韓超　嚴(yán)太華

摘要：

股市是經(jīng)濟的晴雨表，股市中不同行業(yè)風(fēng)險的組合計量對于金融市場和實體經(jīng)濟投資意義重大。文章采用高維動態(tài)C-Vine Copula前沿技術(shù)計量多維行業(yè)組合風(fēng)險，并且與靜態(tài)C-Vine Copula作比較。結(jié)論顯示：高維動態(tài)C-Vine Copula計量的VaR每次都能通過UC檢驗和穩(wěn)定性測試，而靜態(tài)C-Vine Copula方法每次都不能通過回溯檢驗，表明高維動態(tài)C-Vine Copula優(yōu)于靜態(tài)C-Vine Copula，可以作為股市行業(yè)風(fēng)險組合計量的一種新方法。

關(guān)鍵詞：高維動態(tài)C-Vine Copula；GPD；組合風(fēng)險計量；VaR

中圖分類號：F830.91 文獻標(biāo)志碼：A 文章編號：

10085831（2017）02004011

單一金融時間序列往往具有偏斜的尖峰厚尾特征；多維金融時間序列的聯(lián)合分布不一定是橢圓分布。對于多維金融時間序列來說，其內(nèi)部相關(guān)很可能不是線性的，傳統(tǒng)的線性相關(guān)計量可能會導(dǎo)致錯誤結(jié)論。Sklar[1]引入的Copula函數(shù)能夠較好地解決非線性、非對稱相依計量問題，契合了多維金融時間序列的統(tǒng)計特征。自Embrechts[2]以來，Copula函數(shù)逐漸應(yīng)用于金融研究領(lǐng)域，如Bouyé等[3]、Rockinger等[4]、Romano[5]、Embrechts等[6]、Rodriguez[7]、Ghorbel和Trabelsi[8]等。近期的文獻表明：高維化和動態(tài)化是Copula理論研究的前沿動向。在Copula函數(shù)行之有效的多維化拓展中，Vine-Copula代表了典型研究方向，Vine-Copula借助于Pair-Copula-Construction（PCC）構(gòu)造可以實現(xiàn)降維目的，使“維度詛咒”問題得以克服，而PCC構(gòu)造使得降維后多元變量之間兩兩相依的Copula種類選擇和參數(shù)擬合更為靈活。進一步賦予Vine-Copula參數(shù)以動態(tài)化，則產(chǎn)生高維動態(tài)Vine-Copula這一最新的研究方法，相關(guān)文獻主要有So和Yeung[9]、Reboredo和Ugolini[10]、杜子平等[11]、曹潔和程希駿[12]等。在Vine Copula的研究文獻中以C-Vine和D-Vine兩種特殊的Regular Vine（R-Vine）類型最為常見，本文采用C-Vine Copula結(jié)構(gòu)進行多元相依建模。

