【Python金融量化】VaR系列(五):Copula模型估计组合VaR

作者:佚名 上传时间:2019-04-07 版权申诉

1. 资产组合VaR建模方法回顾

文章 中总结了通过DCC模型估计组合向前一日VaR的方法,整体思路如下:

●  通过Garch族模型估计各资产的波动率
●  通过DCC模型估计各资产间的相关系数,结合1得到资产组合的协方差矩阵
●  在各资产正态性假设的前提下,可以知道资产组合也服从正态分布,并且均值与协方差阵已在1,2中计算得到
●  在已知组合中各但资产权重w的情况下,根据下式计算组合VaR
【Python金融量化】VaR系列(五):Copula模型估计组合VaR

文章 中总结了通过蒙特卡洛方法估计组合向前K日VaR的方法,也可以仅计算组合向前一日VaR(本文只考虑向前1日的情况),文章中也对比了蒙特卡洛方法与DCC方法得到的结果,差异并不大。蒙特卡洛方法的思路如下:

●  根据Garch族模型估计资产的波动率
●  根据DCC模型估计组合的相关系数
●  在1,2的基础上,在正态性假设前提下,得到组合的分布函数,对组合收益率进行模拟,在给定各资产权重w的情况下,可以得到组合的总收益
●  重复1-3若干次,可以得到组合总收益的模拟序列,类似HS方法,取p分位数即可

可以看出不论是DCC模型还是蒙特卡洛方法,都是在正态性假设的前提下,得到组合的分布函数再进行求解。事实上,也可以类比多元正态的概念构建多元t分布和多元渐进t分布,假设组合服从这样的分布,求出分布的参数后,再用蒙特卡洛方法进行模拟,这些理论依据已经很成熟,推导过程见文献 [1] ,这里不再赘述。

但需要说明的是, 多元t分布和多元渐近t分布都没有边际分布和线性组合依然多元t或者多元渐近t的性质 。回忆多元正态的情况下,为了生成多元正态随机数,实际上是先产生不相关的n组一元正态随机数向量,然后通过cholesky分解转换为符合给定相关系数矩阵的组合收益率模拟序列。如果组合的分布不具有类似多元正态的性质,要根据分布函数模拟组合收益就比较困难,必须直接通过多元分布函数产生随机数,不能分解成单个资产去做,虽然也有相关的方法可以生成给定分布函数下随机数,但都比较麻烦,这是之前方法的一个局限性。

此外,多元正态假设所有的单个资产都是正态分布,多元t分布和多元渐近t分布的边际分布并非t分布或者渐近t分布,而 不同的资产可能服从不同的分布,需要用不同方法去建模 ,已有的多元分布都不能满足这一条件,这是之前方法的另一局限性。

比较理想的状态是,我们可以用不同的方法对不同的单资产进行建模,最终n各资产具有不同的分布函数

【Python金融量化】VaR系列(五):Copula模型估计组合VaR

这种情况下,如果可以找到一个连接函数G,通过这n个边际分布得到组合的分布F,就可以解决上面所说的两种局限。

【Python金融量化】VaR系列(五):Copula模型估计组合VaR

这也正是本文总结的Copula模型的逻辑。

2.Copula模型

Sklar定理

Copula模型整体来说比较复杂,这里只对关键的部分加以说明,模型中最重要的定理是Sklar定理,也就是上面所说的理想情况,具体叙述如下

【Python金融量化】VaR系列(五):Copula模型估计组合VaR

G称为copula CDF,在sklar定义的假设下,如果我们已经通过一些单变量模型得到了单资产的分布函数,只需要确定出copula函数G,就相当于知道了组合的分布函数,从而把估计组合分布函数的问题转化为估计copula函数的问题。当然copula函数也不是靠猜,有一些常用的copula函数可以选择,在确定了copula函数之后,可以通过MLE等方法估计参数。

参数估计(MLE)

【Python金融量化】VaR系列(五):Copula模型估计组合VaR

这里的C就是上文的G,见参考文献 [2] ,二元情况下,可以细分为

【Python金融量化】VaR系列(五):Copula模型估计组合VaR

其中,序号1称为 Gumbel Copula 函数,序号2称为 Clayton Copula 函数,序号3称为 Frank Copula 函数,之所以说明这三个,是因为这三个实际应用中比较多,python的 copulalib 包中也只提供这三种方法,不过本文并未尝试这几种方法,有兴趣的可以自己尝试下。

VaR估计思路

从之前的叙述中可以看出,通过copula函数得到的组合分布函数没有非常好的解析表达式,所以直接通过定义计算VaR的方法行不通,一般采取与蒙特卡洛方法相结合的方式,生成给定copula函数下的随机数,模拟资产组合的收益序列,再根据组合权重得到组合总收益,重复若干次,取p分位数。

