黃友珀,唐振鵬,唐　勇

(福州大學經(jīng)濟與管理學院,福建福州350116)

基于藤copula–已實現(xiàn)GARCH的組合收益分位數(shù)預(yù)測

黃友珀,唐振鵬,唐勇

(福州大學經(jīng)濟與管理學院,福建福州350116)

為準確預(yù)測分位數(shù),利用已實現(xiàn)GARCH模型在邊緣分布建模中納入高頻信息,通過藤copula刻畫資產(chǎn)收益兩兩之間相異的相依結(jié)構(gòu),構(gòu)建了資產(chǎn)組合收益分位數(shù)預(yù)測的藤copula–已實現(xiàn)GARCH模型.選取中國股市風格指數(shù)組合展開實證分析,回測檢驗結(jié)果表明高頻信息和異質(zhì)相依結(jié)構(gòu)是準確預(yù)測分位數(shù)的關(guān)鍵環(huán)節(jié),藤copula–已實現(xiàn)GARCH模型能夠提供更準確的資產(chǎn)組合收益分位數(shù)預(yù)測.

分位數(shù)預(yù)測;藤copula–已實現(xiàn)GARCH;高頻信息;相依結(jié)構(gòu);回測檢驗

1　引　言

隨著經(jīng)濟改革與發(fā)展,中國不斷推進金融自由化和全球化進程,逐步建成交易場所梯級化、交易產(chǎn)品多樣化、交易機制多元化的金融市場體系.金融資產(chǎn)價格的運動過程及其相依結(jié)構(gòu)變得愈加復(fù)雜.為準確預(yù)測組合分位數(shù)并有效管理風險,市場參與者必須妥善處理價格過程及其相依結(jié)構(gòu)的雙重復(fù)雜性.

資產(chǎn)價格過程的復(fù)雜性表現(xiàn)為波動集聚、偏峰厚尾、杠桿效應(yīng)等典型事實(stylized facts),主要通過波動建模處理.波動率是一個必須通過可觀測數(shù)據(jù)估計的潛在變量.近20年來,利用高頻數(shù)據(jù)估計波動率已成為學界關(guān)注的焦點.在特定假設(shè)下,RV(realized volatility)是潛在波動率的一致估計量[1].在實踐中,存在導致RV有偏的問題.一是存在無法獲取高頻數(shù)據(jù)的非交易時間,如我國股市僅在上午9:30到11:30、下午1:00到3:00兩個時段交易,僅用4小時高頻數(shù)據(jù)計算得到的RV可能低估真實波動率.第二,隨著抽樣頻率提高,RV容易遭受市場微觀結(jié)構(gòu)噪聲的影響[2].與許多偏差修正方法不同[3-5],Hansen等[6]提出對資產(chǎn)收益和RV聯(lián)合建模的已實現(xiàn)GARCH模型,能夠調(diào)整非交易時間和市場微觀結(jié)構(gòu)噪聲導致的RV偏差.王天一和黃卓[7]進一步引入偏t分布,考慮了“偏峰厚尾”特征.這些工作為納入高頻信息的波動建模提供良好的框架,其優(yōu)勢得到了實證的支持,如Watanabe[8]、Louzis等[9]、黃雯等[10].但已實現(xiàn)GARCH模型在資產(chǎn)組合分位數(shù)預(yù)測中的應(yīng)用效果有待考證.

對于處理相依結(jié)構(gòu)的復(fù)雜性,copula函數(shù)是一種靈活的工具.組合風險分析常用多元高斯copula[11,12]、學生t-copula[13,14]和阿基米德copula[15,16].其中,多元高斯copula可以描述非線性相依結(jié)構(gòu),但忽視了尾部相依.學生t-copula僅用一個自由度參數(shù)描述尾部相依,只能刻畫對稱的尾部相依.多元阿基米德copula能刻畫下尾相依或上尾相依,但同樣只有一個尾部相依參數(shù).擴展阿基米德copula往往需要附加的參數(shù)限制,其建模靈活性受限.市場參與者往往持有風格或類別不同的資產(chǎn)構(gòu)成的異質(zhì)資產(chǎn)組合.成分資產(chǎn)兩兩之間的相依結(jié)構(gòu)存在顯著差異,從而兩兩資產(chǎn)同時實現(xiàn)極端收益的概率也不同.因此,準確預(yù)測異質(zhì)資產(chǎn)組合分位數(shù)要求相依結(jié)構(gòu)模型能夠?qū)ΨQ或非對稱的尾部相依以及兩兩相異的相依結(jié)構(gòu)同時考慮在內(nèi).前述常用的多元copula隱含假設(shè)變量兩兩之間具有相同的相依結(jié)構(gòu),無法滿足這一要求. 藤copula由Bedford等[17,18]在Joe[19]的基礎(chǔ)上提出,利用藤結(jié)構(gòu)將一系列二元copula函數(shù)聯(lián)結(jié)成多元copula函數(shù),具有更強的相依結(jié)構(gòu)建模靈活性[20-23].Aas等[20]系統(tǒng)研究藤copula函數(shù)的分解結(jié)構(gòu)、參數(shù)估計和數(shù)值模擬問題,為藤copula的應(yīng)用奠定了良好的基礎(chǔ).近年來國內(nèi)學者驗證了藤copula在不同領(lǐng)域的應(yīng)用優(yōu)勢,如唐振鵬和黃友珀[24],高江[25],郭文偉和鐘明[26],張幫正等[27]等.盡管文獻[25,26]已將藤copula應(yīng)用于組合風險度量,但均未考慮高頻信息的影響.