股市數(shù)據(jù)作為金融時間序列的重要組成部分，采用Copula函數(shù)對其相依性計量的文獻也很多，如曹潔和程希駿[12]、Berger[13]、李強等[14]、Domino和Bachowicz [15]等。股市由各行業(yè)組成，各行業(yè)之間存在著復(fù)雜的作用機制，行業(yè)風(fēng)險的組合計量方法可以擴展于測定股市整體風(fēng)險，股市行業(yè)風(fēng)險的研究為眾多學(xué)者所關(guān)注，如劉瓊芳和張宗益[15]、趙寧等[17]、張幫正和魏宇[18]、Righi和Ceretta[19]、Bartram和Wang[20]等采用Copula函數(shù)對股市行業(yè)風(fēng)險進行了相依性研究。以往的股市行業(yè)風(fēng)險研究方法，多數(shù)止步于傳統(tǒng)多元Copula，或者僅用Vine Copula對數(shù)據(jù)進行擬合，運用仿真尤其是動態(tài)仿真進而進行風(fēng)險組合計量的研究較少。針對這一研究現(xiàn)狀，本文采用高維動態(tài)C-Vine Copula進行研究，邊緣分布通過極值理論的GPD模型擬合，有效刻畫金融時間序列的極值特征，C-Vine結(jié)構(gòu)能夠突出高維變量中主導(dǎo)變量的作用，以PCC模塊突破“維度詛咒”，實現(xiàn)靈活的高維動態(tài)建模目的。研究過程中采用二階段建模方法：第一階段利用GJR-GARCH模型過濾原始序列，以GPD模型對過濾所得新息序列進行概率積分變換（PIT）；第二階段對PIT序列分別進行動態(tài)和靜態(tài)的C-Vine Copula建模比較。之后，通過（動態(tài)）Vine結(jié)構(gòu)的仿真技術(shù)計量四維行業(yè)組合風(fēng)險，對于投資者組合風(fēng)險控制與監(jiān)管層多維風(fēng)險監(jiān)管具有一定的啟示意義。舉一反三，希望此方法還可以推廣到更高維的甚至其他領(lǐng)域的研究之中。

一、理論基礎(chǔ)

（一）Copula、Vine Copula與風(fēng)險計量

相較于傳統(tǒng)的建立在線性相關(guān)和正態(tài)分布基礎(chǔ)上的研究方法而言，Copula函數(shù)能夠把具有非正態(tài)分布特征和非線性相依關(guān)系的多維變量“連接”起來，Copula函數(shù)的這一優(yōu)越特性滿足了相互聯(lián)系的多維世界的大數(shù)據(jù)數(shù)理分析要求，使其獲得大范圍的運用，尤其在多維風(fēng)險組合計量方面頗有價值。Copula函數(shù)的多維化具有廣闊的現(xiàn)實意義，傳統(tǒng)的多元Copula卻極不靈活，Vine Copula則可以實現(xiàn)降維目的，借助Pair Copula形式進行成對建模，賦予建模以模型種類和模型參數(shù)的靈活性，使多元Copula的計算大為簡化、更為可行，具有多重優(yōu)點?；诖?，Vine Copula用作多維風(fēng)險建模就有了現(xiàn)實意義，其利用Copula的連接屬性把若干風(fēng)險變量以特殊的Vine結(jié)構(gòu)粘連起來，能夠用來進行高維風(fēng)險組合計量，這一用途逐步獲得認(rèn)可，逐漸應(yīng)用到金融風(fēng)險研究領(lǐng)域。

（二）Vine的類型與排序

在Vine Copula的研究文獻中以C-Vine和D-Vine兩種特殊的Regular Vine（R-Vine）類型最為常見，其中C-Vine可以用來組織存在關(guān)鍵變量風(fēng)險因子之間的多維Copula函數(shù)關(guān)系，而D-Vine則主要用來對不存在關(guān)鍵變量的多元Copula函數(shù)進行描述，而介于C-Vine和D-Vine之間也有很多其他的Vine類型。在Vine的排列中，第一棵樹的排列尤為重要，它決定了之后樹的結(jié)點和邊的構(gòu)造。對于第一棵樹，C-Vine需要將關(guān)鍵變量置于根部，其余變量按照與根部的緊密關(guān)系依次排列；D-Vine也面臨著變量之間相關(guān)強度大小的問題，依據(jù)相關(guān)度大小排列成對變量，據(jù)以構(gòu)成樹形圖，需要注意的是D-Vine中當(dāng)一個變量被選擇兩次的時候，它不能在第一棵樹上形成新的Pair Copula對。本文的著重點在C-Vine類型的排序上。

