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 ...

R语言Copula模型分析股票市场板块相关性结构

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

R语言Copula模型分析股票市场板块相关性结构相关推荐

最新文章

热门文章