基于局部相关系数和截尾扭曲混合Copula的杠杆效应识别和度量

doi:10.16381/j.cnki.issn1003-207x.2018.1833

中国管理科学 ›› 2020, Vol. 28 ›› Issue (7): 68-76.doi: 10.16381/j.cnki.issn1003-207x.2018.1833

基于局部相关系数和截尾扭曲混合Copula的杠杆效应识别和度量

沈根祥¹, 邹欣悦²

1. 上海财经大学经济学院, 上海 200433;
2. 上海对外经贸大学统计与信息学院, 上海 201620

收稿日期:2018-12-25 修回日期:2019-03-20 出版日期:2020-07-20 发布日期:2020-08-04
通讯作者: 沈根祥(1964-),男(汉族),河南许昌人,上海财经大学经济学院,教授,博士生导师,研究方向:金融计量经济学、金融市场数量分析,E-mail:sgxman@shufe.edu.cn. E-mail:sgxman@shufe.edu.cn
基金资助:
国家社科基金重大项目（16ZDA031）

Identification and Measurement of Leverage Effects Using Local Correlation and Truncated Distorted Mix Copula Constructing

SHEN Gen-xiang¹, ZOU Xin-yue²

1. School of Economics, Shanghai University of Finance and Economics, Shanghai 200433, China;
2. School of Statistics and Information, Shanghai University of International Business and Economcs, Shanghai 201620, China

Received:2018-12-25 Revised:2019-03-20 Online:2020-07-20 Published:2020-08-04

摘要/Abstract

摘要： 作为风险资产收益和波动之间关系的度量，杠杆效应是金融市场数据三大分布特征之一，在波动预测、资产定价和风险管理中起着重要作用。日内高频数据计算的已实现波动作为波动的代理变量，解决了波动不能观测的问题，实现了用波动和收益直接建模捕捉杠杆效应。深入了解收益和已实现波动的相关模式并以此构建二者的联合分布是正确度量杠杆效应的关键。本文以局部相关系数为工具研究收益和波动在不同取值范围内的相关性变化，实证研究结果表明，与负收益冲击引起波动增加一样，正收益冲击也会引起波动增加，这与传统杠杆效应理论并不一致，与Chen和Ghysels（2011）对美国股票市场的实证结果一致。为正确捕捉和度量实证结果反映出的杠杆效应，在扭曲混合Copula构造方法基础上，本文用截尾扭曲函数构造扭曲混合Copula，以此作为收益和已实现波动的联合分布，再现收益和已实现波动的局部相关性特征。以上证综指2013.1.29日至2017.4.30区间内日内1分钟高频数据为样本进行实证分析表明，本文构造的Copula函数具有和实际数据一致的局部相关特征，能够正确刻画市场表现出的杠杆效应。Copula拟合优度的非参数检验表明，实际数据不拒绝本文构造的Copula函数，而现有文献采用的单成分Copula函数和两成分混合Copula函数均被拒绝。本文为收益和已实现波动的联合建模提供参考，具有基础重要性。

关键词: 杠杆效应, 已实现波动, Copula, 局部相关系数

Abstract: It is found the empirical evidence in China stock market that the dependence structure between the asset's return and its volatility measured by realized volatility, so-called the leverage effect, have a special correlation pattern in terms of local correlation, which is not consistent with that implied by typical leverage effect assumption,but consistent with the findings about American equity market in Chen and Ghysels (2011). The distortion mixture method of Li et al. (2014) is employed to construct Copulas to capture the tail dependence in real data, and tailor the quadratic distortion functions by truncation to mitigate the confounding of the components Copula in the mixture. The closeness of the local correlation pattern of the estimated local correlations using simulated data from the constructed Copulas to that of real data shows that the Copulas proposed in this paper capture the correlation features in real data well, and the nonparametric goodness-of-fit test confirms the validity of the Copula further.

Key words: leverage effect, realized volatility, copula, local correlationship

中图分类号:

F830.9

沈根祥, 邹欣悦. 基于局部相关系数和截尾扭曲混合Copula的杠杆效应识别和度量[J]. 中国管理科学, 2020, 28(7): 68-76.

SHEN Gen-xiang, ZOU Xin-yue. Identification and Measurement of Leverage Effects Using Local Correlation and Truncated Distorted Mix Copula Constructing[J]. Chinese Journal of Management Science, 2020, 28(7): 68-76.

