高维Copula-Monte Carlo模型在投资组合中的应用研究

高维Copula-Monte Carlo模型在投资组合中的应用研究

将Monte Carlo理论与Copula函数结合,建立了高维投资组合分析的

Copula-Monte Carlo模型。针对我国股票市场的组合投资问题进行了实证分析,

并以最优期望效用函数作为目标求出了最优投资组合。

标签：Copula函数;Monte Carlo模拟;效用函数

经济全球化和金融市场的多样及复杂化加剧了金融市场的波动性和风险性。

Markowitz于1952年首次提出的投资组合理论就成为世界各国经济学家倾力关

注的热点。现阶段的研究大都集中于两种资产的相关结构,对于多资产组合的风

险分析由于复杂性而致使研究相对匮乏,主要难点在于如何选择一定的工具来刻

画多个金融资产间的相依结构。运用新的数学方法研究多个金融资产投资组合风

险分析具有十分重要的现实意义。本文采用非参数核估计刻画单个金融资产的分

布和copula函数描述多个金融资产间的相依结构。运用Monte Carlo模拟方法计

算金融变量资产的Var,并结合效用函数去确定投资组合的比例系数,从而获得最

优的资金分配方案。

1 Copula研究现状

Copula理论研究源于Sklar,而Nelsen比较系统地介绍了Copula的定义、构

建方法、Archimedean Copula及变量间的相依关系。Copula理论对分析变量间相

关性具有特殊优势,目前已被广泛应用于金融领域,如金融市场上的风险管理、投

资组合的选择、资产定价等方面,已经成为解决金融问题的一个强有力工具。

但国内外关于二维Copula的研究已较成熟,多变量的相关结构分析主要利用

了正态Copula和t-Copula,而这两种函数大多描述的是变量间的线性相关结构,与

实际金融数据的尖峰厚尾性相距甚远,因此,本文选择Archimedean Copula来刻画

多个资产的相关结构,结合Monte Carlo技术进行投资组合风险分析。

2 产生多维随机序列的Monte Carlo算法

蒙特卡洛(Monte Carlo)法,即随机模拟方法,运用随机过程来模拟真实系统的

发展规律。这里采用Monte Carlo模拟技术其目的是获得具有Copula函数结构的

多维随机序列。由Copula的定义可知,Copula函数可看作是具有边缘分布的多维

随机变量的联合分布函数。不妨设Copula函数C(u1,u2,…,un;θ)是n维连续型随

机变量的分布函数,c(x1,…,xn)为对应的密度函数,则

C(u1,u2,u3,…,un)=∫u0-∞∫u

∈[0,1],i=1,2,…,n

。

0-1-∞…∫un-∞c(x1,x2,…,xn)dx1dx2,…,dxn,ui

设某随机向量取值于n维实数空间[0,1]n内一点H,选取包含点H的任意小

邻域ΔRn,则随机向量在该邻域内的概率值不为零,即

P(·)=cH(u1,u2,…,un;θ)ΔRn>0,其中cH(u1,u2,…,un;θ)为选定的Copula密度函数。

问题关键是选择 维空间[0,1]n内的H点,使得cH(u1,u2,…,un;θ)>0。

模拟算法:(1)令G=n-1Cu1u2…

n-1

un-1,或

G=∫un0c(u1,u2,…,un-1,xn)dxn,它是关于u1,u2,…,u

n-1

n-1

,un的函数;(2)在

[0,1]区间内随机产生n-1个数u1,u2.…,u

是关于un的一元函数。(3)由c(u1,u2,…,u

,将它代入函数G中,则该函数则

,xn)的非负性可知,则G是关于

(y), un单调递增的,在G(un)的值域[0,G(1)]内随机取一点y,若能反解出un=G-1

则(u1,u2,u3,…,un)为满足某选定Copula函数的一点。如此循环计算,可以产生一

组由某个Copula函数决定的随机序列

{(u1j,u2j,u3j,…,unj),j=1,2,…}。

3 基于Copula-Monte Carlo的多个资产组合风险模型

在多个资产的投资组合风险分析中,需要模拟单个资产的边缘分布,描述各资

产间的相依结构。针对金融数据的尖峰厚尾性,本文采用拟合度较高的非对称

Laplace核密度估计来拟合单个资产收益率的边缘分布函数 。运用Archimean

Copula函数描述资产间的相依结构。

3.1 Copula的选择及参数估计

Archimean Copula在建模中具有很好的性质:即高维的非对称性和厚尾性。

在此初步选择如下三种Archimean Copula函数:

Frank Cθ(u1,u2,…,un)=-1θln1+∏n

(1)