随机数构造

使用蒙特卡洛方法的难点在于生成给定copula函数下的随机数,需要用到 Nelsen定理 ,详见参考文献 [2]

【Python金融量化】VaR系列(五):Copula模型估计组合VaR

用Nelson定理构造随机数的方法如下

【Python金融量化】VaR系列(五):Copula模型估计组合VaR

看了下copulib的源码,就是用这种方法构造的。而如果是多元正态copula或者多元t-copula的话, 有更简便的方法。以二元为例,可以往更高维推广

【Python金融量化】VaR系列(五):Copula模型估计组合VaR 【Python金融量化】VaR系列(五):Copula模型估计组合VaR
服从二元正态,可以直接模拟,然后再用标准正态分布函数作用,就可以得到符合给定多元正态copula的随机数,多元t-copula分布类似。

在得到符合给定copula分布的随机数u后,根据单个资产的分布F,可以得到单资产对应的随机数z

【Python金融量化】VaR系列(五):Copula模型估计组合VaR

随后可以根据权重计算组合收益进而估计VaR。

综上,可以将Copula函数估计VaR的过程总结如下

选择copula函数,估计参数

第一步:根据单变量模型对所有单资产进行建模,估计分布函数F;

第二步:根据所有的分布函数F和给定copula函数,最大化对数似然函数估计参数;

蒙特卡洛模拟估计VaR

第一步:生成符合copula函数的随机数;

第二步:通过随机数得到各资产收益的模拟序列;

第三步:根据各资产权重得到组合收益序列,取p分位数作为VaR估计值

3.实证分析

数据: S&P500、US 10yr T-Note Fixed Term(同上一篇)

区间: 2001-2010

蒙特卡洛模拟次数: 10000次

数据和代码在后台回复“ VaR5 ”获取

仅估计最后一天的VaR。代码中未给出太多注释,可以参见文献 [1] 第九章习题。

前两道题首先通过threshold correlation说明正态性假设并不符合实际,threshold correlation定义如下,r(p)表示r的p分位数

【Python金融量化】VaR系列(五):Copula模型估计组合VaR

结果如下

【Python金融量化】VaR系列(五):Copula模型估计组合VaR

蓝色线为真实收益序列的threshold correlation,红色为标准正态的,如果将真实收益序列转化为标准收益,结果如下

【Python金融量化】VaR系列(五):Copula模型估计组合VaR

可以看出,二者相差很大,说明用多元正态进行建模并不符合实际。


 

1 def getThre_cor (data,column1,column2,p) :
2 cor = pd.DataFrame(p,columns = [ 'p' ])
3 cor[ 'thre_cor' ] = 0
4 for i in range(cor.shape[ 0 ]):
5 if p[i] <= 0.5 :
6 condition1 = (data[column1] <= np.percentile(data[column1],p[i]* 100 ))
7 condition2 = (data[column2] <= np.percentile(data[column2],p[i]* 100 ))
8 else :
9 condition1 = (data[column1] > np.percentile(data[column1],p[i]* 100 ))
10 condition2 = (data[column2] > np.percentile(data[column2],p[i]* 100 ))
11 datas = data.loc[condition1 & condition2,:]
12 cor.loc[i, 'thre_cor' ] = np.corrcoef(datas[column1],datas[column2])[ 0 , 1 ]
13 return cor
14
15 def Thre_cor_norm (num,rou) :
16 np.random.seed( 52 )
17 data = pd.DataFrame(index = range(num))
18 data[ 'r1' ] = np.random.normal(size=(num, 1 ))
19 data[ 'r2' ] = np.random.normal(size=(num, 1 ))
20
21 data[ 'r1_c' ] = data[ 'r1' ]
22 data[ 'r2_c' ] = data.r1*rou + data.r2*( 1 - rou** 2 )** 0.5
23 return data
24
25 p = np.arange( 0.15 , 0.90 , 0.05 )
26 rou = np.corrcoef(data1.Log_Return_SP,data1.Log_Return_US)[ 0 , 1 ]
27 data_norm = Thre_cor_norm( 30000 ,rou)
28 cor_norm = getThre_cor(data_norm, 'r1_c' , 'r2_c' ,p)
29
30 p = np.arange( 0.15 , 0.86 , 0.01 )
31 cor = getThre_cor(data1, 'Log_Return_SP' , 'Log_Return_US' ,p)
32 ax = plt.figure(figsize=( 10 , 5 ))
33 plt.plot(cor.p,cor.thre_cor,linewidth = 2 )
34 plt.plot(cor_norm.p,cor_norm.thre_cor,linewidth = 2 ,color = 'red' )
35 plt.grid()
36 plt.show()

