金融市场相关论文范文

夜上海论坛前言：我们精心挑选了数篇优质金融市场相关论文文章，供您阅读参考。期待这些文章能为您带来启发，助您在写作的道路上更上一层楼。

第1篇

关键词：Archimedean Copula；金融市场；尾部相关性

随着各国金融市场的进一步开放，金融市场相依性的研究受到越来越多的重视。Copula（拉丁语中“连接”的意思）函数，是把多维随机变量的联合分布用其一维边际分布连接起来的函数。A.Sklar在研究概率度量空间中首次提出了Copula函数，此后Nelson、Joe等进一步发展了Copula理论。Copula的应用以及渗透到了金融中的各个领域。而Archimedean Copula是最为常见的一Copula，其良好的性质（对称性、可结合性等）使之成为金融研究，特别是尾部相关性分析的重要工具。尾部相关性刻划的是当小概率事件发生时变量之间的相关性，在某种程度上与蝴蝶效应有一定的相似性。尾部相关性强，则变量间共同发生极端事件的概率大。以股市为例，若各支股票的尾部相关性较强，那么其中一支股票的猛涨或暴跌就极有可能导致整个股市的巨大震荡。

（一）预备知识简介

夜上海论坛 Archimedean Copula是最为常见的一Copula，其自身的良好性质（对称性、可结合性等）使之成为金融研究的重要工具。而常见的Copula有Ali-Mikhail-Haq Copula、Clayton Copula、Frank Copula、Gumble Copula、Joe Copula等。这些Copula各有特点，因此在刻划尾部相关性时也有不同的作用。

夜上海论坛 Ali-Mikhail-Haq Copula的优势在于能够较好的刻画变量间同向变化的相关性特征，即可以描述正相关和负相关的随机变量；Clayton Copula仅适用于描述正相关的随机变量，它具有的是下尾相关的性质，因此对变量在分布下尾部的变化十分敏感，能够敏锐地捕捉到下尾相关的变化，能够较好刻划两个金融市场收益同时下跌时的情形；Gumbel Copula和Joe Copula与Clayton Copula正好相反，具有的是上尾相关性，适合描述两个金融市场收益同时上涨的情形；Frank Copula可以拟合上尾、下尾相关，适于两个收益波动相同的金融市场之间尾部相关性的描述，但对称性使其在研究随机变量间的非对称关系上无能为力。

（三）总结

夜上海论坛 尾部相关性研究的是两个变量的联合极值运动，即当一个变量大幅度增减时，另一个变量也同向运动的概率。而Copula是研究尾部相关性的重要工具。Archimedean Copula作为一种性质良好的Copula函数已经在这方面有了广泛的应用。从文中的介绍我们也看到由于不同Copula具有不同特点，因此针对不同的金融市场等研究对象就应该选择相对应的Copula来描述。单一种类Copula只能刻划相关性的某个方面。不过由于通常情况下两个（或多个）Copula的凸组合依然是Copula，因此存在着形式更多灵活功能更为强大的混合Copula，可以更为全面地刻划金融市场的尾部相关性。（作者单位：厦门华厦职业学院）

参考文献

夜上海论坛 [1]Schweizer.B.，Sklar，A. Probabilistic Metric Spaces[M]. New York/North-Holland： Elsevier， 1983.

夜上海论坛 [2]Fischer，M.，Klein，I.. Some results on weak and strong tail dependence coefficients for means of copulas[J]. Lehrstuhl für Statistik und konometrie， 2007.

[3]LIU Weiwei，GUO Tiexin. Methods for constructing Archimedean Copula functions[J]. 中国科技论文夜上海论坛在线精品论文，2010，3（1）：87-91.

第2篇

【关键词】POT；APARCH-M；动态风险；杠杆效应

夜上海论坛 近年来，由美国次贷危机引发的金融危机使得各国金融市场产生大幅波动，让人们广泛意识到对金融机构等实施金融风险管理的重要性。因此，对金融市场极端情形下的损失风险的估计和预测是研究者和各投资者关注的焦点。VaR(Value at Risk)技术正是这样一种定量工具，目前已受到业界的广泛认可，为全球金融市场、电力市场及石油市场广泛采用[1-2]。但是VaR只是市场处于正常变动下市场风险的有效测度，它不能处理金融市场处于极端价格变动的情形，如股市崩盘等，并且它自身不是一致性风险度量工具[3]。而ES(Expected Shortfall)是度量损失超过VaR的期望损失，能较好度量极端风险，并且它是一致性风险度量[3-4]，于是论文将ES作为VaR的一个补充。在传统的风险度量模型中一般考虑的是整个收益率的分布，常用正态分布、t分布、混合正态分布、Laplace分布等来描述。而极值理论(Extreme Value Theory)描述的是分布的尾部行为，故而近年来热衷于将极值用于风险度量研究中[2-7]。

