R语言Copula模型分析股票市场板块相关性结构
最近我们被客户要求撰写关于Copula的研究报告,包括一些图形和统计输出。
这篇文章是关于 copulas 和重尾的。在全球金融危机之前,许多投资者是多元化的。
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语言股市收益率相依性可视化分析
,时长16:34
看看下面这张熟悉的图:
黑线是近似正态的。红线代表Cauchy分布,它是具有一个自由度的T分布的一个特殊情况。也许是因为Cauchy和t分布混在一起。我们总是可以计算出经验方差。请看下图。这是对1自由度的t分布(红色的Cauchy分布)和5自由度的t分布(蓝色)的模拟结果。
为了比较不同的尾部行为,我们有我们所谓的尾部指数。简而言之,在几乎任何分布中,某个阈值之后的观测值(比如说最差的5%的情况下的观测值)都是渐进式的帕累托分布。
其中x_m是截止点,α将决定尾巴的形状。α也被称为尾部指数。
现在大家都知道,金融收益呈现出厚尾。这使得保持投资组合为左尾事件做好准备变得更加重要,因为在那个区域,由于相关性的增加,你会同时受到所有资产的影响(正如金融危机所证明的那样)。在这个讨论中,copulas发挥了重要的作用。copulas的概念是相当巧妙的。copula这个词起源于拉丁语,它的意思是捆绑。当我们有两个(或更多)资产类别的收益,我们可以假设或模拟它们的分布。做完这些之后,我们可以把它们 "粘贴 "在一起,只对相关部分进行建模,而不考虑我们最初对它们各自分布的建模方式。怎么做?
我们从英国统计学家 Ronald Fisher 开始,他在 1925 年证明了一个非常有用的性质,即任何连续随机变量的累积分布函数都是均匀分布的。形式上,对于任何随机变量 X,如果我们表示 作为 X 的累积分布,则 。请记住,当我们说 ,它仅意味着概率, 。这就是 [0,1] 的来源,因为它只是一个概率。从三种不同的分布进行模拟:指数、伽玛和学生-t,变换它们并绘制直方图:
par(mfrow=c(3,1)) # 分割屏幕apply(tm, 2, hist,xlab="", col = "azue") # 绘制
您可以通过这种方式转换任何连续分布。现在,将两个变换后的随机数表示为 和 . 我们可以将它们“绑定”(copula): . 其中, 是一些函数,并且因为原始变量是“不可见的”(当我们将其转换为 Uniform 时消失了),所以我们现在只讨论两个变量之间的相关性。例如 可以是具有一些相关参数的二元正态分布。我不会在这里写出双变量正态密度,但它只是一个密度,因此,它将说明在中心地带观察到两个变量在一起的概率,和/或在尾部一起的概率。这是绕过原始变量的分布,只谈相关结构的一种方式。
现在让我们对金融和消费必需品之间的相关结构进行建模。从拉取数据开始:
da0 = (getSymbols(sym[1])for (i in 1:l){da0 = getSymbols
w <- dailyReturn
w0 <- cbind(w0,w1)}apply(rt0, 2, mean) # 定义平均数apply(rt0, 2, var) # 和标准差cor(et0) # 无条件的相关关系。
我们现在要做的是按照讨论的方法对数据进行转换(称之为概率积分转换),并将其绘制出来。同时,我们模拟两个具有相同(量化-非条件)相关性的随机常模,并比较这两个数字。
desiy <- kde2dcontour# 现在从两个具有相同相关性进行模拟。smnom <- rmvnormtrnorim_rm <- appl
mdni_im <- kde2d
plot
contour
title
乍一看,这两个数字看起来差不多。但更详细的观察发现,角落更快地收敛到(0,0)、(1,1)坐标。这也是由这些区域的深色等值线颜色表明的。请记住,模拟数据使用的是与真实数据相同的经验相关性,所以我们在这里讨论的其实只是结构。
现在让我们生成一个copula函数,我们可以用它来 "包裹 "或 "捆绑 "我们的转换后的收益。我们定义了一个重尾(df=1)和一个轻尾(df=6)的copula。我们可以直观地看到这个函数实际上是什么样子的。这样做的方式与我们可视化正态密度的方式差不多,但现在因为它是一个双变量函数,所以它是一个三维图。
she <- 0.3persp(colahevy)
接下来你可以看到通常的相关性度量是相同的,除了尾部指数,因为我们只讨论结构,而不是大小。
tau(colight)
tau(coheavy)
rho(colight)
rho(copheavy)
tailIpulight)
tailIheavy)
上下尾不一定相同。这只是 t-copula 是对称函数的一个特征。在应用中,应该使用更真实的非对称 copula。
现在我们定义边缘,并估计 copula 参数。为简单起见,我为收益定义了 Normal 边缘分布,但 copula 仍然是 t-dist 且重尾:
# 用从数据中估计的参数来定义你的边际。copurmal <- mvdc# 拟合copula。这个函数的默认值是隐藏警告,所以如果发生错误。# 添加 "hideWarnings=FALSE",这样它就会告诉你是否有什么错误coporm <- fitMvdc该函数返回一个有那些可用的S4类。copurm@mvc@cplacoporm@estiat
coporm@fittng.sascoporm@va.stprint
summary
est <- coeffic # 我们自己的估计值mycop <- mvdc# 从拟合的copula进行模拟simd <- rMvdcplot
相关结构看起来还不错--但你肯定可以看到正态边缘是不够的,有几个黑点(真实数据)在红色模拟簇之外。
顺便提一下,现在我们也可以估计那些没有预先指定形状的copulas,比如正态或t,但它们本身就是估计。这属于 "非参数copulas "这个更复杂的主题。
R语言Copula模型分析股票市场板块相关性结构相关推荐
- R语言结构方程模型分析与应用
(R语言平台:模型构建.拟合.筛选及结果发表全流程:潜变量分析:组成变量分析:非线性关系处理.非正态数据.分组数据.嵌套数据分析与处理:混合效应模型:贝叶斯方法:经典案例练习及解读) 现代统计学理论和 ...
