 　　步骤2：选择合适的时变Copula函数类型对市场风险因子和流动性风险因子的联合分布建模，准确地描述两类风险因子间的动态相关结构。 　　步骤3：基于Monte Carlo模拟法，根据两风险因子间的动态相关结构以及各自的边缘分布，模拟出与原始数据具有相同特征的风险因子时间序列，计算经流动性调整的损失率，计算La-VaR和La-ES。 　　三、实证分析 　　（一）描述性统计分析 　　本文主要研究中国股票市场经流动性调整的市场风险。基于简单但不失一般性的原则，选择沪深300指数代表中国沪、深股票市场。样本考察期为日至日，共1 456组数据。所有数据来源于大智慧软件，数据处理采用S-plus8.0和Matlab7.9。 　　日至日，共1 456个交易日，其中231个交易日沪深300指数成交额（实际上是沪深300指数中包含的所有股票的总成交额，单位：元）在109～1010之间，1 225个交易日的成交额在之间。因此，本文假定日成交额为1010，即V0=1010。 　　将沪深300指数的市场风险因子和流动性风险因子分别记为Rhsh和Lhsh，其描述性统计如表1所示。由表1可知，在样本观察期间内，沪深300指数平均收益均为正（表1中给出的是负对数收益率）。峰度统计量和J-B检验统计量均表明市场风险因子和流动性风险因子均不服从正态分布。ARCH效应检验表明，滞后10阶，市场风险因子和流动性风险因子都具有明显的条件异方差性。Ljung-Box Q统计量显示，滞后10阶，在5%的显著水平下，市场风险因子和流动性风险因子均具有自相关性。单位根ADF检验表明，所有的序列都是平稳的。总体来看，市场风险因子与流动性风险因子均具有高峰、厚尾、条件异方差性。适合用GARCH模型建模。图1给出了市场风险因子与流动性风险因子的变化趋势。 　　注：*表示5%的显著水平所对应的临界值，其余的括号内的数值表示相伴概率p，Ljung-Box Q统计量和ARCH效应检验给出的是滞后10阶的检验结果。 （二）边缘分布建模 　　基于Ljung-Box Q检验，并结合AIC和SC准则，最终选择AR（1）-GARCH（1，1）-t对Rhsh建模，选择AR（5）-IGARCH（1，1）-t对Lhsh建模。为节约篇幅，略去均值方程的参数估计结果，仅给出波动方程的参数估计结果，见表2。 　　图1 沪深300指数的市场风险因子和流动性风险因子 　　对市场风险因子和流动性风险因子的标准化残差进行Ljung-Box Q检验和ARCH效应检验（表2的最后两列），发现消除了自相关性和ARCH效应，说明边缘分布建模是合理的，可以应用极值理论对标准化残差的尾部分布建模。 　　基于EVT建模，关键问题之一是确定阈值u。根据市场风险因子和流动性风险因子的标准化残差序列，作出MEF图（平均超额函数图），如图2所示。从图2可以看出，当u在-1左右时，MEF图基本为一条直线，但不能精确到具体的值。采用试验的办法，分别将-0.8到-1.2之间的数作为阈值，采用极大似然函数法进行参数估计，选择最大似然函数值所对应的阈值作为下尾阈值，下尾阈值及下尾分布的参数估计结果见表3。 　　图2 市场风险因子和流动性风险因子的经验超额函数图（MEF） 　　（三）时变Copula的参数估计 　　对风险因子的标准化残差序列进行概率积分变换，得到在（0，1）上服从均匀分布的时间序列。借助于Matlab7.9估计时变N-Copula和时变T-Copula模型的参数，结果如表4所示。 　　由表4可知，无论是时变NCopula还是时变TCopula，市场风险因子与流动性风险因子的相关系数的滞后项系数为负，表明市场风险因子与流动性风险因子的相关性具有一定的“矫正”能力。图3给出了基于时变N-Copula和时变T-Copula的相关系数演化趋势，发现，基于时变N-Copula相关系数的波动幅度较之时变T-Copula相关系数的波动幅度大。对时变相关系数进行描述性统计分析（表5），发现：时变相关系数的峰度要低于正态分布的峰度，J-B统计量也表明相关系数不服从正态分布；滞后10阶，具有ARCH效应；Ljung-Box Q统计量表明相关系数序列具有较强的自相关性（这与表4得出的结论是一致的）。 　　注：*表示1%的显著水平所对应的临界值，**表示5%的显著水平所对应的临界值，其余的括号内的数值表示相伴概率p，Ljung-Box Q统计量和ARCH效应检验给出的是滞后10阶的检验结果。 　　