R语言Copula模型分析股票市场板块相关性结构|附代码数据

 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。
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。

 

par(mfrow=c(3,1)) # 分割屏幕

apply(tm, 2, hist,xlab="", col = "azue") # 绘制

 

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

 

 

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-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@cpla

coporm@estiat
[e-mail]

[e-mail]

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。

---