可見,已實現(xiàn)GARCH和藤copula可能從波動率建模和相依結(jié)構(gòu)刻畫兩個方面改進資產(chǎn)組合分位數(shù)預(yù)測方法.為此,本文將藤copula和已實現(xiàn)GARCH結(jié)合起來,提出預(yù)測資產(chǎn)組合收益分位數(shù)的藤copula–已實現(xiàn)GARCH模型,采用風格指數(shù)組合展開實證分析,在滾動時間窗口預(yù)測下結(jié)合多個回測檢驗(backtesting)指標驗證方法的有效性和優(yōu)越性,為資產(chǎn)組合風險管理實踐提供參考.

2　資產(chǎn)組合分位數(shù)預(yù)測的藤copula–已實現(xiàn)GARCH方法

在給定置信水平(1-α)下,資產(chǎn)組合收益在第t天的向前一天VaRαt滿足

其中Ri,t+1指資產(chǎn)i的第t+1天收益率,(w1,w2,...,wN)代表成分資產(chǎn)在組合中的權(quán)重.

VaR是收益聯(lián)合分布的分位數(shù),忽略了超出該分位數(shù)的尾部信息,應(yīng)進一步考慮向前一天的資產(chǎn)組合收益ESαt,即

藤copula聯(lián)結(jié)邊緣分布得到的聯(lián)合分布往往不具有明確的解析式.通過藤copula預(yù)測資產(chǎn)組合收益分位數(shù)必須借助數(shù)值模擬方法獲得組合收益情景.從式(1)和式(2)看,組合收益是成分資產(chǎn)收益的簡單線性求和,成分資產(chǎn)相依結(jié)構(gòu)體現(xiàn)在收益情景模擬中.換言之,為成分資產(chǎn)價格過程及其相依結(jié)構(gòu)恰當建模是模擬情景貼近實際的前提.在邊緣分布建模中,通過已實現(xiàn)GARCH模型納入高頻信息,能夠濾出更接近現(xiàn)實的邊緣分布.另一方面,藤copula克服常用多元copula的缺陷,能夠充分考慮成分資產(chǎn)相依結(jié)構(gòu)的異質(zhì)性.這是構(gòu)建藤copula–已實現(xiàn)GARCH模型的動機所在.

2.1資產(chǎn)收益邊緣分布

已實現(xiàn)GARCH模型引入已實現(xiàn)測度,信息含量更為豐富,可用于濾出分位數(shù)預(yù)測所需的邊緣分布.參考Hansen等[6],對數(shù)形式的已實現(xiàn)GARCH模型可以重寫為

其中εit表示資產(chǎn)i在第t天扣除均值、消除自相關(guān)的殘差項,服從零均值、單位方差、自由度為νi、非對稱參數(shù)為ξi的偏t分布SkewT(0,1,νi,ξi)[8],i=1,2,...,N.it和t分別表示對數(shù)條件方差it=ln(hit)和對數(shù)已實現(xiàn)波動測度ln(xt).

2.2資產(chǎn)收益相依結(jié)構(gòu)

藤copula的靈活性來源于兩個方面:分解結(jié)構(gòu)和二元配對copula函數(shù)族.藤copula的分解結(jié)構(gòu)是一種被稱為藤的圖形模型.實踐中常用的是C藤(canonical vine)和D藤(drawable vine).C藤和D藤分別通過基礎(chǔ)節(jié)點和基礎(chǔ)樹結(jié)構(gòu)的選擇得到多樣的分解結(jié)構(gòu).基礎(chǔ)節(jié)點通常根據(jù)經(jīng)濟含義確定,而基礎(chǔ)樹結(jié)構(gòu)往往依據(jù)變量之間的秩相關(guān)排序選擇.在資產(chǎn)組合分位數(shù)預(yù)測中,難以確定何種成分資產(chǎn)起主導作用,而秩相關(guān)強弱排序是客觀的,因而D藤copula更適用.下面以四維D藤copula為例說明它的靈活性及其在異質(zhì)資產(chǎn)組合分位數(shù)預(yù)測中的適用性.如圖1所示,1–2–3–4的基礎(chǔ)樹結(jié)構(gòu)確定了惟一的D藤結(jié)構(gòu).

