失眠网 > 拓端tecdat|R语言Copula估计边缘分布模拟收益率计算投资组合风险价值VaR与期望损失ES

拓端tecdat|R语言Copula估计边缘分布模拟收益率计算投资组合风险价值VaR与期望损失ES

时间：2021-11-18 07:35:34

原文链接：/?p=24753

原文出处：拓端数据部落公众号

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 () 的说法，Li (2000) 最近提出的Copulas应用之一是年开始的金融危机。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。

# 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。

# 计算对数收益le <- lag(e，-1log(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

# 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：

# 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

# 拟合高斯 copulafit.gaussian <- fitCopula (ncp))# 记录拟合的AICfit.aic = AIC(filik,############################################### ############# 现在是 t-copulafitCopula (tcop, url00))# 记录拟合的AIC

AIC(fiiklength(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。

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。

# 计算模拟值的 VaR 和 ESfitdistr(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