全文链接：http://tecdat.cn/?p=24753
最近咱们被客户要求撰写对于危险价值的钻研报告，包含一些图形和统计输入。
在这项工作中，我通过创立一个蕴含四只基金的模型来摸索 copula，这些基金跟踪股票、债券、美元和商品的市场指数
摘要
而后，我应用该模型生成模仿值，并应用理论收益和模仿收益来测试模型投资组合的性能，以计算危险价值(VaR)与冀望损失(ES)。
一、介绍与概述
Copulas 对多元散布中变量之间的相关性进行建模。它们容许将多变量依赖关系与单变量边缘散布相结合，容许咱们对形成多变量数据的每个变量应用许多单变量模型。Copulas 在 2000 年代开始风行。依据 Salmon (2009) 的说法，Li (2000) 最近提出的Copulas利用之一是 2008 年开始的金融危机。咱们将应用 copulas 来模仿四个 ETF 基金的行为：IVV，跟踪规范普尔 500 指数；TLT，跟踪长期国债；UUP，追踪外汇指数；以及商品的 DBC
二、实践背景
copula 是一个多变量 CDF，其边缘散布都是 Uniform (0,1)。假如 Y 有 d 维，并且有一个多元 和边缘 。很容易证实，每个 都是 Uniform(0,1)。因而， 的 CDF 依据定义是一个 copula。应用 Sklar (1973) 的定理，而后咱们能够将咱们的随机变量 Y 合成为一个 copula CY ，它蕴含对于咱们的变量 Y 之间相互依赖的信息，以及单变量边缘 CDFs FY ，它蕴含对于每个变量的所有信息单变量边缘散布。对于 d 维，咱们有：
并使每个，咱们有：
如果咱们对等式（2）进行微分，咱们会发现 Y 的密度为：
方程 (3) 中的后果容许咱们创立多变量模型，这些模型思考了变量的互相依赖性（方程的第一局部）和每个变量的散布（方程的第二局部）。咱们能够应用 copula 和边缘局部的参数版本来创立可用于运行测试和执行预测的模型。在接下来的几节中，咱们将应用用于统计计算的 R 语言将高斯和 t-copula 拟合到介绍中形容的 ETF 的对数收益率。有了 copula 和边缘，咱们将应用模型来确定投资的危险价值 (VaR) 和预期损失 (ES)。
点击题目查阅往期内容
R语言多元Copula GARCH 模型工夫序列预测
左右滑动查看更多
01
02
03
04
三、算法实现与开发
像平常一样，咱们从读取文件开始。图 1 显示了价格图：留神 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")在这种状况下，咱们计算对数收益率。图 2 显示了收益图。
# 计算对数收益le <- lag(e，-1log(ef) - log(lef) ) * 100而后咱们做一个配对图来确定后果是否相干，例如，正如冀望的那样，IVV 和 DBC 之间存在十分高的相关性。图 3 显示了配对图。而后咱们取得边距的参数，拟合每个变量的散布。后果见表一
# 拟合散布 fitdr## 失去后果矩阵# 将 AIC 函数利用于第一项（值）# params 列表的第四项 (loglik)AIC(saply (saply(prms, 4))# params 列表的第一项（预计）sapply (sapply(pams,3))图 4 显示了拟合散布与来自变量的实在数据进行比拟的图。当初咱们有了边缘散布，咱们须要找到模型的 copula。咱们首先应用概率变换并取得 中的每一个，咱们晓得它们是 Uniform(0,1)。这是通过以下代码实现的：
# 当初咱们须要均匀分布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，咱们能够看到哪种类型的参数 copula 最适宜。咱们将拟合高斯 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,############################################### ############# 当初是 t-copulafitCopula (tcop, url00))# 记录拟合的AICAIC(fiiklength(fite)比拟两种拟合，如表 II 所示，咱们发现 t-copula 拟合最好，因而咱们将依据 t-copula 的参数创立一个模型。而后，咱们应用该模型生成 10,000 个察看后果，模仿咱们模型的可能后果。咱们的模仿模型与拟合模型之间的图形比拟能够在图 6 中看到 - 模仿十分靠近拟合模型。
tCopula(parun")cop.dist <- mvdc(copt,parast1)rmvdc(co00)当初咱们有了模仿的察看后果，咱们将应用参数办法计算危险价值 (VaR) 和预期损失 (ES)。咱们将假如一个投资组合（任意抉择）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，咱们简略地应用矩阵代数将咱们的模仿收益率 Rs 乘以权重，如 Rp = Rs × w。而后咱们将 t 散布拟合到 Rp 并应用它来预计 VaR 和 ES。对于 t 散布，VaR 和 ES 的公式为：