圖1　四維D藤copula分解結(jié)構(gòu)示意Fig.1　Breakdown structure of four dimensional drawable vine copula

該結(jié)構(gòu)下的四元聯(lián)合密度可以表示為

其中fi(·)是每個變量的密度函數(shù),Fi(·)指每個變量的累積分布函數(shù),i=1,2,3,4,j=1,2,3,4,F·|·(·|·)表示條件分布函數(shù),cij(·,·)是copula的密度函數(shù),c·|·(·|·)代表條件copula密度函數(shù).

由圖1和式(6)可見:一方面,通過靈活選擇D藤結(jié)構(gòu),可以篩選出關(guān)鍵的配對變量(如12,23等)或條件配對變量(如13|2、24|3等),同時在結(jié)構(gòu)上允許分別考慮配對變量的相依結(jié)構(gòu);另一方面,在選定的結(jié)構(gòu)下,從豐富的二元copula函數(shù)族中選擇恰當?shù)?條件)配對copula,能夠滿足(條件)配對變量相依結(jié)構(gòu)刻畫的差異化需求.D藤copula的尾部相依取決于分解結(jié)構(gòu)中所有配對copula的尾部相依參數(shù),通過多個尾部相依參數(shù)充分考慮相依結(jié)構(gòu)的異質(zhì)性,尤其適用于異質(zhì)資產(chǎn)組合收益分位數(shù)預(yù)測.

2.3藤copula–已實現(xiàn)GARCH方法的模型

藤copula聯(lián)結(jié)邊緣分布獲得的多元分布往往沒有明確的解析式,必須借助數(shù)值模擬預(yù)測組合分位數(shù).首先利用已實現(xiàn)GARCH為資產(chǎn)收益建模,濾出邊緣分布;然后用藤copula刻畫資產(chǎn)收益的相依結(jié)構(gòu),利用藤copula–已實現(xiàn)GARCH模型模擬組合收益;最后預(yù)測分位數(shù).用G(·)表示組合收益的聯(lián)合分布函數(shù),Gi(·)表示第i個資產(chǎn)的邊緣分布函數(shù)(標準殘差分布),Cvine為藤copula函數(shù),QF表示分位數(shù)預(yù)測值(VaR或ES),Q(·)表示不同分位數(shù)預(yù)測對應(yīng)的函數(shù),模擬資產(chǎn)組合收益為R(j),j=1,2,...,S,則有

藤copula–已實現(xiàn)GARCH方法的模型可以通過聯(lián)立式(1)至式(8)表示.

2.4藤copula–已實現(xiàn)GARCH方法的應(yīng)用步驟

步驟1成分資產(chǎn)邊緣分布建模.采用成分資產(chǎn)收益序列(Ri1,Ri2,...,RiT)和RV序列(RVi1,RVi2,..., RViT)估計已實現(xiàn)GARCH模型的參數(shù),i=1,2,...,N;濾出資產(chǎn)收益的標準殘差向量(z1t,z2t,...,zNt), t=1,2,...,T,通過概率積分轉(zhuǎn)換獲得copula數(shù)據(jù)(G1(z1t),G2(z2t),...,GN(zNt)).

步驟2估計藤copula參數(shù).以copula數(shù)據(jù)為基礎(chǔ),采用較為成熟的極大似然法[20]估計藤copula的參數(shù),即使用R軟件包CDVine估計參數(shù)[32],根據(jù)信息準則從豐富的二元copula函數(shù)族中選擇配對copula.

步驟3 模擬資產(chǎn)組合收益情景.首先,利用已估計參數(shù)的藤copula模擬隨機數(shù),即生成獨立的、服從均勻分布U(0,1)的隨機向量(e1,e2,...,eN);然后令u1=e1,利用D藤copula分解結(jié)構(gòu)中的條件copula函數(shù)得到等式ei=C(ui|u1,u2,...,ui-1),逐次求解該等式得到u2,u3,...,uN;其次,利用邊緣分布函數(shù)的逆函數(shù)將模擬數(shù)據(jù)轉(zhuǎn)換為資產(chǎn)收益標準殘差,并利用式(3)獲得成分資產(chǎn)i在第T+1天的模擬殘差εi,T+1,加回扣除的均值或自回歸項得到Ri,T+1,i=1,2,...,N.

