馬梅 盧俊香 杜艷麗

摘要： Copula函數(shù)是處理變量間相關(guān)結(jié)構(gòu)的有力工具。特別在實(shí)際的金融領(lǐng)域中，變量間的相關(guān)結(jié)構(gòu)往往比較復(fù)雜。如果用單個(gè)Copula函數(shù)來處理，具有一定的局限性。混合Copula（M-Copula）函數(shù)是把不同的Copula函數(shù)混合在一起，這樣能夠更好地描述變量間的相關(guān)結(jié)構(gòu)。文章主要運(yùn)用由Gumbel、Clayton和Frank組成的混合Copula模型對(duì)上證A指和成份A指的相依結(jié)構(gòu)進(jìn)行建模，采用非參數(shù)核密度方法估計(jì)邊緣分布，然后用EM算法求出混合Copula函數(shù)的權(quán)重及相關(guān)參數(shù)，實(shí)證結(jié)果表明：混合Copula模型更能夠準(zhǔn)確地描述兩個(gè)市場(chǎng)之間的相依結(jié)構(gòu)，且兩個(gè)市場(chǎng)的上尾相依關(guān)系要強(qiáng)于下尾的相依關(guān)系。

Abstract： Copula function is a powerful tool for handling the correlation structure between variables. Especially in the actual financial field， the correlation structure between variables is often more complicated. If you use a single Copula function to deal with the correlation， there are certain limitations. The mixed Copula function is mixed with different Copula functions， so that it can better describe the correlation structure between variables than the single Copula. The mixed copula model made of Gumbel、Clayton and Frank is applied to establish a model of dependence structure between Shanghai A-Shares Index and Syhthetical A-Shares Index in the paper. Firstly， Non-parametric kernel density method is used to estimate the distribution function of Copula， then in order to calculate the weight and the related parameters using EM algorithm. The results indicate that the mixed copula model can describe the dependence structure between two markets more accurately， and the dependence relation of upper tail of two markets is stronger than the dependence relation of lower tail.

關(guān)鍵詞： 混合Copula函數(shù)；EM算法；相關(guān)性

Key words： the mixed Copula；EM；correlation

中圖分類號(hào)：F830 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2017）01-0191-04

0 引言

隨著金融市場(chǎng)的快速發(fā)展，金融資產(chǎn)的收益率序列呈現(xiàn)的分布越來越不規(guī)則。在現(xiàn)代金融市場(chǎng)研究的熱點(diǎn)問題當(dāng)中，金融資產(chǎn)間的相關(guān)性研究尤為重要，傳統(tǒng)的相關(guān)性分析中，要求變量間的關(guān)系是線性的，但實(shí)際問題中，金融資產(chǎn)間大多都是非線性，非對(duì)稱的。由于Copula函數(shù)的特點(diǎn)，近年來，許多研究者把它應(yīng)用于研究金融市場(chǎng)相關(guān)性中，并取得很好的一定的研究結(jié)果。

Copula理論的研究出現(xiàn)在20世紀(jì)50年代，首次由Sklar提出[1]，90年代后期才在金融方面取得快速發(fā)展. Nelsen[2]系統(tǒng)介紹了Copula函數(shù)的基本性質(zhì)以及Copula函數(shù)的相關(guān)性研究。Rockinger[3]建立了Copula-GARCH模型并且對(duì)金融風(fēng)險(xiǎn)進(jìn)行了分析，最終得到t-Copula能較好的描述金融變量之間的相關(guān)關(guān)系。之后，Nelsen[4]在2007年提出并且證明了兩個(gè)不同的Copula函數(shù)的凸線性組合依然是Copula函數(shù)，這是構(gòu)建Copula函數(shù)的一種新的方法，也是混合Copula理論的雛形。直到2011年，A.Shamiri[5]選用Cumbel和Clayton Copula函數(shù)進(jìn)行線性組合得到一種新的Copula函數(shù)——混合Copula函數(shù)，并將此模型應(yīng)用于度量金融隨機(jī)變量間的尾部相關(guān)性，此時(shí)混合Copula函數(shù)模型得到應(yīng)用。但國(guó)內(nèi)Copula發(fā)展較晚，韋艷華[6]等人2004年才介紹了Copula理論并結(jié)合金融市場(chǎng)數(shù)據(jù)進(jìn)行相關(guān)性分析，2008年，郝禮祥[7]構(gòu)造出新的混合Copula模型，并與單個(gè)的比較，結(jié)果表明混合Copula函數(shù)能更好的改善VaR模型，降低失效天數(shù)。之后，莊丹琴[8]，孟飛利用Genest和Rivest非參數(shù)估計(jì)法對(duì)構(gòu)建的混合Copula模型進(jìn)行參數(shù)估計(jì)，并通過貝葉斯理論的方法給出其權(quán)重。