图3 市场风险因子与流动性风险因子的动态相关系数 （四）模型评价 　　为检验时变Copula建模的合理性，并与常相关Copula模型进行比较，对经流动性调整的市场风险值La-VaR进行Kupiec检验，也称LR似然比检验，其基本思想是假定实际考察天数为N0，失败天数为n，则失败率为p=n/ N0。设La-VaR置信度为p*。假定La-VaR估计具有时间独立性，则失败天数n服从参数为N0和p的二项分布，即n～B（N0，p），在零假设p=p*下，似然比LR=-2ln[（1-p*） N0-n（p*）n]+2ln[（1-n/N0） N0-n（n/ N0）n]～χ2（1），在5%的显著水平下，如果LR>3.841 5，拒绝本模型。表6给出了1%和5%显著水平下的检验结果：失败天数、失败率及LR统计值。 　　由表6可以看出，无论95%的置信度还是99%的置信度，基于时变Copula模型的La-VaR预测效果均优于常相关模式下的预测效果。T-Copula模型的预测效果要普遍要优于N-Copula，一个可能的解释是T-Copula模型能较好地刻画上、下尾部相关性。但无论是N-Copula，还是T-Copula，99%置信度下的预测效果要优于95%置信度下的预测效果。 　　进一步，基于时变T-Copula模型，采用Monte Carlo方法可以得到，若投资1单位，当股市日成交额为1010元，即V0=1010时，样本期内，95%置信度下，经流动性调整的市场风险日均LaVaR为0.029 7单位，日均La-ES为0.048 0单位；市场风险日均VaR为0.036 4单位，日均ES为0.055 0单位；流动性风险日均VaR为0.000 3单位，日均ES为0.000 7单位。由此可见，当股市日成交额为1010元时，中国股市主要面临的是市场风险。 　　四、结论 　　Michael认为，流动性风险可能是继信用风险之后，金融业面临的下一个最重要的风险，而流动性风险的研究远远落后于市场风险和信用风险的研究[17]。现阶段主要采用静态Copula方法测度经流动性调整的市场风险，本文将时变Copula方法引入到风险测度中，提出了基于时变Copula的经流动性调整的市场风险动态测度方法，并基于沪深300指数测度了中国股票市场经流动性调整的市场风险LaVaR和LaES。Kupiec检验发现，在预测La-VaR时，基于时变Copula模型的效果要优于常相关下的Copula模型，并且，时变T-Copula的预测效果优于N-Copula的预测效果。 　　参考文献： 　　[1]AMIHUD Y，MENDELSOHN H.Asset pricing and the bid-ask spead[J].Journal of Financial Economics，3-249. 　　[2]张金清，李徐. 流动性风险与市场风险的集成度量方法研究[J].系统工程学报，）：164-172. 　　[3]BANGIA A，DIEBOLD F X，SCHUERMANN T，STROUGHAIR J D.Modeling liquidity risk，with implications for traditional market risk measurement and management[R].The Wharton Financial Institutions Center，NYU Working Paper，No. FIN-99-062. 　　[4]Le SAOUT E.Incorporating liquidity risk in VaR models[R].Working paper，University de Rennes，2001. 　　[5]FRANOIS-HEUDE A，WYNENDAELE V P.Integrating liquidity risk in a parametric intraday VaR framework[C]//7th Bergian Financial Research Forum，Liége，2002. 　　[6]胡经生，王荣，丁成.VaR方法及其拓展模型在投资组合风险管理中的应用研究[J].数量经济技术经济研究，2005（5）：141-150 　　[7]陈剑利，叶东僵，周明华.VaR在流动性风险测度组合的运用[J].浙江工业大学学报，）：586-590. 　　[8]宋逢明，谭惠. VaR模型中流动性风险的度量[J].数量经济技术经济研究，2004（6）：114-123. 　　[9]胡小平，李超杰.