夜上海论坛 目前，国内外对极值的研究主要集中在条件极值的风险度量和应用上[3-7]。条件极值模型主要是将极值理论中的POT(Peaks Over Threshold)模型与波动模型结合。在国内，极值理论的研究起步较晚，但发展迅速，余力[5]和陈守东[6]等的研究结果表明动态VaR比静态VaR度量更准确；但上述文献中都没考虑金融资产收益率波动的杠杆效应，即非对称性。林宇[7]则通过非对称波动模型与极值模型结合度量风险，测试结果较准确。但他们的研究都忽略了金融资产收益中包含了对风险的补偿，即金融资产收益率与资产风险具有密切的关系。为了反映出这种关系，Engle等1987年提出了GARCH-M模型[9]。陈泽中[9]将GARCH-M模型和EGARCH模型结合起来，分析了我国股市波动的特点。实证结果表明，我国股市存在明显的杠杆效应，且收益率与波动性存在显著的正相关关系。

夜上海论坛 为了更准确地度量金融市场风险，论文采用更一般的APARCH模型来描述收益率序列的波动，并充分考虑了金融市场的收益率与风险的正相关关系。将极值理论中的POT模型与APARCH-M模型结合，提出了基于POT-APARCH-M的风险度量模型。

1.APARCH-M模型与极值理论中的POT模型

1.1 APARCH-M模型

在针对金融时间序列波动性的建模中，Bollerslev在ARCH模型的基础上提出了广义自回归条件异方差模型，这正是我们目前研究比较多的GARCH模型。GARCH模型是ARCH模型的重要扩展，然而GARCH模型并不能完全反映金融市场波动的特征，特别是其中的杠杆效应。于是Ding，Granger和Engle在1993提出了一个非对称的GARCH模型，即APARCH(asymmetric power ARCH)模型[11]。该模型是个归纳性较强的模型，它将多种ARCH模型和GARCH模型作为其特例，其中包括了TS-GARCH模型，GJR-GARCH模型，Log-GARCH模型，TARCH模型，NARCH模型等[10]。APARCH模型不仅包含了一般GARCH模型的特点，而且还可以捕捉金融市场的杠杆效应。设是股票每日价格的对数收益率序列，满足严格平稳性，且服从APARCH(p,q)过程，则可以由下式表达：

(1)式为均值方程，其中为条件均值，为残差；(2)式中的为条件方差，为标准化残差，是服从均值为0，方差为1的独立同分布序列；(3)式为波动方程，其中参数，，，，，，反映冲击的杠杆效应。

夜上海论坛 由于金融资产风险的变化对收益的影响，高的收益往往伴随着高的风险，即是资产的收益率会依赖于它的波动。为刻画这种现象，1987年，Engle、Lilien和Robins提出了GARCH-M模型，其中“M”表示收益率的条件均值为GARCH[8]。此时，条件均值可以表示为：

夜上海论坛 上式中的和为常数，参数叫做风险溢价参数，为正值意味着收益率与它的波动正相关。

于是将(4)式代入到(1)式中，就可以得到APARCH-M模型，即

3.算例分析

3.1 模型参数估计及动态VaR和ES估计

夜上海论坛 论文选取深证综合指数从2003年12月10日到2011年1月20日的每日收盘价，共1729个数据。取2003年12月10日到2010年1月7日的每日收盘价共1479个数据，用来估计模型的参数；2010年1月8日以后共250个数据用来后验测试。数据来源于大智慧股票软件。深证综指的日损失序列定义为，其中为时收盘价。论文所有的数据处理和分析都在Eviews5.0和R软件下进行的。

通过Eviews5.0软件计算得到损失序列的基本统计特征见表1，括号内为p值。

夜上海论坛 从表1中可以看出该损失序列尖峰厚尾，且不对称，呈现右偏情形；单位根ADF检验结果表明在1%的置信水平下该序列不存在单位根，即损失序列是平稳的；Ljung-Box统计量Q(5)、Q(10)表明该序列有一定的自相关性，Q2(5)、Q2(10)表明损失序列的平方自相关，从而该损失序列具有很强的ARCH效应。根据前面的分析使用APARCH(1,1)-M-t模型对深证综指样本内损失序列建模，并用最大似然估计对参数进行估计，估计结果见表2。