步驟4預(yù)測資產(chǎn)組合收益分位數(shù).重復(fù)進行S次步驟3,獲得成分資產(chǎn)i在第T+1天的模擬收益情景,i=1,2,...,N,根據(jù)式(1)和式(2)預(yù)測VaRαT和ESαT.

2.5資產(chǎn)組合收益分位數(shù)預(yù)測準確性評價

為驗證藤copula–已實現(xiàn)GARCH模型的有效性和優(yōu)越性,相依結(jié)構(gòu)建?？紤]藤copula和常用多元copula(高斯copula、學生t-copula),波動建模考慮已實現(xiàn)GARCH模型與GJR-GARCH模型.為比較分位數(shù)預(yù)測效果, VaR的回測檢驗選用Kupiec[28]的非條件覆蓋率檢驗和Christoffersen[29]的條件覆蓋率檢驗.ES預(yù)測準確性利用D(α)值評估[30],即

D(α)越小,說明ES估計越準確.

3　實證分析

3.1數(shù)據(jù)基本分析

以巨潮風格系列指數(shù)(大盤價值、大盤成長、中盤價值、中盤成長、小盤價值和小盤成長)構(gòu)成異質(zhì)的風格資產(chǎn)組合.樣本數(shù)據(jù)包括2010年1月5日～2014年8月29日的日對數(shù)收益和5分鐘RV.巴塞爾協(xié)議建議風險度量模型的參數(shù)估計窗寬至少1年,即250個交易日左右.同時參考類似研究[25-27]，將樣本分為兩部分:樣本內(nèi)數(shù)據(jù)(2010年1月6日～2013年6月7日,共828個交易數(shù)據(jù))和樣本外數(shù)據(jù)(2013年6月13日～2014 年8月29日,共300個交易數(shù)據(jù)).樣本內(nèi)數(shù)據(jù)用于估計藤copula–已實現(xiàn)GARCH模型參數(shù),樣本外數(shù)據(jù)用于檢驗分位數(shù)預(yù)測的準確性.表1顯示,所有風格資產(chǎn)收益序列呈現(xiàn)負偏和尖峰形態(tài),不服從正態(tài)分布.因此,實證假定標準殘差服從偏t分布.Ljung-Box Q檢驗說明中盤成長、小盤成長和小盤價值的收益序列存在自相關(guān),而大盤成長、大盤價值和中盤價值不存在自相關(guān).為獲得無自相關(guān)、扣除均值的殘差序列,用AR(1)為中盤成長、小盤成長和小盤價值指數(shù)收益建模,而大盤成長、大盤價值和中盤價值指數(shù)收益僅簡單扣除均值.風格資產(chǎn)的對數(shù)RV也不服從正態(tài)分布,因此為uit設(shè)定非正態(tài)分布可能是更好的選擇,這留待后續(xù)研究探討. LBQ(10)取值很大,說明風格資產(chǎn)的RV序列存在顯著自相關(guān),即波動集聚效應(yīng).

表1　資產(chǎn)收益及對數(shù)RV的描述性統(tǒng)計(2010–01–06～2014–08–19)Table 1 Descriptive statistics of asset returns and their ln RV

3.2藤copula–已實現(xiàn)GARCH模型的參數(shù)估計結(jié)果

已實現(xiàn)GARCH模型和GJR-GARCH模型的參數(shù)估計結(jié)果如表2和表3所示.β+πγ接近于1,說明風格資產(chǎn)收益序列具有很強的波動持續(xù)性.除了大盤價值,其他風格資產(chǎn)收益序列的τ1均小于0,與金融資產(chǎn)收益序列普遍存在杠桿效應(yīng)的事實相符.

表2　已實現(xiàn)GARCH模型的參數(shù)估計結(jié)果Table 2 Parameter estimation of realized GARCH model

表3　GJR-GARCH模型的參數(shù)估計結(jié)果Table 3 Parameter estimation of GJR-GARCH model

標準殘差自相關(guān)檢驗和概率積分轉(zhuǎn)換序列的Kolmogorov-Smirnov(KS)和Cramer-von Mises(CvM)檢驗P值如表4所示.為避免參數(shù)估計誤差的影響,用bootstrap方法計算KS和CvM檢驗P值[31].所有P值大于0.1說明標準殘差無自相關(guān),其概率積分轉(zhuǎn)換序列適用于藤copula建模.