二、高維動態(tài)Vine Copula的構(gòu)建

賦予Vine Copula的參數(shù)動態(tài)化，即可得到動態(tài)Vine Copula。動態(tài)Vine Copula在賦予Copula函數(shù)特殊結(jié)構(gòu)的同時，也賦予了Vine的結(jié)點、邊與Copula參數(shù)以動態(tài)化特征，是目前該學(xué)術(shù)領(lǐng)域的前沿研究方法。高維動態(tài)Vine Copula的構(gòu)造根據(jù)Vine的類型不同而變化，高維動態(tài)Vine Copula的h函數(shù)的求解與數(shù)據(jù)仿真是一個難點，決定了該方法能否得以順利應(yīng)用。h函數(shù)提法引自Aas等[21]。本文采用t-Copula函數(shù)形式開展研究，其動態(tài)h函數(shù)如式（4）。

本文采用兩階段建模方法擬合Vine結(jié)構(gòu)，第一階段根據(jù)邊際分布模型參數(shù)進行概率積分變換，得到PIT序列，第二階段進行Vine結(jié)構(gòu)的擬合。模型構(gòu)建步驟如下。

（1）用GJR-GARCH-SKewT模型對多元收益率序列進行過濾，模型如式（1）所示：

繼而以相應(yīng)閾值和參數(shù)的GPD模型去刻畫上下尾分布形態(tài)，以Epanechnikov核函數(shù)對數(shù)據(jù)中間區(qū)域進行平滑處理，得到較為滿意的PIT（概率積分變換）序列。

（3）對PIT序列進行動態(tài)Pair Copula建模，求出相應(yīng)的時變相關(guān)系數(shù)序列，對其求均值。這里采用的是Pair-t-Copula函數(shù)，模型表示為式（3），其中，

（4）比較高維PIT序列的兩兩相關(guān)系數(shù)均值，分析是否存在主導(dǎo)變量，以確定Vine的類型和關(guān)鍵變量，如果存在主導(dǎo)變量，則采用C-Vine。

（5）本文選擇的是C-Vine結(jié)構(gòu)，進而擬合邊和節(jié)點的參數(shù)。其中，一棵樹的邊是下一棵樹的節(jié)點，下一棵樹的節(jié)點由上一棵樹連接對應(yīng)邊的兩節(jié)點擬合的（條件）Copula函數(shù)所對應(yīng)的h函數(shù)求出。由此，不斷迭代，直到求出所有樹上的邊和節(jié)點的對應(yīng)參數(shù)。當(dāng)然這里的Vine結(jié)構(gòu)參數(shù)和h函數(shù)值都是動態(tài)數(shù)組，其中動態(tài)化的h函數(shù)表示為式（4）所示：

這里帶有下標(biāo)的ρij，t是時變的，其動態(tài)化演進服從式（5）所示的AR（1）過程：

三、高維動態(tài)Vine Copula的仿真

理論上，C-Vine Copula和D-Vine Copula的仿真算法形式是一樣的，如式（6）所示：

分別表示獨立的均勻分布元素和待仿真變量。由式（6），h逆函數(shù)對于Vine結(jié)構(gòu)的倒推和數(shù)據(jù)仿真至關(guān)重要。對于動態(tài)Vine Copula，h逆函數(shù)是動態(tài)的。動態(tài)h逆函數(shù)的條件信息集存在多個變量，求解較為復(fù)雜，我們可以通過層層推導(dǎo)把條件變量一一剔除，求出最終解。本文采用C-Vine Copula結(jié)構(gòu)開展研究，著重介紹C-Vine Copula的數(shù)據(jù)仿真方法。對于C-Vine來說，求解xit的推導(dǎo)過程如式（7），其中，xit表示要仿真的第i維變量，令w

但是，式（7）的嵌套表述是隱晦的、不直白的。接下來，為了表述方便，以靜態(tài)的第四維xi求解為例，展示這一求解過程，如式（8），動態(tài)的思路是一致的，只不過參數(shù)是動態(tài)的。