基于Copula方法计算LaES[J].西安电子科技大学学报：社会科学版，）：59-64. 　　[10]谢福座，左柏云.基于LaCopulaEVT模型的我国股票市场风险价值研究[J].南京财经大学学报，2010（4）：52-58. 　　[11]张蕊，王春峰，房振明，等.市场风险与流动性风险整合风险度量研究[J].北京理工大学学报：社会科学版，）：18-22. 　　[12]PATTON A J.Modeling timevarying exchange rate dependence using the conditional copula[R].Department of Economics，University of California，San Diego，2001. 　　[13]PATTON A J.Modeling asymmetric exchange rate dependence[J].International economic review，）：527-556. 　　[14]MENDES B puting conditional VaR using time-varying copulas[J].Revista Brasileira de Finanas， ）：251-265. 　　[15]罗付岩，邓光明.基于时变Copula的VaR估计[J].系统工程，）：28-33. 　　[16]周好文，晏富贵.基于时变Copula的基金、股票和国债动态尾部相关性分析[J].西安交通大学学报：社会科学版，）：21-26. 　　[17]MICHAEL.The trading dynamics of closesubstitute futures markets：Evidence of margin policy spillover effects[J].Journal of Multinational Financial Management，/5）：463-483. 　　Measurement of Liquidityadjusted VaR Based on Timevarying Copula 　　JIANG Hongli1， HE Jianmin2， HU Xiaoping2 　　（1. School of Finance and Economics， Jiangsu University， Zhenjiang 212013， P. R. China； 　　2.School of Economics and Management， Southeast University， Nanjing 211102， P. R. China）
转载请注明来源。原文地址：
【xzbu】郑重声明：本网站资源、信息来源于网络，完全免费共享，仅供学习和研究使用，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除已转载的信息。
xzbu发布此信息目的在于传播更多信息，与本网站立场无关。xzbu不保证该信息（包括但不限于文字、数据及图表）准确性、真实性、完整性等。当前位置： →
浅析时变SJC-Copula函数的沪港股市尾部相关性
　　2.Copula函数理论知识
　　SJC Copula函数是由JC Copula函数演变而来的，Joe-Clayton Copula函数的分布函数为：
　　其中函数是logistic转换函数，它的作用是确保上尾和下尾相关系数都处于（0，1）区间内。
　　3.参数估计与检验方法
　　3.1 参数估计方法
　　参数估计法较常用的有严格极大似然法(EML)和边缘分布推断法(IFM)。严格极大似然法是同时估计边缘分布和Copula函数中的参数；边缘分布推断法是将估计过程分为两步，先估计边缘分布函数的参数，然后估计Copula函数的参数，因此又被称为两阶段极大似然估计法。因为EML和IFM法都必须估计边缘分布函数的参数，如果边缘分布函数选择不准确或对其参数估计不准确的话，都将对最终参数的估计造成不利的影响。
　　非参数法中常用的是Genest and Rivest法。而对于多参数阿基米德Copula函数，Genest and Rivest法不是很适用。由于两个随机变量的相关结构只与它们的相关函数Copula有关，而与边缘分布没有关系，因此通过样本直接估计Copula函数的参数将更加接近随机变量间的真实结构。