模型拟合后，对其残差进行ARCH检验，其检验统计量LM(6)的p值为0.99，从而可以判定残差没有异方差性。标准化后的残差序列均值几乎为0，方差也十分接近于1，基本可以看成是标准残差序列。然后对其进行相关性检验，Q(5)=24.301(0)，从而可以认为其是独立序列。标准化后的残差序列的阈值，MEF(超额均值函数)确定如下图1所示。从图1中可以看出阈值在1.8左右，然后结合McNeil和Frey对比Hill方法、历史模拟法等方法，发现选择5%左右的极值数据使用GPD估计效果较好，于是阈值可以确定为1.806，接下来对超过阈值的部分进行GPD拟合，结果如图2所示。从图上看出拟合效果相当好，并且作出其QQ分位图，如下图3所示。于是可以用GPD分布对极值建模，参数估计结果为，。

3.2 模型检验

夜上海论坛 为了考察风险度量模型的预测效果，常采用Kupiec的失败次数检验方法。其基本思想是：在置信水平为P的条件下，在第t日估计出第t+1日的风险值和，对于第t+1日的实际损失，如果估计出的，那么就认为风险估计值在第t+1日是失败的，并计数一次。最后将失败次数比上考察的总次数得到失败率。对于ES的估计也是采用同样的方法。如果失败率远大于，则认为是低估了风险，反之则是高估了风险。只有失败率接近，风险度量方法才被认为相对可靠。论文还将此模型检验结果与EGARCH-M-POT模型，APARCH-POT模型检验结果进行了对比，从而可以看出此模型的优越性。

从上表2深证综指的后验测试结果可以看出，在99%置信水平下，这三种模型预测的效果是一样的，但在97%置信水平下，基于POT-APARCH-M和POT-EGARCH-M模型预测效果是一样地优于基于POT-APARCH的，从而表明了考虑收益与风险正相关对于金融市场风险的度量更加合理。在95%的置信水平下，基于POT-APARCH-M模型预测的效果是最好的，因为它是失败率是最接近5%，从而表明考虑更一般的APARCH模型来描述收益率的波动比EGARCH更合理。而通过计算ES的失败率结果在高置信水平下，ES的失败率都为零，从而表明ES相比VaR是更为保守的风险度量。

4.结论

论文建立了基于极值理论的POT-APARCH-M-t的动态风险度量模型，用来度量金融市场风险。在描述金融市场波动特征时，采用更一般的APARCH模型。结果表明它比EGARCH模型更优越。在金融市场中往往高的收益伴随着高的风险，即收益与风险是负相关的，从而将APARCH模型与GARCH-M结合。经过深证综指风险度量结果表明损失与风险是负相关的，并且更准确地度量风险。而在度量空头风险时，通过检验表明，在高置信水平下，ES过于保守，从而可以看出收益率的右尾较薄。论文只是对收益率分布上尾极端风险进行了度量，当然还可以对下尾极端风险进行度量，论文在阈值选取时，带有一定的主观性，阈值准确的选择方法一直是现在要解决的问题。

参考文献

[1]王春峰.金融市场风险管理[M].天津:天津大学出版社,1999.

[2]Bekiros S.D.,Georgoutsos D.A.Estimation of Val-ue-at-Risk by extreme value and conventional method:a comparative evaluation of their predictive performa-nce[J].Int.Fin.Markets,Inst.and Money,2005(15):209-228.

[3]Artzner P.,Delbaen,Eber J.M.,and Heath D.Coher-ent Measures of Risk[J].Mathematical Finance,1999(9):203-228.

[4]Bhattacharyya M.,Ritolia Conditional VaR using EVT-Towards a planned margin scheme[J].Internatio-nal Review of Financial Analysis,2008(17):382-395.

夜上海论坛 [5]余力,张勇.应用极值分布理论的VaR和CVaR估计[J].求索,2010(4):64-66.

[6]陈守东,孔繁利,胡铮洋.基于极值分布理论的VaR与ES度量[J].数量经济技术研究,2007(3):118-124.

夜上海论坛 [7]林宇,魏宇,黄登仕.基于GJR模型的EVT动态风险测度研究[J].系统工程学报,2008,23(1):45-51.

夜上海论坛 [8]Ruey S.Tsay.金融时间序列分析[M].北京:人民邮电出版社,2009.

[9]陈泽忠,杨启智,胡金泉.中国股票市场的波动性研究――EGARCH-M模型的应用[J].决策借鉴,2000,13(5):24-27.

[10]张世英,樊智.协整理论与波动模型[M].北京:清华大学出版社,2009.