對于高維動態(tài)C-Vine的數(shù)據(jù)仿真來說，其計算過程是動態(tài)化的，動態(tài)參數(shù)由相應(yīng)的動態(tài)型h函數(shù)和時變Copula函數(shù)求得，動態(tài)參數(shù)服從式（5）中的動態(tài)演進式。為了更為直觀地表達(dá)仿真計算過程，以x4t為例，畫出C-Vine的動態(tài)仿真路徑圖1，其中，W4為w4t的集合向量，X4為x4t的集合向量。

當(dāng)通過式（7）、式（8）和圖1仿真出四維xit變量以后，對其按照兩階段建模法第一階段的模型和參數(shù)進行返回倒推，即可仿真出高維動態(tài)相關(guān)收益率序列，本文的仿真次數(shù)以10 000次為1組。

四、VaR與回溯檢驗

VaR表示資產(chǎn)收益率序列在一定顯著性水平下的分位數(shù)。求解VaR有歷史模擬法、方差—協(xié)方差方法和蒙特卡羅模擬法等。本文基于對高維數(shù)據(jù)動態(tài)C-Vine-Copula結(jié)構(gòu)的Pair Copula分解，如果通過復(fù)雜的多重積分表達(dá)式采用方差—協(xié)方差方法，理論上是可以求出顯著性水平α下t時序的風(fēng)險價值VaRt（α）的，然而這個方法在實際計算上不太可行。因此，本文借助Matlab編程實現(xiàn)蒙特卡羅模擬，按照擬合的高維動態(tài)C-Vine結(jié)構(gòu)仿真多維數(shù)據(jù)，倒推出模擬收益率序列，每10 000個數(shù)據(jù)模擬實現(xiàn)之后，通過計算機按照相應(yīng)的顯著性水平自動選擇位于數(shù)據(jù)排序左端的對應(yīng)數(shù)據(jù)作為此10 000個數(shù)據(jù)組的1個VaR值，如此得出分別包含318個元素的VaR隨機序列組，將其與樣本外318個數(shù)據(jù)分別進行返回檢驗，觀察比較高維動態(tài)與高維靜態(tài)C-VineCopula的風(fēng)險效果。VaR的回溯檢驗通過R語言編程實現(xiàn)，理論基礎(chǔ)是Kupiec[22]的UC檢驗理論，進而驗證模型的有效性。

五、數(shù)理分析

（一）數(shù)據(jù)預(yù)處理

本文對滬深300指數(shù)中的基建、銀行、運輸和地產(chǎn)四大行業(yè)指數(shù)從2006年1月4日到2014年4月30日的數(shù)據(jù)開展研究，研究對象為日間對數(shù)收益率rt=ln（Pt/Pt-1）100%，共2 018組數(shù)據(jù)。其中前1 700組四維數(shù)據(jù)用于模型擬合，后318組數(shù)據(jù)用來進行VaR的樣本外返回檢驗。研究過程中借助R和Matlab語言編程實現(xiàn)。本文選擇的四大行業(yè)具有典型特征：基建和地產(chǎn)是典型的資本密集型行業(yè)，是GDP投資乘數(shù)效應(yīng)的主要因素，包含了政府直接投入和撬動的民間資本，運輸是實體經(jīng)濟繁榮程度的典型代表，銀行是實現(xiàn)貨幣乘數(shù)效應(yīng)的典型中介，其造血和輸血功能對經(jīng)濟繁榮起到催化作用。這四大行業(yè)之間不是孤立的，基建的風(fēng)險和地產(chǎn)風(fēng)險本身具有交叉重疊部分，基建的增長顯然會為地產(chǎn)打造增值基礎(chǔ)，地產(chǎn)的繁榮會創(chuàng)造稅收，為基建形成資金來源，地產(chǎn)與基建的共同發(fā)展會創(chuàng)造就業(yè)、提高收入，借助于GDP的加速度效應(yīng)為實體經(jīng)濟產(chǎn)生投資動能；同時地產(chǎn)與基建的投資增長也會對實體經(jīng)濟產(chǎn)生擠占效應(yīng)，遏制實體經(jīng)濟投資增長；實體經(jīng)濟的興衰會體現(xiàn)到運輸行業(yè)上來，運輸行業(yè)又會對基礎(chǔ)建設(shè)產(chǎn)生需求變化，而銀行以信貸收縮與擴張的形式為三大行業(yè)的興衰產(chǎn)生順周期的或者熨平周期的貨幣行為，在此過程中實現(xiàn)息差利潤。如此，四大行業(yè)之間一定存在著某種復(fù)雜的關(guān)系，這四大典型行業(yè)的風(fēng)險研究對于整個國家的經(jīng)濟風(fēng)險具有指示意義。本文的研究數(shù)據(jù)取自國泰安數(shù)據(jù)庫。表1為四維序列的統(tǒng)計量表，顯見四維數(shù)據(jù)的尖峰厚尾性，Jarque-Bera統(tǒng)計量強烈拒絕正態(tài)性假定，數(shù)據(jù)分布具有左偏特性。

