金融资产间极值依赖的截面学习
风险管理
2020-01-14 v3
摘要
我们提出了一种新颖的概率模型，以促进对多个金融资产多元尾部依赖的学习。我们的方法允许从已知随机向量（例如标准正态）构造复杂的联合重尾随机向量，其不仅具有各异的边际尾部厚度，而且具有灵活的尾部依赖结构。其新颖性在于任意两个维度之间的成对尾部依赖与其相关性分开建模，并且可以依据其自身参数而非相关性参数分别变化，这是相对于许多常用方法（如多元 或椭圆分布）的本质优势。与 copula 方法相比，它也更直观易解释、易于追踪且易于采样。我们通过模拟展示了其灵活的尾部依赖结构。结合 GARCH 模型以消除各资产收益序列的序列依赖，我们使用该新颖方法对股票收益的多元条件分布进行建模与预测，并在多维覆盖检验中获得了显著的性能提升。此外，我们关于特质性成分与市场成分尾部不对称性的实证发现颇具趣味，值得未来深入研究。
引用
@article{arxiv.1905.13425,
title = {Cross-sectional Learning of Extremal Dependence among Financial Assets},
author = {Xing Yan and Qi Wu and Wen Zhang},
journal= {arXiv preprint arXiv:1905.13425},
year = {2020}
}