第3篇

夜上海论坛 关键词： 混沌；lyapunov指数；重构相空间；wolf方法

夜上海论坛 一、引言

金融市场本质上是一个开放型的复杂系统，而金融危机是金融市场混沌特征的一种表现，其爆发根本原因在于以有效市场、随机游走与理性投资等线性范式假设为前提的，并且认为金融市场所呈现出来的特征是各个部分特征的简单相加；另一方面，这些方法采用的是静态均衡的观点去解决金融市场问题，因而当市场的外部环境发生变化时，先前制定的解决方法极有可能成为解决问题的阻碍[1]。因此，经典金融学理论在认识金融市场的本质规律、提供有效的风险控制方法的思路存在许多局限性。

因此，要想从根本上解决这个问题，我们要首先认识到金融市场本身作为一个“复杂系统”，它具有一种演化特征的非线性的方式对外界的作用做出反应。因而，金融市场会随着时间的演化而改变自身的发展规律。随着外部环境的不断变化，金融市场将会从一个稳定而有序的模式逐渐的陷入混沌之中，然后通过内部的相互作用达到平衡或者是产生金融危机。

夜上海论坛 因此，单刀直入的直接研究金融市场的非线性特征往往会为解决根本问题提供思路。因此，这篇论文的主要目的就在于，通过研究金融市场的一个指标――上证指数，利用lyapunov指数来判断金融市场本身是否具有混沌的特性。如果其具有这样的一种特性，那么我们必须从这方面着手，研究金融市场的混沌特征。从而找到金融市场的内部规律。

（一）研究方法

要想研究金融市场的混沌特性，我们以股票市场为例，选取了上证指数作为研究混沌现象的指标，利用lyapunov指数来判断指标是否具有混沌的特征。本文首先表述了混沌时间序列分析的主要研究方法：重构相空间的方法，这种方法能够重构高维相空间中的混沌吸引子，构造完成之后，我们就可以恢复时间序列数据的非线性特征。重构相空间需要知道时间序列数据的嵌入维数与延迟时间，我们分别利用了自相关函数法计算出序列的延迟时间以及利用Cao方法计算出时间序列的嵌入维数。利用构造好之后的相空间，我们就可以求得时间序列的lyapunov指数，根据lyapunov指数的大小判断上证指数的波动性是否具有混沌的特征。

夜上海论坛 二、理论依据

（一）重构相空间

夜上海论坛 为了恢复“混沌吸引子”，我们需要做的第一件是是“重构相空间”。所谓“混沌吸引子”，本身指的就是混沌系统具有某种规律性，它既不向一点靠近，也不远离这一点，而是在一定的轨道内变化。该混沌系统的一部分的演化过程与其他部分有着密切的联系。每一部分的信息都包含在另一部分的发展之中。这样，我们就可以从某一部分的时间序列数据中得到并模拟该混沌系统的规律。可以这样说，一个混沌系统的轨道经过一定时间的变动，最终会产生一种有规则的轨道，这也就是“混沌吸引子”。但是这种轨道在转化成时间序列时表现出一种复杂并且混乱的特征。因为混沌系统的各个部分之间是相互影响的，在时间序列上产生的数据也具有相关性的特征。[2] 我们利用Packad等人的坐标延迟相空间重构法，对于一维时间序列[WTBX]

夜上海论坛 {x（t）}，t=1，2，…，N可以构造m维的向量

Xn={x（n），x（n+τ），…，x（n+（m-1）τ）}，

夜上海论坛 n=1，2，…，N-m-1）τ

其中：m为嵌入维数，τ为延迟时间。相空间重构的关键在于嵌入维数与延迟时间的确定。Takens定理[3]表明：我们可以从一个一维混沌时间序列中模拟一个与原来的动力系统在拓扑意义下相同的相空间，这样就可以模拟时间序列的规律。混沌时间序列的性质各方面的分析都是基于相空间重构之上的，因此，相空间重构是混沌时间序列研究的关键。[4]下面我们将讨论延迟时间与嵌入维数的确定方法 。

1延迟时间τ

延迟时间的选择关键在于使x（n）与x（n+τ）表现出独立性，但又不能使其在统计学角度上完全不相关。确定延迟时间的方法主要有：自相关函数法与互信息法。下面我们主要阐述的是自相关函数法，因为我们后面也会用到这种方法。

自相关函数法[5]主要考察观测量x（n）与x（n+τ）与平均观测量的差之间的线性相关性。其定义用数学方法表示为：

夜上海论坛 C（τ）=[SX（]1/N∑Nn=1（x（x+τ）-x[TX-]）（x（n）-x[TX-]）[]

1/N∑Nn=1（x（n）-x[TX-]）2

[SX）]