原文链接：http://tecdat.cn/?p=25860 

什么是尾部相关性？假如市场呈现了属于最差 5% 的日子的回撤：

有人能够问，鉴于市场处于蓝色区域，特定股票上涨的概率是多少？

咱们都理解股票绝对于市场的贝塔系数、股票绝对于市场的敏感性（例如规范普尔 500 指数）的概念。尾部相关性的概念相似，因为它是股票对市场回撤的敏感性。如果每次市场上涨，股票上涨，那将意味着两件事：

1. 鉴于市场曾经上涨，股票上涨的概率是 100%。
2. 股票对市场上涨十分敏感

直观地认为，这样的办法会与高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 的股票对上涨的敏感度较低。

模式上，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，在咱们的示例中为 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 。依据教训，咱们所做的预计只是简略地计算位于股票 5% 临界值以下的点数，对于位于市场 5% 以下的每个点。这个函数应用这个概念来掂量两个工夫序列之间的尾部相关性：

# cc参数定义了尾部。默认为5%。co<- function{# 如果两个序列不在同一长度上，则进行。if(length!=length(sb)){stop }TT <- length(# 计算有多少是低于5%的ind0 <- ifelseind <- which# 鉴于序列a低于5%（意味着有缩减），计算序列b中有多少个ind1 <- sum(ifelse(reb<quantile,1,0))# 计算概率p0 <- id1/TT # 两者都放弃的概率

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

sym l=lengthenddat0 = (getSymbolsn = NROWw0 <- NULLfor (i in 1:l){dat0 = getSymbolsw1 <- weeklyReturnw0 <- cbind}

当初咱们计算 beta 和尾部相关性度量，并绘制它。

pr <- bet <- NULLfor(i in 1:(l-1)){bet\[i\] <- lmpr\[i\] <- cortr}barplot

蓝线是  这是咱们对两个齐全（尾部）独立序列的冀望。

用简略的计量经济学对尾部相关性建模，能够思考应用回归设置。应用无截距回归同样能够达到第二张图表的底部面板：

(3) 

其中，  是事件 A 产生时股票呈现回撤的指标函数。看一看：

fiquan <- quantileindl <- ifelsebetdpe <- NULLfor(i in 1:(l-1)){fivuan <- quantileindk <- ifelsebetence\[i\] <- lm$coef\[1\]}

因而，咱们能够应用咱们对回归的理解并将剖析扩大到多变量案例，而不是应用艰难的多维 copula 和收敛问题。在不仅有B的缩减，而且有C和D的缩减的状况下，咱们看到A的缩减有多大可能。

有余和瞻望

– 咱们能够进行推断，但不应用回归系数的通常 STD，因为它是指标回归.

– 咱们还必须包含交互项，以使推理无效。
– 咱们用更新的回归办法来改良预计；套索lasso、bagging等

最初，我想晓得 XLU（公用事业）ETF 的状况如何，为什么尾部相关性绝对于 beta 而言看起来很弱，以及与 XLY（消费者自在裁量权）相比，状况有何不同。

plotlines(lowess, lwd = 2, col = 4)

咱们的预计对一些极其察看很敏感。兴许持重的回归会提供更稳固的预计，因而这是另一个可能的扩大。

最受欢迎的见解

1.R语言多元Logistic逻辑回归 利用案例

2.面板平滑转移回归(PSTR)剖析案例实现剖析案例实现")

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回归模型剖析案例

5.R语言回归中的Hosmer-Lemeshow拟合优度测验

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语言如何在生存剖析与Cox回归中计算IDI，NRI指标