拓端tecdat|R语言Copula模型分析股票市场板块相关性结构

原文链接：http://tecdat.cn/?p=25804 

原文出处：拓端数据部落公众号

这篇文章是关于 copulas 和重尾的。在全球金融危机之前，许多投资者是多元化的。
看看下面这张熟悉的图：

 

黑线是近似正态的。红线代表Cauchy分布，它是具有一个自由度的T分布的一个特殊情况。也许是因为Cauchy和t分布混在一起。我们总是可以计算出经验方差。请看下图。这是对1自由度的t分布（红色的Cauchy分布）和5自由度的t分布（蓝色）的模拟结果。

为了比较不同的尾部行为，我们有我们所谓的尾部指数。简而言之，在几乎任何分布中，某个阈值之后的观测值（比如说最差的5%的情况下的观测值）都是渐进式的帕累托分布。

  

其中x_m是截止点，α将决定尾巴的形状。α也被称为尾部指数。

现在大家都知道，金融收益呈现出厚尾。这使得保持投资组合为左尾事件做好准备变得更加重要，因为在那个区域，由于相关性的增加，你会同时受到所有资产的影响（正如金融危机所证明的那样）。在这个讨论中，copulas发挥了重要的作用。copulas的概念是相当巧妙的。copula这个词起源于拉丁语，它的意思是捆绑。当我们有两个（或更多）资产类别的收益，我们可以假设或模拟它们的分布。做完这些之后，我们可以把它们 "粘贴 "在一起，只对相关部分进行建模，而不考虑我们最初对它们各自分布的建模方式。怎么做？
 

我们从英国统计学家 Ronald Fisher 开始，他在 1925 年证明了一个非常有用的性质，即任何连续随机变量的累积分布函数都是均匀分布的。形式上，对于任何随机变量 X，如果我们表示  作为 X 的累积分布，则 。请记住，当我们说  ，它仅意味着概率， 。这就是 [0,1] 的来源，因为它只是一个概率。从三种不同的分布进行模拟：指数、伽玛和学生-t，变换它们并绘制直方图：

1.  
    
2.  
   par(mfrow=c(3,1)) # 分割屏幕
3.  
    
4.  
   apply(tm, 2, hist,xlab="", col = "azue") # 绘制

您可以通过这种方式转换任何连续分布。现在，将两个变换后的随机数表示为  和 . 我们可以将它们“绑定”（copula）： . 其中，  是一些函数，并且因为原始变量是“不可见的”（当我们将其转换为 Uniform 时消失了），所以我们现在只讨论两个变量之间的相关性。例如  可以是具有一些相关参数的二元正态分布。我不会在这里写出双变量正态密度，但它只是一个密度，因此，它将说明在中心地带观察到两个变量在一起的概率，和/或在尾部一起的概率。这是绕过原始变量的分布，只谈相关结构的一种方式。

现在让我们对金融和消费必需品之间的相关结构进行建模。从拉取数据开始：

1.  
    
2.  
    
3.  
   da0 = (getSymbols(sym[1])
4.  
    
5.  
    
6.  
   for (i in 1:l){
7.  
    
8.  
   da0 = getSymbols
9.  
   w <- dailyReturn
10.  
    w0 <- cbind(w0,w1)
11.  
     
12.  
    }
13.  
     
14.  
     
15.  
    apply(rt0, 2, mean) # 定义平均数
16.  
     
17.  
    apply(rt0, 2, var) # 和标准差
18.  
     
19.  
     
20.  
     
21.  
    cor(et0) # 无条件的相关关系。
22.  
     

我们现在要做的是按照讨论的方法对数据进行转换（称之为概率积分转换），并将其绘制出来。同时，我们模拟两个具有相同（量化-非条件）相关性的随机常模，并比较这两个数字。 

1.  
    
2.  
   desiy <- kde2d
3.  
    
4.  
   contour
5.  
    
6.  
   # 现在从两个具有相同相关性进行模拟。
7.  
    