表4　標準殘差序列的檢驗結(jié)果Table 4 Testing results of standardized residual series

為凸顯考慮成分資產(chǎn)收益相依結(jié)構(gòu)差異的重要性,以常用的多元高斯copula(GC)和學生t-copula(TC)作為比較對象.表5和表6分別給出D藤copula和常用多元copula的參數(shù)估計結(jié)果.在表5中,1代表大盤成長,2為大盤價值,3為中盤成長,4為中盤價值,5為小盤成長,6為小盤價值,配對copula編號與文獻[32]保持一致.

表5　D藤copula的分解結(jié)構(gòu)與參數(shù)估計結(jié)果Table 5 Breakdown structure and parameter estimation of drawable vine copula

表6　常用多元copula的參數(shù)估計結(jié)果Table 6 Parameter estimation of commonly used multivariate copula

3.3資產(chǎn)組合收益的分位數(shù)預(yù)測結(jié)果

以3.2給出的參數(shù)估計結(jié)果為基礎(chǔ),按照藤copula–已實現(xiàn)GARCH模型的應(yīng)用步驟,采用滾動窗口法預(yù)測異質(zhì)資產(chǎn)組合在樣本外300個交易日的分位數(shù),其中異質(zhì)資產(chǎn)組合由6個風格資產(chǎn)等權(quán)重構(gòu)成.由表7可見,DV-GJR模型預(yù)測的95%置信水平下的VaR沒有通過似然比檢驗,而DV-RG模型在99%和95%兩個置信水平下的預(yù)測值均通過似然比檢驗,具有較好的表現(xiàn).在ES預(yù)測中,基于DV-RG模型的ES具有更小的D(α)值.因此,在邊緣分布模型中考慮高頻信息能夠提高異質(zhì)資產(chǎn)組合分位數(shù)預(yù)測的準確性.

表7　藤copula-GJR-GARCH與藤copula–已實現(xiàn)GARCH預(yù)測表現(xiàn)Table 7 Forecasting performance of vine copula-GJR-GARCH and vine copula-realized GARCH

表8列出不同copula–已實現(xiàn)GARCH模型的分位數(shù)預(yù)測表現(xiàn).在VaR預(yù)測方面,t-copula–已實現(xiàn)GARCH模型在95%置信水平下未通過非條件似然比檢驗,其他模型和其他置信水平的VaR預(yù)測均通過了似然比檢驗,無法據(jù)此分辨模型優(yōu)劣.但是,從極端尾部風險ES預(yù)測看,藤copula–已實現(xiàn)GARCH模型在99%和95%兩個置信水平下的ES預(yù)測均具有最小的D(α)值.

表8　不同copula–已實現(xiàn)GARCH模型的預(yù)測表現(xiàn)Table 8 Forecasting performance of different copula-realized GARCH model

圖2　藤copula–已實現(xiàn)GARCH模型的分位數(shù)預(yù)測效果Fig.2　Quantile forecasting performance of vine copula-realized GARCH model

通過以上兩組對比,即選定D藤copula作為相依結(jié)構(gòu)模型,比較已實現(xiàn)GARCH模型和GJR-GARCH模型;選定已實現(xiàn)GARCH作為邊緣分布模型,比較D藤copula、高斯copula和學生t-copula模型,結(jié)果表明藤copula–已實現(xiàn)GARCH模型在99%和95%兩個置信水平下均提供了更準確的分位數(shù)預(yù)測,尤其是在極端尾部風險ES預(yù)測方面,藤copula–已實現(xiàn)GARCH模型的優(yōu)勢尤為顯著.參考已有研究的做法[25,26],進一步用圖2直觀展示藤copula–已實現(xiàn)GARCH模型的VaR和ES的預(yù)測效果.

