R语言Copula模型分析股票市场板块相关性结构

简介: R语言Copula模型分析股票市场板块相关性结构

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。

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 . 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 <- kde2d
contour
# 现在从两个具有相同相关性进行模拟。
smnom <- rmvnorm
trnorim_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 <- 0.3



persp(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分布 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@cpla
coporm@estiat
coporm@fittng.sas
coporm@va.st
print
summary
est <- coeffic # 我们自己的估计值
mycop <- mvdc
# 从拟合的copula进行模拟
simd <- rMvdc
plot

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。



相关文章
|
5月前
|
数据采集 机器学习/深度学习 数据可视化
R语言从数据到决策:R语言在商业分析中的实践
【9月更文挑战第1天】R语言在商业分析中的应用广泛而深入,从数据收集、预处理、分析到预测模型构建和决策支持,R语言都提供了强大的工具和功能。通过学习和掌握R语言在商业分析中的实践应用,我们可以更好地利用数据驱动企业决策,提升企业的竞争力和盈利能力。未来,随着大数据和人工智能技术的不断发展,R语言在商业分析领域的应用将更加广泛和深入,为企业带来更多的机遇和挑战。
|
4月前
|
数据挖掘 C语言 C++
R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。
【10月更文挑战第21天】时间序列分析是一种重要的数据分析方法,广泛应用于经济学、金融学、气象学、生态学等领域。R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。本文将介绍使用R语言进行时间序列分析的基本概念、方法和实例,帮助读者掌握R语言在时间序列分析中的应用。
79 3
|
5月前
|
数据采集 数据可视化 数据挖掘
R语言在金融数据分析中的深度应用:探索数据背后的市场智慧
【9月更文挑战第1天】R语言在金融数据分析中展现出了强大的功能和广泛的应用前景。通过丰富的数据处理函数、强大的统计分析功能和优秀的可视化效果,R语言能够帮助金融机构深入挖掘数据价值,洞察市场动态。未来,随着金融数据的不断积累和技术的不断进步,R语言在金融数据分析中的应用将更加广泛和深入。
|
5月前
|
机器学习/深度学习 算法 前端开发
R语言基础机器学习模型:深入探索决策树与随机森林
【9月更文挑战第2天】决策树和随机森林作为R语言中基础且强大的机器学习模型,各有其独特的优势和适用范围。了解并熟练掌握这两种模型,对于数据科学家和机器学习爱好者来说,无疑是一个重要的里程碑。希望本文能够帮助您更好地理解这两种模型,并在实际项目中灵活应用。
|
9月前
|
数据可视化 数据挖掘 API
【R语言实战】聚类分析及可视化
【R语言实战】聚类分析及可视化
|
9月前
|
机器学习/深度学习 数据可视化
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为2
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为
|
6月前
|
机器学习/深度学习 数据采集 数据可视化
R语言在数据科学中的应用实例:探索与预测分析
【8月更文挑战第31天】通过上述实例,我们展示了R语言在数据科学中的强大应用。从数据准备、探索、预处理到建模与预测,R语言提供了完整的解决方案和丰富的工具集。当然,数据科学远不止于此,随着技术的不断发展和业务需求的不断变化,我们需要不断学习和探索新的方法和工具,以更好地应对挑战,挖掘数据的潜在价值。 未来,随着大数据和人工智能技术的普及,R语言在数据科学领域的应用将更加广泛和深入。我们期待看到更多创新的应用实例,为各行各业的发展注入新的动力。
|
6月前
|
数据采集 存储 数据可视化
R语言时间序列分析:处理与建模时间序列数据的深度探索
【8月更文挑战第31天】R语言作为一款功能强大的数据分析工具,为处理时间序列数据提供了丰富的函数和包。从数据读取、预处理、建模到可视化,R语言都提供了灵活且强大的解决方案。然而,时间序列数据的处理和分析是一个复杂的过程,需要结合具体的应用场景和需求来选择合适的方法和模型。希望本文能为读者在R语言中进行时间序列分析提供一些有益的参考和启示。
|
6月前
|
资源调度 数据挖掘
R语言回归分析:线性回归模型的构建与评估
【8月更文挑战第31天】线性回归模型是统计分析中一种重要且实用的工具,能够帮助我们理解和预测自变量与因变量之间的线性关系。在R语言中,我们可以轻松地构建和评估线性回归模型,从而对数据背后的关系进行深入的探索和分析。
|
6月前
|
机器学习/深度学习 数据采集
R语言逻辑回归、GAM、LDA、KNN、PCA主成分分类分析预测房价及交叉验证
上述介绍仅为简要概述,每个模型在实施时都需要仔细调整与优化。为了实现高度精确的预测,模型选择与调参是至关重要的步骤,并且交叉验证是提升模型稳健性的有效途径。在真实世界的房价预测问题中,可能还需要结合地域经济、市场趋势等宏观因素进行综合分析。
110 3