8.  
    
9.  
    
10.  
    smnom <- rmvnorm
11.  
     
12.  
    trnorim_rm <- appl
13.  
    mdni_im <- kde2d
14.  
    plot
15.  
    contour
16.  
    title

 

乍一看，这两个数字看起来差不多。但更详细的观察发现，角落更快地收敛到（0,0）、（1,1）坐标。这也是由这些区域的深色等值线颜色表明的。请记住，模拟数据使用的是与真实数据相同的经验相关性，所以我们在这里讨论的其实只是结构。
​​​​​​​

现在让我们生成一个copula函数​​​​​​​​​，我们可以用它来 "包裹 "或 "捆绑 "我们的转换后的收益。我们定义了一个重尾​​​​​​​（df=1）和一个轻尾（df=6）的copula。我们可以直观地看到这个函数实际上是什么样子的。这样做的方式与我们可视化正态密度的方式差不多，但现在因为它是一个双变量函数，所以它是一个三维图。
 

1.  
   she <- 0.3
2.  
    
3.  
    
4.  
   persp(colahevy)

接下来你可以看到通常的相关性度量是相同的，除了尾部指数，因为我们只讨论结构，而不是大小。

1.  
   tau(colight)
2.  
    

1.  
   tau(coheavy)
2.  
    

1.  
    
2.  
    
3.  
   rho(colight)
4.  
    
5.  
    

 

1.  
    
2.  
   rho(copheavy)
3.  
    
4.  
    

1.  
    
2.  
   tailIpulight)
3.  
    

1.  
    
2.  
   tailIheavy)
3.  
    

上下尾不一定相同。这只是 t-copula 是对称函数的一个特征。在应用中，应该使用更真实的非对称 copula。

现在我们定义边缘，并估计 copula 参数。为简单起见，我为收益定义了 Normal 边缘分布，但 copula 仍然是 t-dist 且重​​​​​​​尾：

1.  
   # 用从数据中估计的参数来定义你的边际。
2.  
    
3.  
   copurmal <- mvdc
4.  
    
5.  
   # 拟合copula。这个函数的默认值是隐藏警告，所以如果发生错误。
6.  
    
7.  
   # 添加 "hideWarnings=FALSE"，这样它就会告诉你是否有什么错误
8.  
    
9.  
   coporm <- fitMvdc
10.  
     
11.  
     
12.  
    该函数返回一个有那些可用的S4类。
13.  
     
14.  
     
15.  
     
16.  
    copurm@mvc@cpla
17.  
     
18.  
    coporm@estiat
19.  
    coporm@fittng.sas
20.  
     
21.  
    coporm@va.st
22.  
     
23.  
    print
24.  
    summary

1.  
   est <- coeffic # 我们自己的估计值
2.  
    
3.  
   mycop <- mvdc
4.  
    
5.  
   # 从拟合的copula进行模拟
6.  
    
7.  
   simd <- rMvdc
8.  
    
9.  
   plot
10.  
     

​​​​​​​

相关结构看起来还不错--但你肯定可以看到正态边缘是不够的，有几个黑点（真实数据）在红色模拟簇之外。

顺便提一下，现在我们也可以估计那些没有预先指定形状的copulas​​​​​​​，比如正态或t，但它们本身就是估计。这属于 "非参数copulas​​​​​​​ "这个更复杂的主题。​​​​​​​​​​​​​​

---

​​​​​​​

最受欢迎的见解

1.R语言基于ARMA-GARCH-VaR模型拟合和预测实证研究

2.r语言实现copula算法建模依赖性案例

3.R语言COPULAS和金融时间序列数据VaR分析

4.R语言多元COPULA GARCH 模型时间序列预测

5.GARCH（1,1），MA以及历史模拟法的VaR比较

6.matlab使用Copula仿真优化市场风险数据分析

7.R语言实现向量自动回归VAR模型

8.R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型

9.R语言VAR模型的不同类型的脉冲响应分析