Clayton Cθ(u1,u2,…,un)=(∑ni=1u-θ

Gunbel Cθ(u1,u2,…,un)=exp-∑ni=1(-lnui)θ1θθ≥1(3)

i-n+1)-1θθ>0(2)

i=1(e-θuki-1)(e-θ-1)n-1,θ>0

利用各资产的历史数据需要选择最佳的Copula函数和估计参数 。首先采用

非对称Laplace核密度估计拟合单资产的分布(边缘),从而获得一组边缘分布函数

值:(u1i

,u2i,u3i,…,uni),i=1,2,…,T,建立似然函数:

lk(θ)=∏Ti=1ck(u

其中c(u1i,u2i

1i,u2i,…,uni;θ),k=1,2,3(4)

,…,uni;θ)表示Copula的密度函数,T为选定的样

本个数, 分别对应Copula函数(1),(2),(3)。建立获得最佳Copula函数C的准则:

C=max

采用优化算法,数值计算maxklk(θ)。确定最佳的Copula函数,相应的就作

klk(θ)

为θ的估计量。当选定Copula函数后,通过第2节的Monte Carlo模拟算法生成

随机收益率序列,由此计算VaR的值。

3.2 基于效用原理的最优投资组合

效用函数建立在消费者在消费中所获得的效用与所消费的商品组合之间的

数量关系之上,可用来衡量消费者从消费既定的商品组合中所获得满足的程度。

而在金融风险市场中,投资者根据自身对风险的偏好程度来决定分配到各资产的

比例大小,本文通过综合考虑投资者对收益与风险的偏好,建立了二次型的效用函

数,进而找出多资产的最优投资组合。

假设投资者的初始资产为W0,投资n种资产收益率为(r1,r2,…,rn),期末资产

为W1=W0∑ni=1ci(1+ri)。则最优投资权重ci应该满足maxci∈

[0,1]E(U(W0(∑ni=1ci(1+ri)))),选取效用函数U(W)=W-12yW2,y>0,其中r为风险指

数,取样本均值为期望函数,则目标函数转化为:

max

2∑ni=1cirti

ci∈[0,1]

∑ni=1ci=1 i=1,2,…,n

其中rti为t日资产i的收益率,求解此二次规划问题可得到最优投资比例

(5)

+∑ni=1∑ni=1cicjrtirtj)

1T∑Tt=1(W0(1+∑ni=1cirti)-rW202(1+

ci,i=1,2,…,n。

3.3 算法描述

Step 1 随机选取同时间段内n只股票,日收益率定义为:

rit

价,;

Step 2 将历史收益率(r1t

入拟

,u

合

2t

的

,u

边

3t

际

,…,u

分

nt

,r2t

布

,r3t

函数

,…,rnt

中,

),t=1,2,…,T分别代

得到序列

=(Pit-Pi(t-1))/Pi(t-1),t=1,2,…,T,i=1,2,…,n,pt为t日收盘

(u1t),t=1,2,…,T;

Step 3将第2步的计算结果分别代入式(1),(2),(3)中,数值计算:

maxklk(θ)=∏Ti=1ck(u1i,u2i,…,uni;θ),k=1,2,3确定最

优的Copula函数C。

Step 4产生n-1个伪随机数vi~U(0,1),i=1,2,…,n-1;

Step 5 利用第2节所述,在函数G值域[0,G(1)]内,任取一点y,若能解出

vn=G-1

Step 6 求解ri=F-1i(vi),i=1,2,…,n,即可得到股票样本在将来某时刻的收益

(y),则向量v=(v1,v2,…,vn)满足相应Copula分布。否则返回Step 4;

率r1,r2,…,rn。

Step 7 多次重复步骤

(r1k,r2k,…,rnk

4、5、6,产生一序列

),k=1,2,…,5000,它是服从联合分布为选定Copula函

数的n维随机序列。由此,根据期望效用原理及公式(5)便可得到最优投资权重及

对应的VaR值。即最佳线性组合关系式:

