拓端tecdat|R语言分析股市相关结构：用回归估计股票尾部相关性（相依性、依赖性）

原文链接：http://tecdat.cn/?p=25860

原文出处：拓端数据部落公众号

什么是尾部相关性？假设市场出现了属于最差 5% 的日子的回撤：

有人可以问，鉴于市场处于蓝色区域，特定股票下跌的概率是多少？

我们都了解股票相对于市场的贝塔系数、股票相对于市场的敏感性（例如标准普尔 500 指数）的概念。尾部相关性的概念类似，因为它是股票对市场回撤的敏感性。如果每次市场下跌，股票下跌，那将意味着两件事：

1. 鉴于市场已经下跌，股票下跌的概率是 100%。
2. 股票对市场下跌非常敏感

直观地认为，这样的方法会与高beta 值相伴而行。但这并不是一对一的。很有可能的是，与另一只低beta 的股票相比，高beta 的股票对下跌的敏感度较低。

形式上，股票左尾对市场左尾的相关性定义为：

(1) 

其中 Q 是分位数，这取决于您如何定义尾部，在我们的示例中为 5%。从概率来看，如果两个事件是独立的，那么看到这两个事件的概率是每个事件概率的乘积：

(2) 

其中 A 是事件： , B 是事件 。根据经验，我们所做的估计只是简单地计算位于股票 5% 临界值以下的点数，对于位于市场 5% 以下的每个点。这个函数使用这个概念来衡量两个时间序列之间的尾部相关性：

1.  
   # cc参数定义了尾部。默认为5%。
2.  
    
3.  
   co<- function{
4.  
    
5.  
   # 如果两个序列不在同一长度上，则停止。
6.  
    
7.  
   if(length!=length(sb)){stop }
8.  
    
9.  
   TT <- length(
10.  
     
11.  
     
12.  
     
13.  
    # 计算有多少是低于5%的
14.  
     
15.  
    ind0 <- ifelse
16.  
    ind <- which
17.  
     
18.  
    # 鉴于序列a低于5%（意味着有缩减），计算序列b中有多少个
19.  
     
20.  
    ind1 <- sum(ifelse(reb<quantile,1,0))
21.  
     
22.  
    # 计算概率
23.  
     
24.  
    p0 <- id1/TT # 两者都放弃的概率
25.  
     

让我们拉出 10 只 ETF，看看 beta 与尾部相关性度量有何不同。我们拉动股票代码并转换为每周收益。

1.  
    
2.  
   sym
3.  
   l=length
4.  
   end
5.  
   dat0 = (getSymbols
6.  
   n = NROW
7.  
    
8.  
   w0 <- NULL
9.  
    
10.  
    for (i in 1:l){
11.  
     
12.  
    dat0 = getSymbols
13.  
    w1 <- weeklyReturn
14.  
    w0 <- cbind
15.  
    }

现在我们计算 beta 和尾部相关性度量，并绘制它。

1.  
   pr <- bet <- NULL
2.  
    
3.  
   for(i in 1:(l-1)){
4.  
    
5.  
   bet[i] <- lm
6.  
   pr[i] <- cortr
7.  
   }
8.  
    
9.  
   barplot

蓝线是  这是我们对两个完全（尾部）独立序列的期望。

用简单的计量经济学对尾部相关性建模，可以考虑使用回归设置。使用无截距回归同样可以达到第二张图表的底部面板：

(3) 

其中，  是事件 A 发生时股票出现回撤的指标函数。看一看：

1.  
   fiquan <- quantile
2.  
   indl <- ifelse
3.  
   betdpe <- NULL
4.  
    
5.  
   for(i in 1:(l-1)){
6.  
    
7.  
   fivuan <- quantile
8.  
   indk <- ifelse
9.  
   betence[i] <- lm$coef[1]
10.  
     
11.  
    }

 

因此，我们可以使用我们对回归的了解并将分析扩展到多变量案例，而不是使用困难的多维 copula 和收敛问题。在不仅有B的缩减，而且有C和D的缩减的情况下，我们看到A的缩减有多大可能。

不足和展望

– 我们可以进行推断，但不使用回归系数的通常 STD，因为它是指标回归.

– 我们还必须包括交互项，以使推理有效。
– 我们用更新的回归方法来改进估计；套索lasso、bagging等

最后，我想知道 XLU（公用事业）ETF 的情况如何，为什么尾部相关性相对于 beta 而言看起来很弱，以及与 XLY（消费者自由裁量权）相比，情况有何不同。

1.  
    
2.  
   plot
3.  
   lines(lowess, lwd = 2, col = 4)

我们的估计对一些极端观察很敏感。也许稳健的回归会提供更稳定的估计，因此这是另一个可能的扩展。

---

最受欢迎的见解

1.R语言多元Logistic逻辑回归 应用案例

2.面板平滑转移回归(PSTR)分析案例实现

3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）

4.R语言泊松Poisson回归模型分析案例

5.R语言回归中的Hosmer-Lemeshow拟合优度检验

6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现

7.在R语言中实现Logistic逻辑回归

8.python用线性回归预测股票价格

9.R语言如何在生存分析与Cox回归中计算IDI，NRI指标