matlab 求集中度,matlab代写使用Copula仿真优化市场风险数据VaR分析
使用Copula建模相关默认值
此示例探讨了如何使用多因素copula模型模拟相关的交易对手违约。
鉴于违约风险敞口,违约概率和违约信息损失,估计交易对手组合的潜在损失。一个creditDefaultCopula对象用于每个债务人的信用与潜在变量模型。潜在变量由一系列加权潜在信用因子以及每个债务人的特殊信用因子组成。潜在变量根据其默认概率映射到每个方案的债务人的默认或非默认状态。该creditDefaultCopula对象支持投资组合风险度量,交易对手级别的风险贡献以及模拟收敛信息。
这个例子还探讨了风险度量对用于模拟的copula(高斯copula与t copula)类型的敏感性。
加载和检查投资组合数据
投资组合包含100个交易对手及其相关的信用风险敞口(默认值EAD),违约概率(PD)和默认损失(LGD)。使用creditDefaultCopula对象,您可以模拟某个固定时间段(例如,一年)的默认值和损失。的EAD,PD和LGD输入必须是针对特定的时间范围。
在此示例中,每个交易对手都使用一组权重映射到两个基础信用因子。该Weights2F变量是一个NumCounterparties-by-3矩阵,其中每一行包含一个单一的对方的权重。前两列是两个信用因子的权重,最后一列是每个交易对手的特殊权重。此示例(FactorCorr2F)中还提供了两个基本因子的相关矩阵。
加载CreditPortfolioData.mat
使用creditDefaultCopula投资组合信息和因子相关性初始化对象。
rng('default');
cc =
creditDefaultCopula(EAD,PD,LGD,Weights2F,'FactorCorrelation',FactorCorr2F);
cc.VaRLevel = 0.99;
DISP(CC)
creditDefaultCopula with properties:
FactorCorrelation:[2x2 double]
VaRLevel:0.9900
PortfolioLosses:[]
cc.Portfolio(1:5,:)
ans =
5x5表
ID EAD PD LGD重量
__ ______ _________ ____ ____________________
1 21.627 0.0050092 0.35 0.35 0 0.65
2 3.2595 0.060185 0.35 0 0.45 0.55
3 20.391 0.11015 0.55 0.15 0 0.85
4 3.7534 0.0020125 0.35 0.25 0 0.75
5 5.7193 0.060185 0.35 0.35 0 0.65
模拟模型和绘制潜在损失
使用该simulate函数模拟多因素模型。默认情况下,使用高斯copula。此函数在内部将已实现的潜在变量映射到默认状态,并计算相应的损失。在模拟之后,creditDefaultCopula对象使用模拟结果填充PortfolioLosses和CounterpartyLosses属性。
cc = simulate(cc,1e5);
DISP(CC)
creditDefaultCopula with properties:
FactorCorrelation:[2x2 double]
VaRLevel:0.9900
PortfolioLosses:[1x100000双]
该portfolioRisk函数返回总投资组合损失分布的风险度量,并且可选地返回它们各自的置信区间。VaRLevel在creditDefaultCopula对象的属性中设置的级别报告风险值(VaR)和条件风险值(CVaR)。
[pr,pr_ci] = portfolioRisk(cc);
fprintf('投资组合风险指标:\ n');
DISP(PR)
fprintf('\ n \ n风险衡量的保密间隔:\ n');
DISP(pr_ci)
投资组合风险衡量
EL Std VaR CVaR
______ ______ ______ ______
24.774 23.693 101.57 120.22
风险衡量的置信区间:
EL Std VaR CVaR
________________ ________________ ________________
_______________
24.627 24.92 23.589 23.797 100.65 102.82 119.1 121.35
看看投资组合损失的分布。预期损耗(EL),VaR和CVaR标记为垂直线。由VaR和EL之间的差异给出的经济资本显示为EL和VaR之间的阴影区域。
plotline =
@(x,color)plot([xx],ylim,'LineWidth',2,'Color',color);
cvarline = plotline(pr.CVaR,'m');
%遮蔽预期损失和经济资本的领域。
plotband = @(x,color)patch([x fliplr(x)],[0 0
repmat(max(ylim),1,2)],...