zk=c1r1k+c2r2k+…+cnrnk

其中ci为 (待定的)组合权重系数,i=1,2,…,n,ci∈[0,1],∑ni=1ci=1,

4 实证分析

本文选取了3只股票,上海医药(代码600849),中国石化(代码600028)和东方

电气(代码600875)作为研究对象,时间段为2007年1月4日至2007年12月28

日,数据来自国泰君安网。为了准确刻画这三只股票间的相关性,对于交易日t时

刻,经过预处理后,得到246组收益率r1t,r2t,r3t,(t=1,2,…,246)。首先

通过样本数据估计各种分布函数的相关参数和确定三只股指的边缘分布;然后通

过样本和极大似然法确定较好的copula函数和对应的参数θ,通过Monte Carlo模

拟,预测出收益率数据,再根据期望效用原理得到最优投资组合系数c*i,i=1,2,3。以

上计算使用spss和matlab软件编程实现。

4.1 样本分布及参数估计

样本数据的描述统计见表1。

表1 描述性统计

最小值最大值均值标准差skewnesskurtosisJ-B值P值中国石化

-0.36160.10070.00400.0436-2.5222.892124.050.103上海医药

-0.28260.28610.00410.0464-0.2514.021535.120.172东方电气

-0.10010.31380.00650.04061.5115.761722.310.049从表1中可以看出收益率序列

具有明显的尖峰厚尾特性,且Jarque-Bera统计量检验和对应p值均表明拒绝正态

分布的假设。对此,我们对数据进行非参数核密度拟合边缘分布,记为 ,图1是对

中石化的数据使用正态分布和核密度估计模拟的收益率序列的p-p图,可以直观

地看出,核密度估计的拟合效果要优于正态分布,核估计能比正态分布更好地捕捉

金融时间序列的尖峰厚尾特性。

图1 中国石化核分布估计(左)和正态分布p-p图(右)

4.2 Copula参数估计及VaR分析

用分步法估计Copula函数,首先利用已有的历史收益率对边缘分布建模,得

到新的拟观测值序列(u1t,u2t,u3t),t=1,2,…,246,进而代入式(4)中,计

算相应的似然函数值,由表2可知Clayton Copula拟合这组数据效果最好,同时大

量实证表明证券市场符合Clayton函数所具有的下尾相关性,因此我们采用

Clayton Copula作为刻画收益率间相关结构的Copula函数,其中参数=1.4125,即最

优的Copula函数为:

C2(u1,u2,u3;θ)=(u-1.4125

1+u-1.41252+u-1.41253-2)-0.7079

表2 不同Copula极大似然函数值

FrankClaytonGumbel最大似然值0.81321.05470.9081θ0.41731.41251.5016选

定Copula函数后,根据3.3节中算法描述的步骤4、5、6生成收益率列向量

r1k,r2k,r3k,k=1,2,…,5000,它近似服从联合分布为Clayton Copula的

随机样本,由这5000个样本,根据期望效用原理及公式(5),找出不同r和W0条件

下的最优权重系数ci,i=1,2,3从而确定最优投资组合及VaR

表3所示。

表3 最优投资组合权重及VaR值

W0r东方电气

(c2)VaR0.05

0.05,计算结果如

(c1)上海医药

1.001.500.680.230.085243.502.00.770.160.082137.002.500.830.120

.08361注: c3=1-c1-c2。

5 结论

(1)本文采用非参数核密度估计,较好地拟合了资产的边缘分布,并给出了结

合连接函数Copula和Monte Carlo来模拟多个资产联合分布的方法,以此度量多

个资产的风险,对金融市场中投资者提供了有效的参考工具。

(2)本文选择了二次型效用函数,还可以选用其他效应函数来表示投资者对于

风险的喜好程度。此外,利用Copula函数进行二维资产分布研究已经趋于成熟,

但对高维的情形研究不够成熟。依照本文中的方法,通过选择合适的Copula,可以

进行高维的资产组合分析。同时,Copula函数本身所具有的许多优良统计特性,使

其在金融领域中有着广泛的应用前景,也必然会成为金融计量和金融分析的强大

工具。

参考文献

[1]Rockfeller R T, Uryasev S. Optimiztion of Conditional

Value-at-Risk[J].Journal of Risk,2000,2(3):21-24.

[2]n, . Fitting bivariate loss distributions with

copulas[J].Insurance:Mathematics and Economics,1999(24):139-148.

[3]Andrew J Patton. Modelling Asymmetric Exchange Rate

Dependence[J].International Economic Review,2006,47(2):527-556.

[4]B.L.S. Prakasa ametric Functional Estimation[M].ACADEMIC

PRESS,1983.

[5]Monica B, Loriana -at-Risk: a multivariate switching regime

approach[J].Journal of Empirical Finance, 2000, 7(5):531-554.

[6]Nelsen.R.B. An Introduction to Copulas[M]. New York:Springer, 1999.

[7]张尧庭,陈慧玉.效用函数及优化[M].北京:科学出版社,2000.

[8]Gumbel E J. Bivariate exponential distributions[J]. Journal of the American

Statistical Association, 1960: 698-707.

[9]Clayton D G. A model for association in bivariate life tables and its

application in epidemiological studies of familiestendency in chionic disease

incidence[J].Biometrika,1978(65):141-151.

[10]Frank M the simultaneous associativity of F(x,y) and x+y-F(x,y) [J].

Aequationes Math,1979(19): 194-226.

[11]er(ed.). Method of Statistical Testing(Monte Carlo

method)[M].Orford:Pergamon Press,1964.

[12]史道济,李瑶.基于Copula的股票市场VaR和投资组合分析[J].天津理工大

学学报,2007,23(3):13-16.