经济和金融风险因素，copula依赖和大型多资产类别投资组合的风险敏感性外文翻译资料

 2021-12-15 21:41:44

英语原文共 33 页

经济和金融风险因素，copula依赖和大型多资产类别投资组合的风险敏感性

摘要

本文中，我们提出了一种灵活的工具来估计金融资产的风险敏感性，包括极端风险在内的各种风险，从金融市场到实体经济领域。此工具适用于观察和先验视图。我们的贡献体现在三个方面。首先，我们结合copulas和因数的结构，使我们能够捕获多个类的大量资产的收益之间的整体依赖关系。构建了我们称之为Cvine Risk Factors（CVRF）的模型，它可以分清金融和明显的经济类活动，如通货膨胀，新兴等，更普遍地说是实际领域的相关风险。其次，该模型提供了将众所周知的多贝塔系数线性方法扩展到非线性版本中的方法，并且在风险极端的情况下评估任何资产在多个风险因子的暴露程度。暴露程度衡量的是相关的风险交叉条件价值（Cross-CVaR）。第三，作为应用程序方法论，我们提出一个优化计划，找到在资本中最多样化的投资组合，同时不受特定方向的风险因素的极端冲击影响。在抗扰约束的变化下，我们回到了现今最广泛使用的投资组合策略。例如，采用ERC（等风险贡献）规则，确保最佳的基于资本多样化的分散经营和抵御通货膨胀风险的方法。因此，我们建议将第一眼看上去不同的几种投资组合策略观点进行统一化和事后合理化。

关键词：复杂依赖性 常规Vine Copula 因子 非线性多beta;关系 投资组合管理 风险管理 风险平衡 极端风险 压力测试

1.简介

根据市场的不同，资产类别的多样化配置可能会受到限制。因此，随着更多资产类别的出现，投资组合变得越来越复杂。于是，投资组合的管理者必须处理多种风险来源：例如证券、利率、通货膨胀、商业周期、新兴市场、信贷或流动性相关风险等。在这种情况（特别是极端风险的情况）下，指导投资组合经理评估其风险敞口，是很有价值的。我们面临三个挑战：

-不可能仅用一个代表“坏”的因素来概括所有的风险来源。

-在评估属于不同类别，特别是极端风险情况下的资产时，相关性、方差和beta;系数不是有效的风险评估方法。

-风险来源会根据不同的时期以不同的方式影响资产研究。例如，通胀风险可以（通过正风险溢价）在高意外通胀期间促使股票和名义债券收益之间存在正相关关系；而在使用名义债券来对冲股权风险的低意外通胀期间则相反。

为应对第一个挑战，我们参考多个风险因素的模型，但具有非线性方法。

对于第二个，我们参考copula的理论来模拟不同类型资产收益之间的联系。

最后，关于时变风险暴露的问题，我们限制了观察期限以避免估计复杂和不稳定的动态模型，包括政权转移。特别地，我们不考虑随时间变化的风险贴现率，例如，由时变风险规避或商业周期驱动的。

但是，我们不会过多地限制观察期。覆盖正常时间以及关键的时间点对于做出稳健的分析真的很重要。特别是该模型必须考虑到不同可能的资产依赖性，不仅有标准的还有在金融动荡期间观察到的那些具体的。 的确，像许多文献列出的那样，后者的情况是在最需要这些收益的时候减少分散风险效益。最后，我们保留2001-2013（的数据），即最后两个金融周期。

在多元化问题之上，现今能够评估多个相互作用的金融风险敞口至关重要，因为金融机构的风险管理不善可能导致在上次危机中出现的个人或潜在的系统性违约。因此，提高投资组合的风险衡量标准是监管问题的核心。

在这方面，我们在本文中主要讨论的问题如下：什么是大型复杂多重资产组合对相互作用的风险来源的极端冲击的的敏感性？我们提出了一个灵活的工具来帮助回答这个问题。

通常的风险衡量指标，如相关性和方差，显然对这个目标无效。事实上，高斯框架并不适用于表征复杂的风险投资组合，特别是在极端情况下。对于非正态性和厚尾性，可以通过单系列的ARCH模型和针对多变量情况的或与copulas结合的等DCC来捕获。但是这些模型不适用于高维系统。在这里我们选择参考copula理论，提供了一个更灵活的框架。

更准确地说，我们提出的工具允许指定和估计我们称之为general-C-Vine-风险因子（CVRF）的依赖结构，是对Heinen和Valdesogo将收益分解到全球（市场相关）和行业特定组件的CVMS的延伸。我们使用的C-Vine结构是根据我们指定为先验的因子结构，进行组织和约束的。

几篇论文列出了寻找对数据拟合度最高的因素结果的统计方法。例如，Tumminello和Mantegna应用了等级聚类过程并估计分层嵌套因子模型。Brechmann和Czado使用R-vine copula结构模拟市场收益，使用最大跨度树并采用纯粹的统计方法来挖掘资产之间的联系。然而金融系列之间产生的关系往往不容易解释。与这些作者不同的是，我们的目标不是找到最好的（统计）因素结果，而是旨在提出一种易处理的因子依赖结构，它结合了C-Vine因子化具有从财务角度来看有意义的资产回报分解的因子分解。