表7、表8和圖2展示的結(jié)果證實了資產(chǎn)組合分位數(shù)預(yù)測的藤copula–已實現(xiàn)GARCH方法的優(yōu)越性.基于第2部分闡述的建模動機,著重從兩個方面解釋這一優(yōu)越性.首先,已實現(xiàn)GARCH模型同時引入已實現(xiàn)測度和杠桿函數(shù),由它導出的條件波動率包含了交易時段內(nèi)的高頻信息和非交易時段的波動信息,具有明顯的信息含量優(yōu)勢.其次,資產(chǎn)組合的成分資產(chǎn)收益序列存在異質(zhì)性.這種異質(zhì)性不僅體現(xiàn)在不同資產(chǎn)收益序列的邊緣分布中,更體現(xiàn)在不同資產(chǎn)收益序列之間的相依結(jié)構(gòu)中.常用多元copula(如多元高斯copula或?qū)W生t-copula)隱含假定成分資產(chǎn)收益序列兩兩之間的相依結(jié)構(gòu)類型和相依程度都是相同的.但是,正如實證結(jié)果所呈現(xiàn)出來的那樣，如第一層樹對應(yīng)的配對copula向量、Kendallτ向量和下尾相依系數(shù)向量分別為(7,17,2,2,2),(0.78,0.74,0.84,0.86,0.88)及(0.74,0.70,0.77,0.76,0.79),均存在顯著差異.成分資產(chǎn)收益之間的相依結(jié)構(gòu)具有常用多元copula函數(shù)無法刻畫的異質(zhì)性.而藤copula通過靈活選擇藤分解結(jié)構(gòu)和配對copula能夠充分考慮相依結(jié)構(gòu)的異質(zhì)性.從不同copula函數(shù)的極大似然函數(shù)值可以簡單看出(表5和表6), 藤copula具有最佳的擬合效果.同時,從不同組合收益分位數(shù)預(yù)測結(jié)果看(表7和表8),基于藤copula的新方法無論在VaR預(yù)測還是ES預(yù)測中都具有較好的表現(xiàn).由此可見,在六維情形下,藤copula已經(jīng)展現(xiàn)出一定優(yōu)勢.在高維情形下,相依結(jié)構(gòu)的異質(zhì)性隨著維數(shù)增加而增強,藤copula的優(yōu)勢將進一步凸顯[21].但是,高維情形的藤copula參數(shù)估計和數(shù)值模擬也會變得更加復(fù)雜.另外,在多期分位數(shù)預(yù)測中[33],藤copula–已實現(xiàn)GARCH方法同樣會遭遇模擬復(fù)雜性問題.因此,如何在高維資產(chǎn)組合分位數(shù)預(yù)測和多期分位數(shù)預(yù)測應(yīng)用中權(quán)衡藤copula的建模靈活性與計算復(fù)雜性是一個亟待后續(xù)研究探討的問題.

4　結(jié)束語

資產(chǎn)組合的成分資產(chǎn)收益序列本身存在波動集聚、偏峰厚尾、杠桿效應(yīng)等復(fù)雜特征,資產(chǎn)收益序列之間的相依結(jié)構(gòu)復(fù)雜性體現(xiàn)為非線性、非對稱、尾部相依以及收益序列兩兩之間相依結(jié)構(gòu)的異質(zhì)性.本文妥善處理資產(chǎn)收益序列及其相依結(jié)構(gòu)的雙重復(fù)雜性,利用已實現(xiàn)GARCH模型和藤copula同時改進邊緣分布建模和相依結(jié)構(gòu)建模,提出預(yù)測資產(chǎn)組合收益分位數(shù)的藤copula–已實現(xiàn)GARCH模型.中國股市風格指數(shù)組合的實證分析結(jié)果表明:在邊緣分布納入高頻信息有助于提高分位數(shù)預(yù)測精度;風格指數(shù)收益之間的相依關(guān)系存在結(jié)構(gòu)性差異,藤copula能更恰當?shù)孛枋鏊鼈冎g復(fù)雜的相依關(guān)系;藤copula–已實現(xiàn)GARCH模型在實證中提供較好的資產(chǎn)組合收益分位數(shù)預(yù)測.藤copula–已實現(xiàn)GARCH模型的優(yōu)勢來源于納入高頻信息和藤copula在相依結(jié)構(gòu)建模中的靈活性.這些結(jié)論對金融市場機構(gòu)投資者、個體投資者以及政策制定者均有一定借鑒意義:第一,機構(gòu)投資者和個體投資者要有效管理資產(chǎn)組合風險,一方面應(yīng)監(jiān)測高頻波動信息,另一方面應(yīng)根據(jù)資產(chǎn)收益之間的復(fù)雜相依結(jié)構(gòu)調(diào)整資產(chǎn)的配置比例,即根據(jù)相依結(jié)構(gòu)特征選擇投資組合[27];第二,政府相關(guān)部門在制定政策時應(yīng)充分認識到不同類別資產(chǎn)之間存在的非線性、非對稱性和尾部相依特征,更準確地預(yù)估政策影響,從而制定合理的市場規(guī)則或監(jiān)管政策,最終有效控制系統(tǒng)性風險、維護金融市場的穩(wěn)定.

[1]Andersen T G,Bollerslev T.Answering the skeptics:Yes,standard volatility models do provide accurate forecasts.International Economic Review,1998,39(4):885–905.

[2]Hasbrouck J.Empirical Market Microstructure:The Institutions,Economics and Econometrics of Securities Trading.New York: Oxford University Press,2007:31–41.

[3]Hansen P R,Lunde A.A forecast comparison of volatility models:Does anything beat a GARCH(1,1).Journal of Applied Econometrics,2005,20(7):873–889.

