原文链接：http://tecdat.cn/?p=24753
摘要
在这项工作中，我通过创建一个包含四只基金的模型来探索 copula，这些基金跟踪股票、债券、美元和商品的市场指数。然后，我使用该模型生成模拟值，并使用实际收益和模拟收益来测试模型投资组合的性能，以计算风险价值(VaR)与期望损失(ES)。
一、介绍与概述
Copulas 对多元分布中变量之间的相关性进行建模。它们允许将多变量依赖关系与单变量边缘分布相结合，允许我们对构成多变量数据的每个变量使用许多单变量模型。Copulas 在 2000 年代开始流行。根据 Salmon (2009) 的说法，Li (2000) 最近提出的Copulas应用之一是 2008 年开始的金融危机。我们将使用 copulas 来模拟四个 ETF 基金的行为：IVV，跟踪标准普尔 500 指数；TLT，跟踪长期国债；UUP，追踪外汇指数；以及商品的 DBC
二、理论背景
copula 是一个多变量 CDF，其边缘分布都是 Uniform (0,1)。假设 Y 有 d 维，并且有一个多元
和边缘
。很容易证明，每个
都是 Uniform(0,1)。因此，
的 CDF 根据定义是一个 copula。使用 Sklar (1973) 的定理，然后我们可以将我们的随机变量 Y 分解为一个 copula CY ，它包含关于我们的变量 Y 之间相互依赖的信息，以及单变量边缘 CDFs FY ，它包含关于每个变量的所有信息单变量边缘分布。对于 d 维，我们有：
并使每个
，我们有：
如果我们对等式（2）进行微分，我们会发现 Y 的密度为：
方程 (3) 中的结果允许我们创建多变量模型，这些模型考虑了变量的相互依赖性（方程的第一部分）和每个变量的分布（方程的第二部分）。我们可以使用 copula 和边缘部分的参数版本来创建可用于运行测试和执行预测的模型。在接下来的几节中，我们将使用用于统计计算的 R 语言将高斯和 t-copula 拟合到介绍中描述的 ETF 的对数收益率。有了 copula 和边缘，我们将使用模型来确定投资的风险价值 (VaR) 和预期损失 (ES)。
三、算法实现与开发
像往常一样，我们从读取文件开始。图 1 显示了价格图：注意 IVV 和 DBC（股票和商品）之间的关系以及 TLT 和 UUP（元和国债）之间的关系。
代码语言：javascript复制# 将 ETF 读入
read.zoo("F.csv")
# 获取最近501天
tf[(T-500):T,]
# 绘制价格
pdf("价格.pdf")
在这种情况下，我们计算对数收益率。图 2 显示了收益图。
代码语言：javascript复制# 计算对数收益
le <- lag(e，-1
log(ef) - log(lef) ) * 100
然后我们做一个配对图来确定结果是否相关，例如，正如期望的那样，IVV 和 DBC 之间存在非常高的相关性。图 3 显示了配对图。然后我们获得边距的参数，拟合每个变量的分布。结果见表一
代码语言：javascript复制# 拟合分布
fitdr
## 得到结果矩阵
# 将 AIC 函数应用于第一项（值）
# params 列表的第四项 (loglik)
AIC(saply (saply(prms, 4))
# params 列表的第一项（估计）
sapply (sapply(pams,3))
图 4 显示了拟合分布与来自变量的真实数据进行比较的图。现在我们有了边缘分布，我们需要找到模型的 copula。我们首先使用概率变换并获得
中的每一个，我们知道它们是 Uniform(0,1)。这是通过以下代码完成的：
代码语言：javascript复制# 现在我们需要均匀分布
IV <- pct(IVV, a)
rt <- cbind(uV uL, UP, DC)图 5 显示了均匀分布之间的相关性。通过均匀分布，我们可以看到哪种类型的参数 copula 最适合。我们将拟合高斯 copula 和 t-copula，记录它们的 AIC 并查看哪一个提供了最佳拟合。
图 5：均匀分布之间的相关性
代码语言：javascript复制# 拟合高斯 copula
fit.gaussian <- fitCopula (ncp))
# 记录拟合的AIC
fit.aic = AIC(filik,
############################################### ############
# 现在是 t-copula
fitCopula (tcop, url00))
# 记录拟合的AIC
AIC(fiik
length(fite)比较两种拟合，如表 II 所示，我们发现 t-copula 拟合最好，因此我们将根据 t-copula 的参数创建一个模型。然后，我们使用该模型生成 10,000 个观察结果，模拟我们模型的可能结果。我们的模拟模型与拟合模型之间的图形比较可以在图 6 中看到 - 模拟非常接近拟合模型。
代码语言：javascript复制tCopula(parun")
cop.dist <- mvdc(copt,
parast1)
rmvdc(co00)现在我们有了模拟的观察结果，我们将使用参数方法计算风险价值 (VaR) 和预期损失 (ES)。我们将假设一个投资组合（任意选择）在 IVV 中投资 30%，在 TLT 中投资 15%，在 UUP 中投资 35%，在 DBC 中投资 20%。为了计算投资组合 w 的收益率 Rp，我们简单地使用矩阵代数将我们的模拟收益率 Rs 乘以权重，如 Rp = Rs × w。然后我们将 t 分布拟合到 Rp 并使用它来估计 VaR 和 ES。对于 t 分布，VaR 和 ES 的公式为：
其中：
• S：仓位大小
• F -1 ν：逆 CDF 函数
• fν：密度函数 • µ：平均值
• λ：形状/尺度参数
• ν：自由度
• α：置信水平
R中公式的应用实现如下。请注意，在代码中，VaR 和 ES 被四舍五入到最接近的千位。结果在表III中。
代码语言：javascript复制# 计算模拟值的 VaR 和 ES
fitdistr(re, "t")
es <- -m lada*es1*es2我们的最终任务是计算非参数 ES 和 VaR，由以下公式给出：
其中：
• S：仓位大小
• qˆ(α)：样本收益率的分位数
• Ri：第 i 个样本收益率
R 实现如下：
代码语言：javascript复制# 计算真实值的 VaR 和 ES
ret <- (rf %*% w) / 100
ES <- -S * sum(ret * ir) / sum (iar)结果示于表III中。
四、计算结果
表 I 显示了 ETF 边缘 t 分布的估计参数和 AIC 的结果：
表 I 边缘分布
两个 copula 拟合的 AIC 都在表 II 中。
表 II Copula AIC
VaR 和 ES 在表 III 中。
表三 VaR 和 ES
五、总结与结论
这项工作展示了如何估计边缘和 copula，以及如何应用 copula 来创建一个模型，该模型将考虑变量之间的相互依赖性。它还展示了如何计算风险价值 (VaR) 和期望损失 (ES)。