現(xiàn)有文獻(xiàn)在應(yīng)用Copula函數(shù)時(shí)依舊多以單個(gè)Copula函數(shù)進(jìn)行數(shù)據(jù)擬合，但考慮到實(shí)際金融數(shù)據(jù)的相關(guān)結(jié)構(gòu)復(fù)雜，僅用一種Copula函數(shù)擬合可能會(huì)出現(xiàn)失真的情況，所以文章選用混合Copula函數(shù)模型，其中，它的參數(shù)越多，函數(shù)的選擇空間越大，模型也就變得更加復(fù)雜，因此，構(gòu)造的新的混合Copula模型更能較為全面地反映變量間的相關(guān)信息，在應(yīng)用上也更加靈活?；谏鲜龇治?，本文的研究工作將圍繞以下幾個(gè)方面展開：第一，通過混合Copula函數(shù)刻畫上證A股指數(shù)和成份A股指數(shù)的相依結(jié)構(gòu)，描述變量間的非線性關(guān)系。第二，參數(shù)估計(jì)方面采用非參數(shù)核密度估計(jì)和極大似然估計(jì)進(jìn)行單個(gè)Copula函數(shù)的參數(shù)估計(jì)，結(jié)合EM算法估計(jì)混合Copula函數(shù)的參數(shù)。

4 結(jié)論

文章選用Gumbel、Clayton、Frank函數(shù)的線性組合構(gòu)建新的混合Copula模型，并通過EM算法對(duì)混合Copula函數(shù)的權(quán)重及參數(shù)進(jìn)行求解，其中Gumbel函數(shù)占的權(quán)重最大為0.6779，說明這兩個(gè)市場(chǎng)的指數(shù)收益之間表現(xiàn)為上尾高、下尾低的較強(qiáng)的正相依結(jié)構(gòu)，Clayton函數(shù)的權(quán)重為0.2751，說明這兩市的下尾變化的相關(guān)性不容忽視，兩個(gè)市場(chǎng)處于熊市時(shí)期時(shí)，會(huì)有同步增強(qiáng)的相依性。并將單一Copula模型與混合Copula模型進(jìn)行對(duì)比，得到混合Copula對(duì)數(shù)據(jù)的擬合程度最好。

參考文獻(xiàn)：

[1]SKLAR A. Fonctions de repartition an dimensions et leurs marges[J]. Publication de Iinstitut de statistique de Iuniversite de patis， 1959， 8： 229-231.

[2]NELSON R B. An introduction to copulas[M]. New York： Springer. 1999.

[3]ROCKINGER M， JONDEAU E. Conditional dependency of financial series： an application of copulas[J]. 2001.

[4]NELSEN R B. An introduction to copulas[M]. Springer Science & Business Media， 2007.

[5]SHAMIRI A， HAMZAH N A， PIRMORADIAN A. Tail dependence estimate in Financial market risk management： clayton-gumbel copula approach[J]. Sains Malaysiana， 2011， 40（8）：927-935.

[6]韋艷華，張世英.Copula理論及其在金融分析上的應(yīng)用[M]. 北京：清華大學(xué)出版社，2008.

[7]郝禮祥，程希駿.基于 Copula-VaR 方法對(duì)上證和深證的研究[J]. 中國(guó)科學(xué)院研究生院學(xué)報(bào)，2008，25（5）：682-686.

[8]莊丹琴，孟飛.基于Bayes的混合Copula構(gòu)造[J].安徽工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，28（2）：188-191.

[9]李智慧，陸濤，楊中林，等.基于Copula函數(shù)的中藥有效成分群譜效分析[J].中國(guó)衛(wèi)生計(jì)，2013，30（5）：650-654.

[10]GENEST C， MACKAY J. The joy of copulas： bivariate distributions with uniform marginals[J]. The American Statistician， 1986， 40（4）： 280-283.

[11]林宇，魏宇.滬深股市的風(fēng)險(xiǎn)測(cè)度研究[J].統(tǒng)計(jì)與決策， 2006，2006（12B）：78-79.

[12]任仙玲，張世英.基于非參數(shù)核密度估計(jì)的Copula函數(shù)選擇原理[J].系統(tǒng)工程學(xué)報(bào)，2010，1（25）：35-42.

[13]李丹，謝民育，徐天群.基于半?yún)?shù)Copula模型的相依關(guān)系研究[J].金融理論與實(shí)踐，2015，1：21-24.

[14]賈鵬.基于Copula方法的中國(guó)股票市場(chǎng)相關(guān)性研究[D]. 湖南：湖南大學(xué)，2013.

[15]張連增，胡祥.Copula的參數(shù)與半?yún)?shù)估計(jì)方法的比較[J]. 統(tǒng)計(jì)研究，2014（2）：91-95.