- R语言回归模型构建、回归模型基本假设(正态性、线性、独立性、方差齐性)、回归模型诊断、car包诊断回归模型、特殊观察样本分析、数据变换、模型比较、特征筛选、交叉验证、预测变量相对重要度
R语言回归模型构建.回归模型基本假设(正态性.线性.独立性.方差齐性).回归模型诊断.car包诊断回归模型.特殊观察样本分析.数据变换.模型比较.特征筛选.交叉验证.预测变量相对重要度 目录
- R语言构建生存分析(survival analysis)模型示例
R语言构建生存分析(survival analysis)模型示例 生存分析处理的是预测特定事件将要发生的时间.它也被称为失败时间分析或死亡时间分析.例如,预测癌症患者存活的天数,或者预测机械系统将要失 ...
- R语言逻辑回归预测分析付费用户
原文链接:http://tecdat.cn/?p=967 对于某企业新用户,会利用大数据来分析该用户的信息来确定是否为付费用户,弄清楚用户属性,从而针对性的进行营销,提高运营人员的办事效率(点击文末& ...
- R语言量化技术分析的百度指数关注度交易策略可视化
全文链接:http://tecdat.cn/?p=31556 传统的经济理论认为股票市场是有效的,价格波动是对市场信息的反应,投资者能够及时处理所有实时信息并做出最优决策(点击文末"阅读原文 ...
- R语言KNN模型数据分类实战
R语言KNN模型数据分类实战 目录 R语言KNN模型数据分类实战 #KNN基本原理 #案例分析 #数据集说明
- R语言回归模型协方差分析(Analysis of Covariance)
R语言回归模型协方差分析(Analysis of Covariance) 目录 R语言回归模型协方差分析(Analysis of Covariance) 输入数据 ANCOVA分析
- R语言结构方程模型(SEM)在生态学领域中的应用
前言:结构方程模型(Sructural Equation Model)是一种建立.估计和检验研究系统中多变量间因果关系的模型方法,它可以替代多元回归.因子分析.协方差分析等方法,利用图形化模型方式清晰 ...
- R语言BIOMOD2模型的物种分布模拟
随着生物多样性全球大会的举办,不论是管理机构及科研单位.高校都在积极准备,根据国家林草局最新工作指示,我国将积极整合.优化自然保护地,加快推进国家公园体制试点,构建以国家公园为主体的自然保护地体系.针 ...
最新文章
- Java总结篇系列:Java多线程(三)
- 系分考试论文实例12篇
- Java-ReentrantLock初探
- C语言中文件的基本操作函数fprintf和fscanf实例介绍
- Android中加载事件的方式
- 2017 开源软件排行_2017年最佳开源教程
- python中else和if的结合语句_python中else和if的结合语句_python中的if-else语句和字典...
- knn的python代码_详细的的KNN代码——python实现
- Module build failed: TypeError: Cannot read property 'vue' of undefined
- Vue-Router路由Vue-CLI脚手架和模块化开发 之 使用props替代路由对象的方式获取参数...
- layui 监听表单提交form.on(‘submit(sub)‘,function (){}) ajax请求失败问题
- android 创建桌面快捷方式 ShortCut
- 【Java类的封装性】封装的日期类。Person类,使用对象作为成员变量并实现深拷贝。(利用了类的封装性)
- 查看英伟达NVIDIA显卡型号
- 历史影像高清晰历史卫星影像
- MemSQL,号称世界上最快的内存数据库
- 低功耗产品ADC精确测量电池电压(电量)
- Python学习之爬虫(小甲鱼)
- 超(效)等位基因,亚(效)等位基因,反(效)等位基因,新(效)等位基因
- 企业AAA信用等级认证好处
热门文章
- 本文来深入学习Nginx/OpenResty详解,Nginx到底是个什么鬼
- android系统智能手表 开箱,安卓智能手表不知如何选择?先看评测告诉你答案
- 【董天一】Filecoin挖矿进展
- 微信公众号中如何关闭本页面
- 三洋py服务器报警h维修,三洋伺服驱动器维修报警代码 QS1A05AA 报AL22修理
- Oracle11g内存结构概述
- Learning to Learn from Noisy Labeled Data
- 探访“视障人士”智能化住所 阿里云IoT如何用物联网改变他的生活起居
- 关于云服务器那些事:如何保障中小企业的安全,顺利上云
- 海外工程项目施工安全管理,如何管?