更确切地说，我们使用35个指数来覆盖主要风险来源。我们从35个指数中的8个中识别出8个风险因素，这些因素可被视为我们的35个资产共同的组成部分，同时主要受我们想要确定的不同风险因素驱动：我们保留3个全球指数，这些指数主要与三个风险因素相关，实际利率，通货膨胀和市场风险因素以及5个受到（欧洲）主权危机，信贷，新兴商品和美元相关的风险影响的附加指数。后面的5个指数用于强调处理 “自定义风险”的可能性，更多的是投资者特定的投资组合。

因此，我们仍把重点放在保留了我们数据库中所有收益的共同组成部分的8个指数的极端冲击上，以及每次我们分解任何资产的反应，更具体地说，是由在风险因素影响下有不同的冲击而引起的预期收益的变化。因此，我们能够量化各种资产对任何极端冲击的敏感性，并共同分解这种敏感性进入风险因素的边际贡献。

这种分解需要在绘制CVRF模型框架中无条件和条件分布函数的极值后，模拟所有资产的回报。对于后一种情况，我们开发了一种原始算法。

我们的CVRF的核心应用程序是为了解决投资组合管理问题，其重点是找到最好的以资本为基础的多元化水平，同时确保在极端风险的情况下，能对特定的风险来源免疫。 并且，这使我们能够在不同基准投资组合下进行的风险敏感性分析。

本文的结构如下。 在第二节里，我们陈述了C-vine copulas和C-vine风险因子模型的原理。 第三节展示了结合数据的实际应用，对阶乘结构的描述和实施不同类型模拟的解释。 在第四节里，我们介绍了CCVAR方法，用于在极端风险情况下执行基于因子的敏感性分析。然后将我们的建模应用于项目组合管理。 第6节是总结。

2.建模原理

首先，让我们回顾一下经典藤（Canonical Vine）结构的用途，然后再指出如何表征这种结构中两个随机变量之间的独立性。

2.1经典藤

考虑边缘是F1（x1），...，Fn（xn）的n个随机变量X =（X1,hellip;,Xn）的多元累积分布函数F，Sklar定理确保存在唯一的n维copula C（或同样n的累计分布函数）来描述这些变量的联合分布。 而且，如果F是绝对连续的，且以连续边缘累计分布函数 Fi严格增加，则联合密度函数f可写为：

f(x1,hellip;,xn) = c1:n(F1(x1),hellip;Fn(xn))·f1(x1)hellip;fn(xn) （1）

这是C的n维copula密度c1:n（·）和边缘密度fi（·）的乘积。

其次，n维密度c1：n可以作为双变量的乘积分解Copula函数。

问题在于分解方式不唯一。但是，为了帮助组织对关联密度可能的因子分解，贝特福德和库克（2001）引入了常规藤模型（Regular Vine）。对于分层对copula结构来说，常规藤（R-vines）是一个很方便的图形模型。跟据Kurowicka和Cooke（2007年），n个变量的常规藤（R-vine）首先包含了一系列链接树T1 ,hellip;,Tn-1，对于i = 1，...，n有节点Ni和边缘Ei，其中T1有节点N1 = 1 ,hellip;,n和边缘E1，并且对于i = 2,...,n-1，Ti有节点Ni = Ei-1。此外，树Ti和树Ti 1中的两个边缘仅在它们在树Ti中有一个公共节点的情况下才相连。如果每个树Ti都有一个唯一的节点d-i（根节点），那么C-vine就是一个R-vine。

因此，相应的n维经典藤（CVine）copula密度的因子分解如下：

C1:n(F1(x1),hellip;,Fn(xn)) =

(F(xj|x1,hellip;,xj-1)),F(xj i|x1,hellip;,xj-1) (2)

其中c j，j i | 1,hellip;,j-1表示x j和x j i之间的二元copula有条件地在x1 ,hellip;,x j-1里分布。

该因式分解涉及n（n-1）/ 2个二元opula密度。不过它可以通过考虑独立性限制进行简化，如下一节所述。

2.2经典藤中的条件独立

对于完整的n维经典藤（canonical vine），有n（n-1）/ 2个双变量copula。这意味着对于高n维，要估计的参数数量非常多。为了简化结构，一些条件独立假设会很有用。

在Vine结构中，在两个变量之间强加条件独立性非常简单。实际上，假设相关的双变量copula的密度函数等于1就足够了。而对于一组条件变量，V和两个变量X，Y，假设对于给定的V，X和Y有条件独立，就相当于：

forall;v, cXY|V=v(FX|V=v(x), FY |V=v(y)) =1 （3）

Heinen和Valdesogo利用这个属性提出了一个阶乘C-Vine结构，即经典藤 市场部门（CVMS）模型，每种资产取决于市场和在自己所在的部门。因此，在市场上有条件地对应于第一根节点，假设部门收益是独立的，并且当资产收益属于不同的收益与二级的点头相关的部门时，它们就是独立的。我们的CVRF模型就是CVMS模型的扩展。

2.3 CVine-风险因子（CVRF）模型

推广这种方法，我们引入了基于C-Vine copula的因子模型。于是我们假设资产回报取决于几个主要解释其依赖性的结构体的风险因素。此外，我们放宽了通常的独立假设，并假设当资产回

资料编号：[5229]

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章