　　半参数估计法中有伪极大似然估计法和基于秩的极大似然估计法，后者是由前者经过变换得来的，因此我们先来看伪极大似然估计法。假设是随机向量(X，Y)的一个样本，是X和y的Copula函数，伪极大似然估计的对数似然函数为：
　　其中：A代表极大似然函数；M代表独立参数的个数；n代表样本容量。AIC和BIC包含了模型和参数估计值的信息，其值越小，其拟合效果越好。
　　4.实证分析
　　与内地股票市场的发展不同，香港作为世界上最成熟的资本市场之一，其高度的开放性使得香港股市与国际股市具有很强的联动性，作为紧邻大陆的国际中心之一，吸引了大批内地企业上市。而沪指作为内地股市的代表，和港指在尾部相关性上有着怎样的表现呢？以下将展开实证分析。
　　4.1 样本的选取和初步分析
　　本文选取上证综指和恒生指数（数据来自雅虎财经）自日到日的日收盘价作为样本，剔除不在同一天交易的数据，最后得到3328组数据。两市每日的收益率为数据处理后的相邻交易日收盘价的一阶差分，即。
　　经过处理后的到收益率数据3327个。本文使用的软件为matlab-
　　R2009a。上证综指和恒生指数对数收益率图如图1和图2所示。
　　4.3 参数估计及尾部相关性分析
　　我们先来求静态的SJC Copula函数的上下尾相关系数，下尾相关系数（0.1088）略大于上尾相关系数（0.0844）。
　　但是，单从静态的两个系数难以看出上下尾相关结构的变化情况，下面用时变的SJC Copula函数来做动态的分析，首先我们根据前面提到的基于秩的极大似然估计法求出时变SJC Copula函数的参数如表2所示。
　　下面给出上下尾动态变化图，如图3，从图中可以看出上下尾相关系数分别围绕0.8上下浮动，但都表现出来增大的趋势，为了看清这种变化的趋势，我们把3327个数据分成两个阶段，第一个阶段包含1663个数据，第二个阶段包含1664个数据，时间分界线是日，经拟合度检验后发现，时变SJC Copula函数对这两阶段的拟合都是最好的，并求得第一阶段的=0.0314，=0.0000，第二阶段的=0.1569，=0.2763
　　它们的动态变化图分别如图4（a）和图4（b）所示。可见两市上下尾相关性都有了大幅度的增加，尤其是下尾相关性，由原来的几乎为0，增加到了0.2763，两市的关联性已经有了质的变化。
　　5.结论
　　本文通过AIC和BIC信息准则，从几种动态和静态Copula函数中选出了拟合度最好的时变SJC Copula函数对沪港两市的尾部相关性进行了分析，参数估计方法为基于秩的极大似然估计法。结果发现所选样本得到的下尾相关性略高于上尾相关性，上下尾相关性都表现出了增大的趋势，于是笔者把样本分为两个阶段分析，结果发现第一阶段表现出的主要是上尾相关性，下尾相关系数几乎为0，第二阶段则下尾相关系数大于上尾相关系数，下尾相关系数已经由第一阶段的几乎为0增加到了0.2763。从本文数据可以看出，两市的关联程度表现的趋势是逐渐增大的，尤其是下尾相关性，说明上海股市正由一个新兴的股票市场向成熟股票市场转变。
　　该研究一方面将有助于市场投资者进行跨市场组合投资分析，从而分散风险，提高收益；另一方面对于保证我国市场乃至市场的正常运行，抵御外来风险冲击，保证国家安全及相关政策的制定具有一定的参考价值。
　　参考文献
　　[1]Sklar A.Fonctions de repartition & n dimensions et leurs marges[J].Publication de l&Institut de Statistique de l&Universite de Paris,-231.
　　[2]张荛庭.连接函数(Copula)技术与风险分析[J].研究,-51.
　　[3]Patton A J.Modeling time-varying exchange rate dependence using the conditional copula[Z].Department of Economics,University of California,San Diego,2001.
　　[4]Hu L.Essays in econometrics with applications in macroeconomic and financial modelling[D].New Haven:Yale University,2002.
　　[5]韦艳华,张世英.[1]&&&
?上一篇文章：
?下一篇文章：
& &评论摘要(共 0 条，得分 0 分，平均 0 分)