基于pair-Copula情景生成的CVaR投資組合模型研究.pdf

1、對(duì)資產(chǎn)組合的風(fēng)險(xiǎn)描述方法，在最初馬科維茨(Markowitz)提出的M-V模型中用資產(chǎn)收益率的方差來(lái)描述風(fēng)險(xiǎn)。方差作為描述隨機(jī)變量離散水平的統(tǒng)計(jì)量，包含了隨機(jī)變量在均值周圍的向上和向下波動(dòng)。后來(lái)，研究者提出了VaR(Value at Risk，在險(xiǎn)價(jià)值)這一衡量指標(biāo)。VaR表示資產(chǎn)組合在一定置信水平下，將來(lái)一定時(shí)間段中可能產(chǎn)生的最大損失值。因此相比較方差而言，VaR更偏重下行風(fēng)險(xiǎn)。但在VaR的計(jì)算中，一般情況下會(huì)假設(shè)資產(chǎn)的收益率分布服從

2、正態(tài)分布，這與實(shí)際情況有較大差別。因此，運(yùn)用Copula來(lái)描述資產(chǎn)收益率之間的相依關(guān)系并找到他們的聯(lián)合分布是一個(gè)很好的方法。在金融資產(chǎn)的配置和資產(chǎn)組合的研究中我們會(huì)用到隨機(jī)優(yōu)化模型作為分析工具，隨機(jī)優(yōu)化模型的整體分析思路是模擬生成資產(chǎn)收益率的情景，同時(shí)根據(jù)生成的情景構(gòu)造情景樹，將生成的情景樹代入模型求解，由此得到優(yōu)化結(jié)果。傳統(tǒng)的K-means聚類分析產(chǎn)生收益率的情景在初始需要根據(jù)經(jīng)驗(yàn)人為設(shè)定分類的個(gè)數(shù)K，具有主觀性和不確定性，基于對(duì)上述

3、K-means聚類分析方法的改進(jìn)，本文選擇使用Copula來(lái)描述資產(chǎn)收益率之間的相依關(guān)系并得到聯(lián)合分布，同時(shí)用基于Copula的情景生成方法生成的情景構(gòu)造情景樹，并將得到的結(jié)果代入模型，得到最優(yōu)的投資組合。
　　依據(jù)上面的思路，本文先介紹了Copula以及相應(yīng)的邊緣分布建模方法，并介紹了VaR和CVaR模型來(lái)描述風(fēng)險(xiǎn)。隨后本文通過(guò)GARCH模型對(duì)資產(chǎn)收益率的邊緣分布建模，并使用Copula得到收益率的聯(lián)合分布，并由蒙特卡洛模擬生成