其中：
• S：仓位大小
• F -1 ：逆 CDF 函数
• f：密度函数 • µ：平均值
• ：形态/尺度参数
• ：自由度
• ：置信水平
R中公式的利用实现如下。请留神，在代码中，VaR 和 ES 被四舍五入到最靠近的千位。后果在表III中。
# 计算模仿值的 VaR 和 ESfitdistr(re, "t")es <- -m+lada*es1*es2咱们的最终工作是计算非参数 ES 和 VaR，由以下公式给出：
其中：
• S：仓位大小
• q()：样本收益率的分位数
• Ri：第 i 个样本收益率
R 实现如下：
# 计算实在值的 VaR 和 ESret <- (rf %*% w) / 100ES <- -S * sum(ret * ir) / sum (iar)后果示于表III中。
四、计算结果
表 I 显示了 ETF 边缘 t 散布的预计参数和 AIC 的后果：
表 I 边缘散布
两个 copula 拟合的 AIC 都在表 II 中。
表 II Copula AIC
VaR 和 ES 在表 III 中。
表三 VaR 和 ES
五、总结与论断
这项工作展现了如何预计边缘和 copula，以及如何利用 copula 来创立一个模型，该模型将思考变量之间的互相依赖性。它还展现了如何计算危险价值 (VaR) 和冀望损失 (ES)。
本文摘选 《 R语言Copula预计边缘散布模仿收益率计算投资组合危险价值VaR与冀望损失ES 》 ，点击“浏览原文”获取全文残缺材料。
点击题目查阅往期内容
MATLAB用COPULA模型进行蒙特卡洛(MONTE CARLO)模仿和拟合股票收益数据分析
python中的copula：Frank、Clayton和Gumbel copula模型预计与可视化R语言中的copula GARCH模型拟合工夫序列并模仿剖析
matlab应用Copula仿真优化市场危险数据VaR剖析
R语言多元Copula GARCH 模型工夫序列预测
R语言Copula函数股市相关性建模：模仿Random Walk(随机游走)
R语言实现 Copula 算法建模依赖性案例剖析报告
R语言ARMA-GARCH-COPULA模型和金融工夫序列案例
R语言基于copula的贝叶斯分层混合模型的诊断准确性钻研
R语言COPULA和金融工夫序列案例
matlab应用Copula仿真优化市场危险数据VaR剖析
matlab应用Copula仿真优化市场危险
R语言多元CopulaGARCH模型工夫序列预测
R语言Copula的贝叶斯非参数MCMC预计
R语言COPULAS和金融工夫序列R语言乘法GARCH模型对高频交易数据进行波动性预测
R语言GARCH-DCC模型和DCC（MVT）建模预计
Python应用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模仿进行股价预测
R语言工夫序列GARCH模型剖析股市稳定率
R语言ARMA-EGARCH模型、集成预测算法对SPX理论稳定率进行预测
matlab实现MCMC的马尔可夫转换ARMA - GARCH模型预计
Python应用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模仿进行股价预测
应用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略
R语言用多元ARMA,GARCH ,EWMA, ETS,随机稳定率SV模型对金融工夫序列数据建模
R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性剖析
R语言多元Copula GARCH 模型工夫序列预测
R语言应用多元AR-GARCH模型掂量市场危险
R语言中的时序列分析模型：ARIMA-ARCH / GARCH模型剖析股票价格
R语言用Garch模型和回归模型对股票价格剖析
GARCH（1,1），MA以及历史模拟法的VaR比拟
matlab预计arma garch 条件均值和方差模型
R语言ARMA-GARCH-COPULA模型和金融工夫序列案例