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。

内容

导入支持历史数据集
可视化标准化价格
退货和边际分配
Copula校准
Copula模拟
计算单周期模拟VaR
组合优化
以给定的回报水平计算投资组合

导入支持历史数据集

使用Datafeed Toolbox的API导入我们将在本练习中建模的不同资产类别的市场数据

SPY：标准普尔500指数
EEM：新兴市场股票
TLT：20年期国债（iShares Barclays）
COY：美国高收益债券
gsp：大宗商品（iPath S＆P GSCI总回报指数）
RWR：房地产（房地产投资信托指数）

names = { 'SPY'，'EEM'，'TLT'，'COY'，'GSP'，'RWR' };startPeriod = '2009-10-01' ;endPeriod = '2013-06-24' ;[date，prices，ds] = importFeedPrices（names，startPeriod，endPeriod）;

可视化标准化价格

该图显示了每个指数的相对价格走势。每个指数的初始水平已经标准化为统一，以便于比较历史记录中的相对表现。

plot（date，normPrices），datetick（'x'），xlabel（'Date'），ylabel（'Index Value'）;
title（'Normalized Daily Index Closings'）;

边际分布

为准备copula建模，单独描述每个指数的回报分布。虽然每个回归序列的分布可以参数化地表征，但是使用具有广义Pareto尾部的分段分布来拟合半参数模型是有用的。这使用极值理论来更好地表征每个尾部的行为。

return = price2ret（ ）;

tailFraction = 0.1;marginal {i} = paretotails（return（：，i），tailFraction，1 - tailFraction，'kernel'）;

SPY的边际分布：

分段分布有3个部分

-Inf <x <-0.0125822（0 <p <0.1）：下尾，GPD（0.0380262,0.0084794）-0.0125822 <x <0.01286（0.1 <p <0.9）：内插内核平滑cdf0.01286 <x <Inf（0.9 <p <1）：上尾，GPD（0.0511828,0.00671413）

EEM的边际分布：

分段分布有3个部分

-Inf <x <-0.0186259（0 <p <0.1）：下尾，GPD（-0.00289033,0.0126097）

-0.0186259 <x <0.0185703（0.1 <p <0.9）：内插内核平滑cdf

0.0185703 <x <Inf（0.9 <p <1）：上尾，GPD（0.0326916,0.00981892）

TLT的边际分布：

分段分布有3个部分

-Inf <x <-0.0132814（0 <p <0.1）：下尾，GPD（0.137056,0.00414294）

-0.0132814 <x <0.0128738（0.1 <p <0.9）：内插内核平滑cdf

0.0128738 <x <Inf（0.9 <p <1）：上尾，GPD（0.027114,0.00583448）

COY的边际分布：

分段分布有3个部分

-Inf <x <-0.0105025（0 <p <0.1）：下尾，GPD（0.47441,0.00485515）

-0.0105025 <x <0.011195（0.1 <p <0.9）：内插内核平滑cdf

0.011195 <x <Inf（0.9 <p <1）：上尾，GPD（0.177151,0.00500233）

GSP的边际分布：

分段分布有3个部分

-Inf <x <-0.0161561（0 <p <0.1）：下尾，GPD（-0.0382412,0.0103328）

-0.0161561 <x <0.016506（0.1 <p <0.9）：内插内核平滑cdf

0.016506 <x <Inf（0.9 <p <1）：上尾，GPD（-0.134845,0.00778651）

RWR的边际分布：

分段分布有3个部分

-Inf <x <-0.0172097（0 <p <0.1）：下尾，GPD（-0.00540337,0.0114245）

-0.0172097 <x <0.0168041（0.1 <p <0.9）：内插内核平滑cdf

0.0168041 <x <Inf（0.9 <p <1）：上尾，GPD（0.0302092,0.0117143）

得到的分段分布对象允许在CDF内部进行插值并在每个尾部进行外推（函数评估）。外推允许估计历史记录之外的分位数，这对于风险管理应用是非常宝贵的。在这里，我们将paretoTail分布产生的拟合与正态分布的拟合进行比较。

index = 1;dist = marginal {index};CLFh = probplot（gca，@ dist.cdf）;set（h，'Color'，'r'）;title（[ 'Semi-Parametric / Piecewise Probability Plot：' names {index}]）

Copula拟合

我们使用统计工具箱功能来校准和模拟数据。

使用每日索引返回，使用函数copulafit估计高斯和t copula的参数。由于在标量自由度参数（DoF）变得无限大时，copula变为高斯copula，因此两个copula实际上属于同一族，因此共享线性相关矩阵作为基本参数。

统计工具箱软件提供了两种在copula校准的技术：以下代码段首先通过上面导出的分段半参数CDF将每日居中的回报转换为均匀变量。然后它将Gaussian和t copula拟合到转换后的数据：

[〜，ax] = plotmatrix（U）; title（'拟合Copula之前的转换回报'）;

估算copula的参数。注意从t copula校准获得的相对较低的自由度参数，表明明显偏离高斯情况。

[rho，DoF] = copulafit（'t'，U，'ApproximateML'）rhoT =1 0.88229 -0.59693 0.40875 0.58027 0.814850.88229 1 -0.52371 0.38906 0.63175 0.73608-0.59693 -0.52371 1 -0.28404 -0.37285 -0.431140.40875 0.38906 -0.28404 1 0.2953 0.362070.58027 0.63175 -0.37285 0.2953 1 0.470970.81485 0.73608 -0.43114 0.36207 0.47097 1DoF =9.5014