第三道题为用t-garch分别对两个单资产进行建模,估计参数d,不再说明;

第四道题为用第三问的结果建立二元正态copula模型,估计组合VaR,过程前面已经说明,代码如下

估计copula函数的参数


 

1 def getNegativeLoglikelihood_copula (rou,r) :
2 LogLikeLihood = -r.shape[ 0 ]*np.log( 1 - rou** 2 )/ 2 - ((r.norm1** 2 +r.norm2** 2 - 2 *rou*r.norm1*r.norm2)/( 2 *( 1 - rou** 2 )) -
3 0.5 *(r.norm1** 2 + r.norm2** 2 )).sum()
4 return -LogLikeLihood
5
6 rou_best = optimize.fmin(getNegativeLoglikelihood_copula,rou0, \
7 args=(copula_data,),ftol = 0.000000001 )
8 print( '估计结果为:' ,rou_best)

模拟


 

1 data4[ 'u1c' ] = data4[ 'u1' ]
2 data4[ 'u2c' ] = data4.u1*rou + data4.u2*( 1 - rou** 2 )** 0.5
3 data4[ 'F1' ] = norm( 0 , 1 ).cdf(data4[ 'u1c' ])
4 data4[ 'F2' ] = norm( 0 , 1 ).cdf(data4[ 'u2c' ])
5 data4[ 'z1' ] = t(d_SP).ppf(data4.F1)*((d_SP -2 )/d_SP)** 0.5
6 data4[ 'z2' ] = t(d_US).ppf(data4.F2)*((d_US -2 )/d_US)** 0.5
7 data4[ 'R1' ] = data4.z1*sigma_SP** 0.5
8 data4[ 'R2' ] = data4.z2*sigma_US** 0.5
9 data4[ 'R' ] = 0.5 *data4.R1 + 0.5 * data4.R2
10 VaR = -np.percentile(data4.R, 1 )

最终估计结果为VaR = 0.0101,可以与上篇文章最后一日的结果相对比,基本上是一致的。


原文发布时间为:2018-10-1

本文作者:量化小白H

本文来自云栖社区合作伙伴“ Python爱好者社区 ”,了解相关信息可以关注“ Python爱好者社区 ”。

免责申明:文章和图片全部来源于公开网络,如有侵权,请通知删除 server@dude6.com

用户评论
相关推荐
VAR与向VECM
VAR模型与向量VECM模型--传统的经济计量学联立方程模型建摸方法,是以经济理论为基础来描述经济变量之间的结构关系,采用的是结构方法来建立模型,所建立的就是联立方程结构式模型。这种模型其优点是具有明
DOC
1.45MB
2019-05-15 11:15
基于条件CopulaGARCHVaR
基于条件Copula-GARCH模型的VaR估计,段福林,,在险价值(ValueatRisk简写成VaR)在风险管理中起到了非常重要的作用,投资组合中VaR的计算通常假设资产收益率序列的联合分布是多元
pdf
639KB
2020-05-14 12:49
自回归VAR
向量自回归是一种很好的模型研究,要好好把握好,不然就很难做回归了
PPT
2.41MB
2019-05-15 11:15
VAR及应用思路
分析评述了A股风险计量的模型、开发和应用思路
PDF
2.48MB
2018-12-20 04:35
R语言实现VAR的参数
向量自回归模型(简称VAR模型)是一种常用的计量经济模型;该例子是VAR(1)模型的代码,可以参考vars包。
R
770B
2019-01-06 09:56
基于g h下的VaR及应用
基于g-h模型下的VaR估计及应用,丁芳,严定琪,风险价值是目前金融市场风险管理和金融管理的主流方法,它被用来度量某个金融资产或投资组合在一定持有期和置信水平下的最大可能
PDF
471.47KB
2020-08-18 02:21
VAR的Eviews方法
VAR模型的Eviews方法VAR模型的Eviews方法VAR模型的Eviews方法VAR模型的Eviews方法
DOC
2.68MB
2018-12-16 05:36
经济研究VAR
考虑到货币政策与杠杆周期和房价之间的内生性关系以及货币政策所呈 现出来的非线性特征,本文构建了一个关于房价和银行信贷的局部均衡模型,并首次设计 了时变参数结构式模型实证分析我国 1996 年一季度至
PDF
2.81MB
2019-02-11 11:56
VAR使用指导
VAR模型使用指导,方法介绍,原理说明,还有案例分析,软件使用等
PPT
1.7MB
2019-05-20 09:54
论文研究基于Copula理论的多心理帐户VaR与基风险管理.pdf
论文研究-基于Copula理论的多心理帐户组合VaR模型与基金风险管理.pdf,  在Shefrin和Statman的行为投
unkonw
0B
2020-05-04 02:35