（二）平穩(wěn)性檢驗

本文運用模型對數(shù)據(jù)進行過濾之前必須對數(shù)據(jù)進行平穩(wěn)性檢驗，平穩(wěn)性是金融時間序列建模和預(yù)測的前提，相應(yīng)的單位根ADF檢驗結(jié)果如表2所示，可見四種金融時間序列均強烈拒絕了單位根存在的原假設(shè)，沒有理由認(rèn)為數(shù)據(jù)不是平穩(wěn)時間序列。

（三）自相關(guān)檢驗與波動性聚類判別

為了更好地進行數(shù)據(jù)建模，進行數(shù)據(jù)特征分析很有必要。以基建和地產(chǎn)為例，如圖1和圖2所示，序列顯示出輕微的自相關(guān)性和波動性聚類持久記憶特征。本文采用GJR-GARCH模型對數(shù)據(jù)進行處理，可以看到模型實現(xiàn)了預(yù)定效果。

（四）單個時間序列的模型提煉與數(shù)據(jù)過濾

由Glostern等[23]、Peiró[24]等文獻可以知道，GARCH過濾金融時間序列后的標(biāo)準(zhǔn)化殘差分布顯著偏斜，再加上股指收益率序列的波動性聚類和對正負(fù)新息沖擊的非對稱性特征，因此，本文采用GJR-SkewTQUOTE模型對序列進行擬合。結(jié)合本文研究數(shù)據(jù)，四種對數(shù)收益率序列均為尖峰厚尾的偏態(tài)分布，具有平穩(wěn)性，有輕微的序列相關(guān)性和偏斜特征，存在GARCH效應(yīng)，同時對數(shù)據(jù)進行ARMA識別，發(fā)現(xiàn)均為0階。故而，本文采用ARMA（0，0）-GJR-SkewTQUOTE模型對序列進行擬合，相應(yīng)的數(shù)學(xué)表達(dá)式見式（1），其中λi，ηi分別表示SkewT分布的偏斜度和形狀參數(shù)，擬合參數(shù)見表3 。

為了驗證ARMA（0，0）-GJR-SkewTQUOTE模型的實際效果，本文對過濾所得的標(biāo)準(zhǔn)殘差序列分別繪制自相關(guān)圖4和波動性聚類圖5，仍以基建和地產(chǎn)為例，從圖形中我們可以看到自相關(guān)性有進一步的削弱，而波動性聚類則基本消除，可以認(rèn)為模型設(shè)定初步達(dá)到了預(yù)定效果。