估计的相关矩阵与线性相关矩阵相似但不相同

corrcoef（return） 每日收益的％线性相关矩阵ans =1 0.89745 -0.61065 0.4677 0.59174 0.837170.89745 1 -0.54167 0.45612 0.63322 0.76712-0.61065 -0.54167 1 -0.30377 -0.3918 -0.444290.4677 0.45612 -0.30377 1 0.33312 0.435250.59174 0.63322 -0.3918 0.33312 1 0.491610.83717 0.76712 -0.44429 0.43525 0.49161 1

Copula模拟

现在已经估计了copula参数，使用copularnd函数模拟联合依赖的均匀变量。

然后，通过外推Pareto尾部并对平滑后的内部进行插值，通过每个索引的逆CDF 将从copularnd导出的均匀变量转换为每日居中返回。这些模拟的居中回报与从历史数据集获得的回归一致。假设回报在时间上是独立的，但在任何时间点都具有由给定的copula引起的依赖性和等级相关性。

nPoints = 10000; ％＃模拟观测值

计算单周期模拟VaR

来自copula模型的多变量模拟可用于计算样本组合的风险值和预期不足（CVaR）。

视频：风险价值VaR原理与Python蒙特卡罗Monte Carlo模拟计算投资组合实例

风险价值VaR原理与Python蒙特卡罗Monte Carlo模拟计算投资组合实例

，时长10:03

％样本组合组件权重wts = [.1 .2 .3 .2 .1 .1]';％从模拟组件返回生成组合返回portReturns = R * wts;％计算VaRvar = -prctile（portReturns，1）;cvar = -mean（portReturns（portReturns <-var））;％与正态分布比较R2 = mvnrnd（mean（returns），cov（returns），10000）;normReturns = R2 * wts;var2 = -prctile（normReturns，1）;cvar2 = -mean（normReturns（normReturns <-var2））;disp（'Copula Value-at-Risk ----------------------'）;fprintf（'99 %% VaR：％0.2f %% \ n99 %% CVaR：％0.2f %% \ n \ n'，var * 100，cvar * 100）;disp（'多变量正常风险值---------'）;fprintf（'99 %% VaR：％0.2f %% \ n99 %% CVaR：％0.2f %% \ n \ n'，var2 * 100，cvar2 * 100）;Copula风险价值----------------------99％的风险价值：1.78％99％CVaR：2.58％多变量正常风险值---------99％VaR：1.49％99％CVaR：1.71％

组合优化

以前，我们使用模拟回报来计算样本组合的风险。相反，我们可以找到一个最佳投资组合（权重），为我们提供一定的回报风险。我们可以使用PortfolioCVaR框架来完成此任务。

p = PortfolioCVaR（'ProbabilityLevel'，。99，'AssetNames'，名称）;p = p.setScenarios（R）;portRet = p.estimatePortReturn（wts）;CLFvisualizeFrontier（p，portRisk，portRet）;

以给定的回报水平计算投资组合

wt = p.estimateFrontierByReturn（.05 / 100）;TOC;pRisk = p.estimatePortRisk（wt）;pRet = p.estimatePortReturn（wt）;

经过的时间是0.635017秒。

matlab使用Copula仿真优化市场风险相关推荐

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 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creditDefault ...
matlab和ansys联合优化,MATLAB与HFSS联合建模与仿真优化详细介绍
[实例简介] 本文详细介绍了MATLAB与HFSS的联合优化方法,并介绍了基于粒子群算法的阻抗调制表面天线的副瓣优化流程 1. Tools→ Record script to file,保持类型选择( ...
基于仿真的优化 matlab ansys,桁架结构优化的MATLAB和ANSYS联合仿真
马学莉等 :桁架结构优化的 MATLAB和ANSYS联合仿真桁架结构优化的 MATI,AB和 ANSYS联合仿真马学莉, 杨海霞 [河海大学工程力学系. 南京 210098) [摘要] 采用 ...
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 ...
美赛整理之理想直流伺服电机的simulink仿真优化
理想直流电机的simulink仿真优化目录理想直流电机的simulink仿真优化一.simulink背景: 二.直流伺服电机的背景: 三.直流伺服电机的工作原理: 1.直流伺服电机的闭环控制原理 ...
matlab光学几何光学模拟,matlab在几何光学仿真实验中的应用.doc
matlab在几何光学仿真实验中的应用 Matlab在几何光学仿真实验中的应用秦华冯东太山东理工大学理学院 X 关注成功! 加关注后您将方便地在我的关注中得到本文献的被引频次变化的通知! 新 ...
Matlab实现弹道仿真
1 简介在导弹的设计,研究中,弹道仿真是一项必不可少的实验工具.如何能够高效地运用MATLAB软件进行弹道全数字仿真是本文主要探讨的问题.针对这一问题,本文给出了一定条件下的弹道仿真结果,以此证明模 ...
matlab异步电机仿真,基于MATLAB的异步电动机仿真
基于MATLAB的异步电动机仿真目录 1 引言1 2 异步电动机动态数学模型2 2.1异步电动机动态数学模型的性质2 2.2三相异步电动机的多变量非线性数学模型2 2.2.1电压方程3 2.2.2 ...

matlab使用Copula仿真优化市场风险

使用Copula仿真优化市场风险

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

内容

导入支持历史数据集

可视化标准化价格

边际分布

SPY的边际分布：

EEM的边际分布：

Copula拟合

Copula模拟

计算单周期模拟VaR

视频：风险价值VaR原理与Python蒙特卡罗Monte Carlo模拟计算投资组合实例

组合优化

matlab使用Copula仿真优化市场风险相关推荐

最新文章

热门文章