参考文献

[1] Lai Yusheng,Sheu Herjiun. On the importance of asymmetric for dynamic hedging during the subprime crises[J]. Applied Financial Ecomomics, 2011, 21(11):801-813.
[2] 吴恒煜,朱福敏,温金明. 带杠杆效应的无穷跳跃Levy过程期权定价[J]. 管理科学学报,2014,17(8):74-94.
[3] Anderson T G, Bollerslev T, Diebold F X. Parametric and nonparametric volatility measurement[M]//Ait-Sahalia T, Hansen L P. Handbook of Financial Econometrics, North Holland, 2010.
[4] Hansen P R, Huang Z, Shek H. Realized GARCH:A joint model of Returns and realized measures of volatility[J]. Journal of Applied Econometrics, 2012, 27:877-906.
[5] Hansen P R, Huang Z. Exponential GARCH modeling with realized measures of volatility[J]. Journal of Business and Economic Statistics, 2016, 34(2):269-287.
[6] Shephard N, Sheppard K. Realizing the future:Forecasting with high frequency based volatility(HEAVY) models[J]. Journal of Applied Econometrics, 2010, 25:197-231.
[7] 沈根祥, 邹欣悦.已实现波动GAS-HEAVY模型及其实证研究[J]. 中国管理科学,2019,27(1):1-10.
[8] Opschoor A, Janus P, Lucas A, et al. New HEAVY models for fat-tailed realized covariance and returns[J]. Journal of Business and Economic Statistics, 2018,36(4):643-657.
[9] Ning C, Xu D,Wirjanto T S.Modelling leverage effect with Copulas and realized volatility[J]. Finance Research Letters, 2008,5(4):221-227.
[10] 吴鑫育,任森春,马超群,等.中国股票市场的时变杠杆效应研究-基于随机Copula模型的实证分析[J]. 管理科学学报,2017,20(9):70-84.
[11] Chen Xilong, Ghysels E.News-good or bad-and its impact on volatility predictions over multiple horizons[J]. Review of Financial Studies,2011, 24(1):46-81.
[12] Tjøstheim D, Hufthammer K O. Local Gaussian correlation:A new measure of dependence[J]. Journal of Econometrics, 2013, 172(1):33-48.
[13] Li Lujun, Yuen K C, Yang Jingping. Distorted mix method for constructing Copulas with tail dependence[J]. Insurance:Mathematics and Economics, 2014, 57(1):77-89.
[14] Genest G, Bemillard B, Beaudoin D. Goodness-of-fit test for Copulas:A review and power study[J]. Insurance:Mathematics and Economics, 2009, 44:199-213.
[15] Berentsen G D, Kleppe T S, Tjøstheim D. Introducing localgauss, an R package for estimating and visualizing local Gaussian correlation[J]. Journal of Statistical Software, 2014, 56(1):1-18.
[16] Barndorff-Nielsen O, Hansen P, Lunde A, et al. Realized kernels in practice:Trades and quotes[J]. Econometrics Journal, 2009, 12:1-33.
[17] Patton A J. A review of Copula models for economic time series[J]. Journal of Multivariate Analysis, 2012, 110(5):4-18.

基于局部相关系数和截尾扭曲混合Copula的杠杆效应识别和度量

Identification and Measurement of Leverage Effects Using Local Correlation and Truncated Distorted Mix Copula Constructing

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10

[1]	苑慧玲, 徐路, 周勇. 带有市场交易信息和随机微观噪声下的杠杆效应研究[J]. 中国管理科学, 2020, 28(9): 12-22.
[2]	赵华, 肖佳文. 考虑微观结构噪声与测量误差的波动率预测[J]. 中国管理科学, 2020, 28(4): 48-60.
[3]	王未卿, 刘祥东, 李慧忠. 房地产股票投资能对冲通货膨胀吗？——基于Markov转换GRG copula的相关性测度研究[J]. 中国管理科学, 2020, 28(12): 23-34.
[4]	柴尚蕾, 周鹏. 基于非参数Copula-CVaR模型的碳金融市场集成风险测度[J]. 中国管理科学, 2019, 27(8): 1-13.
[5]	郑尊信, 王华然, 朱福敏. 基于Levy-GARCH模型的上证50ETF市场跳跃行为与波动特征研究[J]. 中国管理科学, 2019, 27(2): 41-52.
[6]	周利国, 何卓静, 蒙天成. 基于动态Copula的企业集团信用风险传染效应研究[J]. 中国管理科学, 2019, 27(2): 71-82.
[7]	沈根祥, 邹欣悦. 已实现波动GAS-HEAVY模型及其实证研究[J]. 中国管理科学, 2019, 27(1): 1-10.
[8]	朱晓谦, 李靖宇, 李建平, 陈懿冰, 魏璐. 基于危机条件概率的系统性风险度量研究[J]. 中国管理科学, 2018, 26(6): 1-7.
[9]	叶五一, 谭轲祺, 缪柏其. 基于动态因子Copula模型的行业间系统性风险分析[J]. 中国管理科学, 2018, 26(3): 1-12.
[10]	余乐安, 查锐, 贺凯健, 汤铃. 国际油价与中美股价的相依关系研究——基于不同行业数据的分析[J]. 中国管理科学, 2018, 26(11): 74-82.
[11]	陈声利, 李一军, 关涛. 基于四次幂差修正HAR模型的股指期货波动率预测[J]. 中国管理科学, 2018, 26(1): 57-71.
[12]	赵宁, 于方坤, 由申, 汪振双. 基于Frank-Copula贝叶斯估计的系统性风险对样本标度的敏感性分析[J]. 中国管理科学, 2018, 26(1): 72-80.
[13]	宋亚琼, 王新军. 基于动态估计误差的中国股市波动率建模与预测[J]. 中国管理科学, 2017, 25(9): 19-27.
[14]	杨坤, 于文华, 魏宇. 基于R-vine copula的原油市场极端风险动态测度研究[J]. 中国管理科学, 2017, 25(8): 19-29.
[15]	许启发, 李辉艳, 蒋翠侠. 基于Copula-分位数回归的供应链金融多期贷款组合优化[J]. 中国管理科学, 2017, 25(6): 50-60.