[4]Bandi F M,Russell J R.Microstructure noise,realized variance,and optimal sampling.Review of Economic Studies,2008,75(2): 339–369.

[5]Barndorff-Nielsen O E,Hansen P R,Lunde A,et al.Designing realized kernels to measure the ex post variation of equity prices in the presence of noise.Econometrica,2008,76(6):1481–1536.

[6]Hansen P R,Huang Z,Shek H H.Realized GARCH:A joint model for returns and realized measures of volatility.Journal of Applied Econometrics,2012,27(6):877–906.

[7]王天一,黃卓.高頻數(shù)據(jù)波動率建模:基于厚尾分布的Realized GARCH模型.數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究,2012(5):149–161. Wang T Y,Huang Z.High frequency volatility modelling based on realized GARCH model with heavy-tailed distribution.TheJournal of Quantitative&Technical Economics,2012(5):149–161.(in Chinese)

[8]Watanabe T.Quantile forecasts of financial returns using realized GARCH models.Japanese Economic Review,2012,63(1):68–80.

[9]Louzis D P,Xanthopoulos-Sisinis S,Refenes A P.The role of high-frequency intra-daily data,daily range and implied volatility in multi-period value-at-risk forecasting.Journal of Forecasting,2013,32(6):561–576.

[10]黃雯,王天一,黃卓.利用高頻數(shù)據(jù)管理滬深300指數(shù)的尾部風險:基于Realized GARCH模型的VaR.中大管理研究,2012, 7(2):66–86. Huang W,Wang T Y,Huang Z.Managing HS 300 index tail risk with high frequency data:Value-at-risk based on realized GARCH approach.China Management Studies,2012,7(2):66–86.(in Chinese)

[11]韋艷華,張世英.多元copula-GARCH模型及其在金融風險分析上的應(yīng)用.數(shù)理統(tǒng)計與管理,2007,26(3):432–439. Wei Y H,Zhang S Y.Multivariate copula-GARCH model and its applications in financial risk analysis.Journal of Applied Statistics and Management,2007,26(3):432–439.(in Chinese)

[12]周孝華,張保帥,董耀武.基于Copula-SV-GPD模型的投資組合風險度量.管理科學學報,2013,15(12):70–78. Zhou X H,Zhang B S,Dong Y W.Risk measurement of financial portfolio based on copula-SV-GPD model.Journal of Management Sciences in China,2013,15(12):70–78.(in Chinese)

[13]胡心瀚,葉五一,繆柏其.基于Copula-ACD模型的股票連漲和連跌收益率風險分析.系統(tǒng)工程理論與實踐,2010,30(2): 298–304. Hu X H,Ye W Y,Miao B Q.Risk analysis of continuously rising and falling stock yield based on copula-ACD method.Systems Engineering:Theory&Practice,2010,30(2):298–304.(in Chinese)

[14]謝赤,朱建軍,周竟東.基于Copula函數(shù)的ETF流動性風險與市場風險相依性分析.管理科學,2010,23(5):94–102. Xie C,Zhu J J,Zhou J D.Dependence analysis of liquidity risk and market risk for exchange traded funds based on copula function. Journal of Management Science,2010,23(5):94–102.(in Chinese)

[15]吳慶曉,劉海龍,龔世民.基于極值Copula的投資組合集成風險度量方法.統(tǒng)計研究,2011,28(7):84–91. Wu Q X,Liu H L,Gong S M.Integrated risk measurement of portfolio with extreme copula.Statistical Research,2011,28(7): 84–91.(in Chinese)

[16]陸靜,張佳.基于極值理論和多元Copula函數(shù)的商業(yè)銀行操作風險計量研究.中國管理科學,2013,21(3):11–19. Lu J,Zhang J.Measurement of commercial bank’s operational risk based on extreme value theory and multivariate copula functions. Chinese Journal of Management Science,2013,21(3):11–19.(in Chinese)

[17]Bedford T,Cooke R M.Probability density decomposition for conditionally dependent random variables modeled by vines.Annals of Mathematics and Artificial Intelligence,2001,32(1/4):245–268.

[18]Bedford T,Cooke R M.Vines:A new graphical model for dependent random variables.The Annals of Statistics,2002,30(4): 1031–1068.

[19]Joe H.Families of m-variate distributions with given margins and m(m-1)/2 bivariate dependence parameters//Ruschendorf L, Schweizer B,Taylor M D Eds.Lecture Notes-Monograph Series:Distributions with Fixed Marginals and Related Topics.Bethesda: Institute of Mathematical Statistics,1996:120–141.

[20]Aas K,Berg D.Models for construction of multivariate dependence:A comparison study.The European Journal of Finance,2009, 15(7–8):639–659.