color,'FaceAlpha',0.15);
elband = plotband([0 pr.EL],'blue');
ulband = plotband([pr.EL pr.VaR],'red');
找出交易对手的集中风险
使用该riskContribution函数查找投资组合中的集中度风险。riskContribution返回每个交易对手对投资组合EL和CVaR的贡献。这些附加值贡献与相应的总投资组合风险度量相加。
rc = riskContribution(cc);
报告EL和CVaR的风险贡献百分比。
RC(1:5,:)
ans =
5x5表
ID EL Std VaR CVaR
__ _________ __________ _______ _________
1 0.038604 0.02495 0.10482 0.12868
2 0.067068 0.036472 0.17378 0.24527
3 1.2527 0.62684 2.0384 2.3103
4 0.0023253 0.00073407 0 0.0026274
5 0.11766 0.042185 0.27028 0.26223
通过CVaR贡献找出风险最大的交易对手。
[rc_sorted,idx] = sortrows(rc,'CVaR','descend');
rc_sorted(1:5,:)
ans =
5x5表
ID EL Std VaR CVaR
__ _______ ______ ______ ______
89 2.261 2.2158 8.1095 9.2257
22 1.5672 1.8293 6.275 7.4602
66 0.85227 1.4063 6.3827 7.2691
16 1.6236 1.5011 5.8949 7.1083
绘制交易对手风险和CVaR贡献。具有最高CVaR贡献的交易对手以红色和橙色绘制。
pointSize = 50;
colorVector = rc_sorted.CVaR;
scatter(cc.Portfolio(idx,:)。EAD,rc_sorted.CVaR,...
pointSize,colorVector,'filled')
colormap('jet')
用置信带研究模拟收敛性
使用该confidenceBands函数来研究模拟的收敛性。默认情况下,会报告CVaR置信区间,但使用可选RiskMeasure参数支持所有风险度量的置信区间。
cb = confidenceBands(cc);
%置信带存储在表格中。
CB(1:5,:)
ans =
5x4表
NumScenarios降低CVaR上限
____________ ______ ______ ______
1000 113.92 124.76 135.59
2000 111.02 117.74 124.45
3000 113.58 118.97 124.36
4000 113.06 117.44 121.81
5000 114.38 118.99 123.6
绘制置信区间以查看估算收敛的速度。
找到必要数量的方案以获得特定宽度的置信区间。
width =(cb.Upper - cb.Lower)./ cb.CVaR;
plot(cb.NumScenarios,width * 100,'LineWidth',2);
%找到置信带在
%CVaR的1%(双侧)范围内的点。
thresh = 0.02;
scenIdx = find(width <= thresh,1,'first');
scenValue = cb.NumScenarios(scenIdx);
widthValue = width(scenIdx);
比较Gaussian和t Copulas的尾部风险
切换到t copula会增加交易对手之间的默认关联。这导致投资组合损失的尾部分布更加严重,并且在压力情景中导致更高的潜在损失。
cc_t = simulate(cc,1e5,'Copula','t');
pr_t = portfolioRisk(cc_t);
了解投资组合风险如何随着t copula而变化。
高斯copula的投资组合风险:
EL Std VaR CVaR
______ ______ ______ ______
24.774 23.693 101.57 120.22
t copula的投资组合风险(dof = 5):
EL Std VaR CVaR
______ ______ ______ ______
24.924 38.982 186.33 251.38
比较每种型号的尾部损失。
使用具有五个自由度的t copula,尾部风险测量值VaR和CVaR显着更高。t copulas
的默认相关性较高,因此有多个交易对手默认的情况更多。自由度的数量起着重要作用。对于非常高的自由度,使用t
copula的结果与使用高斯copula的结果相似。五是自由度非常低,因此结果显示出显着的差异。此外,这些结果强调极端损失的可能性对于copula的选择和自由度的数量非常敏感。
matlab 求集中度,matlab代写使用Copula仿真优化市场风险数据VaR分析相关推荐
- matlab使用Copula仿真优化市场风险数据VaR分析
使用Copula建模相关默认值 此示例探讨了如何使用多因素copula模型模拟相关的交易对手违约. 相关视频:Copula算法原理和R语言股市收益率相依性可视化分析 Copula算法原理和R语言股市收 ...
