探讨相关性分位数回归模型和金融风险尾部相关性实证

论文导读：
摘要：本论文主要是运用分位数回归策略对条件VaR估计展开实证探讨；并对Copula分位数回归以及Copula函数在金融风险的尾部相关性浅析中的运用进行探讨。本论文运用分位数回归策略给出条件VaR的估计策略,直接得到收益率在某置信水平下分位数的值,即在一定的条件下的VaR值。这样就避开了分布是正态等假设,而且计算相对容易。在含虚拟变量分位数回归模型之下,实证浅析上证指数和沪深指数在日内波幅条件下的VaR,并与无条件模型及线性分位数回归模型进行了比较。结果表明：含虚拟变量分位数回归模型比无条件模型及线性分位数回归模型能更好的度量风险。本论文浅析探讨Copula模型及Copula分位数回归,推导了几种常见的阿基米德Copula的分位数曲线。Copula分位数回归把Copula论述和分位数回归论述结合起来,能更好的度量变量之间的联系,特别是尾部的相关联系。由此本论文利用Copula模型实证浅析了沪深300和深证成指的尾部相关性,用尾部相联系数将上尾相关性量化,发现沪深300和深证成指有显著的尾部相关性。并且用同种策略对创业板指数和中小板指数的相关性进行了浅析,发现创业板指数和中小板指数也有显著的尾部相关性。关键词：分位数回归论文条件VaR论文相关结构函数论文尾部相关性论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要3-4
ABSTRACT4-5
目录5-8
第一章 绪论8-17

1.1 探讨的背景及作用8-11

1.2 文献综述11-14

1.2.1 国内外VaR策略文献综述11-12

1.2.2 分位数回归模型的文献综述12-13

1.2.3 Copula模型的文献综述13-14

1.3 本论文探讨的主要内容和革新点14-17

1.3.1 论文的主要内容14-15

1.3.2 论文的革新点15-17

第二章 VaR策略概述17-20

2.1 VaR策略概述17-18

2.

1.1 VaR的定义17

2.

1.2 VaR的计算策略17-18

2.2 条件VaR的含义18-20
第三章 分位数回归估计20-25

3.1 分位数回归的基本概念20

3.2 分位数回归模型及其估计20-22

3.

2.1 线性分位数回归模型及其估计20-21

3.

2.2 非线性分位数回归模型21-22

3.3 分位数回归的检验22-25

3.1 Wald检验22-23

3.2 秩检验23

3.3 似然比检验23-25

第四章 基于虚拟变量分位数回归模型的条件VaR估计25-33

4.1 模型选择准则25-26

4.

1.1 R~225

4.

1.2 校正R~225

4.

1.3 赤池信息准则25-26

4.

1.4 施瓦茨信息准则26

4.2 实证浅析26-33
4.

2.1 数据描述26

4.

2.2 日内波幅估计量26-29

4.

2.3 线性分位数回归模型浅析29-31

4.

2.4 含虚拟变量的分位数回归模型31-33

第五章 Copula分位数回归及Copula函数在金融风险尾部相关性浅析中的运用33-45

5.1 相关结构函数Copula33-34

5.2 相关性度量34-35

5.3 检验最优Copula函数35-37

5.4 Copula分位数回归37

5.5 阿基米德Copula分位数回归模型37-39

5.1 阿基米德Copula分位数回归曲线的一般形式37-38

5.2 常见的几种阿基米德Copula分位数回归曲线38-39

5.6 利用Copula实证浅析金融风险的尾部相关性39-44

5.6.1 对样本数据进行统计描述39-40

5.6.2 Copula函数的参数估计40

5.6.3 最优Copula函数40-42

5.6.4 Copula模型的尾部相关性42-44

5.7 结论44-45

第六章 结论及展望45-47

6.1 本论文的主要结论45

6.2 探讨的不足及展望45-47

致谢47-48
参考文献48-51
硕士学位期间的探讨成果51