[21]Fisher M,K¨ock C,Schl¨uter S,et al.An empirical analysis of multivariate copula models.Quantitative Finance,2009,9(7):839–854.

[22]Low R K Y,Alcock J,Faff R,et al.Canonical vine copulas in the context of modern portfolio management:Are they worth it. Journal of Banking&Finance,2013,37(8):3085–3099.

[23]Zhang B,Wei Y,Yu J,et al.Forecasting VaR and ES of stock index portfolio:A vine copula method.Physica A:Statistical Mechanics and Its Applications,2014,416:112–124.

[24]唐振鵬,黃友珀.組合信用風險測度的藤copula方法.系統(tǒng)工程學報,2013,28(4):488–496. Tang Z P,Huang Y P.Vine copula approach to measure portfolio credit risk.Journal of Systems Engineering,2013,28(4):488–496. (in Chinese)

[25]高江.藤copula模型與多資產(chǎn)投資組合VaR預(yù)測.數(shù)理統(tǒng)計與管理,2013,32(2):247–258. Gao J.Vine copula model and VaR forecast for multi-asset portfolio.Journal of Applied Statistics and Management,2013,32(2): 247–258.(in Chinese)

[26]郭文偉,鐘明.基于Vine Copula的中國股市風格資產(chǎn)相依結(jié)構(gòu)特征及組合風險測度.管理評論,2013,25(11):41–52. Guo W W,Zhong M.An empirical study on dependency structure and risk measure of style portfolio in Chinese stock market based on vine copula model.Management Review,2013,25(11):41–52.(in Chinese)

[27]張幫正,魏宇,余江,等.基于EVT-Vine-copula的多市場相關(guān)性及投資組合選擇研究.管理科學,2014,27(3):133–144. Zhang B Z,Wei Y,Yu J,et al.The study of correlation and portfolio selection among multi-markets based on EVT-vine-copula. Journal of Management Science,2014,27(3):133–144.(in Chinese)

[28]Kupiec P.Techniques for verifying the accuracy of risk management models.Journal of Derivatives,1995,3(2):73–84.

[29]Christoffersen P F.Evaluating interval forecasts.International Economic Review,1998,39(4):841–862.

[30]Embrechts P,Kaufmann R,Patie P.Strategic long-term financial risks:Single risk factors.Computational Optimization and Applications,2005,32(1–2):61–90.

[31]Patton A.Copula methods for forecasting multivariate time series//Elliott G,Timmermann A eds.Handbook of Economic Forecasting.Amsterdam:Elsevier,2013,2(B):899–960.

[32]Brechmann E C,Schepsmeier U.Modeling dependence with C-and D-vine copulas:The R package CDVine.Journal of Statistical Software,2013,52(3):1–27.

[33]許啟發(fā),張金秀,蔣翠俠.基于支持向量分位數(shù)回歸多期VaR測度.系統(tǒng)工程學報,2014,29(2):202–214. Xu Q F,Zhang J X,Jiang C X.Evaluating multiperiod VaR via support vector quantile regression.Journal of Systems Engineering, 2014,29(2):202–214.(in Chinese)

Portfolio quantile forecasts based on vine copula and realized GARCH

Huang Youpo,Tang Zhenpeng,Tang Yong
(School of Economics and Management,Fuzhou University,Fuzhou 350116,China)

Aiming at enhancing quantile forecasting performance,this article incorporates high-frequency information using realized GARCH model,then captures the variant dependency structure of pairs of asset returns by vine copula,and constructs a quantile forecasting approach based on vine copula-realized GARCH model.Selecting Chinese style index portfolio to carry out an empirical analysis,the backtesting results show that both high-frequency information and heterogenous dependency structure are key links for precise quantile forecasts,and the proposed method provides more accurate quantile forecasts of portfolio returns.

quantile forecast;vine copula-realized GARCH;high-frequency information;dependency structure;backtesting

F830

A

1000-5781(2016)01-0045-10

10.13383/j.cnki.jse.2016.01.005

2014-12-16;

2015-06-25.

國家自然科學基金資助項目(71171056);福建省社科規(guī)劃辦重點資助項目(2013A017);福建省高等學校新世紀優(yōu)秀人才支持計劃資助項目(JA11025S).

黃友珀(1987—),男,福建泉州人,博士生,研究方向:金融風險度量及管理,Email:fzuhyp@126.com;

唐振鵬(1966—),男,湖北鐘祥人,博士,教授,博士生導師,研究方向:金融工程,Email:zhenpt@126.com;

唐勇(1970—),男,江蘇洪澤人,博士,教授,研究方向:金融計量與風險管理,Email:tangyong05@126.com.