- matlab使用Copula仿真优化市场风险
使用Copula仿真优化市场风险 此示例演示了我们使用具有胖尾边缘分布的多变量copula模拟计算投资组合的风险价值和条件风险值(预期缺口)的项目过程.然后使用模拟来计算最优风险收益组合的有效前沿. ...
- matlab仿真转表格,simulink导出excel表格数据-求高手!谁知道怎样把simulink仿真后结果数据导到e......
怎样在一个软件系统中导出数据到EXCEL表格 使 xlswrite()函数可以将matlab中数据保到excel中,请看下子: >> data = magic(5) % 示例数据 data ...
- matlab求点,MATLAB求两点中点
已知两点坐标,连接这两点,求线段的中点坐标.有没有什么公式啊? A(x1,y1).B(x2,y2),则AB中点是M((x1+x2)/2,(y1+y2)/2) 如何用MATLAB做出一个求两点间最短距离 ...
- matlab求近似解,matlab求近似解
. 实验一 方程根的近似计算 一.问题 求非线性方程的根 二.实验目的 1.学会使用 matlab 中内部函数 roots.solve.fsolve.fzero 求解方程,并 用之解决实际...... ...
- matlab求两点间距离,matlab如何求一个N*2的矩阵的任意两点间的距离?
matlab如何求一个N*2的矩阵的任意两点间的距离? mip版 关注:64 答案:3 悬赏:0 解决时间 2021-02-23 20:55 已解决 2021-02-23 16:37 假设有个矩 ...
- matlab进气过程源程序,基于Matlab/WAVE的汽油机工作过程的联合仿真优化
内燃机的发展方向是在满足未来排放要求的前提下,获得最大的动力性和最好的经济性,并且要求在最短的时间内,以最少的成本设计出最优产品[1].这就要求内燃机的方案设计必须与仿真计算和优化计算结合起来,进行最 ...
- 怎么用matlab求特征向量,MATLAB用eig()函数求【特征值】【特征向量】【归一化
在MATLAB中,计算矩阵A的特征值和特征向量的函数是eig(A),常用的调用格式有 5种: (1) E=eig(A):求矩阵A的全部特征值,构成向量E. 想求最大特征值用:max(eig(A))就好 ...
- matlab求能量,matlab实现无线传感器网络DV-HOP算法中如何计算能量损耗
该楼层疑似违规已被系统折叠 隐藏此楼查看此楼 老师让我们用MATLAB实现无线传感器网络DV-HOP算法,然后根据下列文字编写代码计算能量损耗: 目前,在低能量无线电通信领域有大量的研究.无线电通信特 ...
最新文章
- mysql innodb_data_file_path_关于innodb_data_file_path设置
- python sqlite和mysql_python怎么与mysql、sqlite数据库通信——适配器:DB-API
- mysql 两张表合并查询_中级数据分析-多表查询
- Mongodb带验证的主从复制架构
- html做app的切换效果,Vue-router结合transition实现app动画切换效果实例分享
- 乱码385b1b926a38153d38957556c0dc55b5
- 力扣——无重复字符的最长子串
- python数据结构之图深度优先和广度优先
- 免费有理—五款免费的网络管理工具介绍
- 2.前端开发命名规范
- 教师个人三年发展规划
- 【翻译】2020年云安全综合指南(风险,最佳实践,认证)
- php将文本文件中的内容呈现到一个表格中
- File类之文件目录常用操作
- 刷新 翻看 我 关注 实时 疫情 物联网卡小知识:互联网流量卡vs物联网流量卡孰优孰劣?
- AutoCAD 2021 for Mac(cad2021)中文版
- 【编程语言】为什么我们更喜欢 Go 作为后端? Why we prefer Go for Backend
- 手机热点中的AP频段2.4GHz和5.0GHz有什么区别?
- python服务器怎么获取时间_科学网—python 笔记及示例(三)从时间服务器读取时间 - 钱磊的博文...
- ZYNQ之FPGA LED 灯闪烁实验