matlab数据读取gpdat,matlab使用Copula仿真优化市场风险

以下代码段为每个索引返回系列创建一个paretotails类型的对象。这些Pareto尾部对象封装参数Pareto下尾部，非参数内核平滑内部和参数Pareto上尾部的估计，以为每个索引构建复合半参数CDF。

R

1

2

3

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

R

1

2

3

4

5

-Inf

-0.0125822

0.01286

EEM的边际分布：

分段分布有3个部分

-Inf

-0.0186259

0.0185703

TLT的边际分布：

分段分布有3个部分

-Inf

-0.0132814

0.0128738

COY的边际分布：

分段分布有3个部分

-Inf

-0.0105025

0.011195

GSP的边际分布：

分段分布有3个部分

-Inf

-0.0161561

0.016506

RWR的边际分布：

分段分布有3个部分

-Inf

-0.0172097

0.0168041

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。

R

1

2

3

4

5

6

7

8

9

10

11

index=1;

dist=marginal{index};

CLF

h=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：

R

1

2

3

[〜，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。

R

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

[rho，DoF]=copulafit('t'，U，'ApproximateML')

rhoT=

10.88229-0.596930.408750.580270.81485

0.882291-0.523710.389060.631750.73608

-0.59693-0.523711-0.28404-0.37285-0.43114

0.408750.38906-0.2840410.29530.36207

0.580270.63175-0.372850.295310.47097

0.814850.73608-0.431140.362070.470971

DoF=

9.5014

估计的相关矩阵与线性相关矩阵相似但不相同

R

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

corrcoef(return)每日收益的％线性相关矩阵

ans=

10.89745-0.610650.46770.591740.83717

0.897451-0.541670.456120.633220.76712

-0.61065-0.541671-0.30377-0.3918-0.44429

0.46770.45612-0.3037710.333120.43525

0.591740.63322-0.39180.3331210.49161

0.837170.76712-0.444290.435250.491611

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。

R

1

2

3

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)。

R

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

％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VaR

var = -prctile(portReturns，1);

cvar = -mean(portReturns(portReturns

％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

disp('CopulaValue-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。

R

1

2

3

4

5

6

7

8

9

10

11

p=PortfolioCVaR('ProbabilityLevel'，。99，'AssetNames'，名称);

p=p.setScenarios(R);

portRet=p.estimatePortReturn(wts);

CLF

visualizeFrontier(p，portRisk，portRet);

​

以给定的回报水平计算投资组合

R

1

2

3

4

5

6

7

wt=p.estimateFrontierByReturn(.05/100);

TOC;

pRisk=p.estimatePortRisk(wt);

pRet=p.estimatePortReturn(wt);

经过的时间是0.635017秒。