（五）廣義帕累托分布（GPD）參數(shù)估計與擬合檢驗

金融序列尾分布的刻畫對于Vine Copula求VaR的準(zhǔn)確性極其重要，合適的尾分布擬合對于研究結(jié)論很關(guān)鍵。為了進一步準(zhǔn)確刻畫數(shù)據(jù)特征，本文對過濾的標(biāo)準(zhǔn)殘差再進行GPD尾部擬合，相應(yīng)的GPD擬合參數(shù)如表4所示，其中括號內(nèi)的閾值為上尾閾值，其余GPD參數(shù)均為下尾參數(shù)。

然后，本文對過濾得到的標(biāo)準(zhǔn)化殘差序列進行概率積分變換（PIT）。在PIT過程中，以相應(yīng)閾值和參數(shù)的GPD模型去刻畫上下尾分布狀態(tài)，以Epanechnikov核函數(shù)對數(shù)據(jù)中間區(qū)域進行平滑處理，得到一個整體的序列特征分布組合（分布組合的擬合效果如圖6所示，仍以基建和地產(chǎn)為例），進而以此對殘差序列進行PIT，并進行K-S檢驗，結(jié)果顯示四組PIT序列均不能拒絕服從U（0，1）分布的原假設(shè)，如表4右半部分所示。這也就為高維動態(tài)Vine-Copula建模做好了準(zhǔn)備工作。

（六）高維動態(tài)C-VineCopula結(jié)構(gòu)的Pair-Copula分解

在接下來的研究中，為簡化起見，均選用t Copula函數(shù)進行研究分析。t Copula屬于橢圓類Copula的一種，能夠捕捉序列間的對稱性和厚尾性特征。本文選用t Copula只是一個次優(yōu)化選擇，感興趣的研究者完全可以把選擇的視野放寬，追求更優(yōu)擬合的Copula類型。盡管如此，我們?nèi)匀划嫵鏊木S行業(yè)變量兩兩t-copula的概率圖（7），顯見兩兩關(guān)系的對稱的厚尾形態(tài)，說明選擇t Copula開展研究是較為合理的。

在進行動態(tài)化建模之前需要確定Vine的類型，將t Copula參數(shù)的動態(tài)過程設(shè)為式（5），定義ρ=1n·nt=1Rij，t作為歸一化相關(guān)關(guān)系的測度指標(biāo)，表5為四維變量動態(tài)歸一化相關(guān)表。由表5，可以比較出基建在與其他變量的相關(guān)關(guān)系中處于強勢地位，進而根據(jù)兩兩動態(tài)相關(guān)強度的大小可以依次排序為基建、運輸、地產(chǎn)和銀行。這一排序與我們的先驗知識相符，基建的投資規(guī)模最為宏大，運輸處于行業(yè)發(fā)展的紐帶與指示地位，超過了地產(chǎn)排在第二位，而地產(chǎn)和銀行則緊緊綁在了一起，說明地產(chǎn)的資本運作屬性，銀行為地產(chǎn)的信貸擴張所牽制。因此可以把基建確定為關(guān)鍵變量，這也就說明了Vine Copula的類型是C-Vine，根據(jù)強弱關(guān)系可以繪制出圖8的C-Vine結(jié)構(gòu)圖，其中，數(shù)字1，2，3，4分別表示基建、地產(chǎn)、銀行和運輸四種行業(yè)指數(shù)收益率。

從參數(shù)表6可以看出，動態(tài)模型擬合效果較為理想，系數(shù)比較顯著，在考慮到條件Copula的因素以后，自由度明顯增大，對數(shù)似然絕對值明顯減少，參數(shù)顯著性有所下降，進一步說明了在以基建為條件變量時，地產(chǎn)和運輸，銀行和運輸，地產(chǎn)和銀行的相關(guān)性顯著減弱，進而表明基建在四維變量聯(lián)合分布中的主導(dǎo)作用。值得注意的是第一棵樹上的參數(shù)擬合值αij與βij的和都很接近于1，說明動態(tài)因素在動態(tài)相關(guān)系數(shù)的決定中相當(dāng)活躍，βij遠(yuǎn)大于αij，且參數(shù)估計很顯著，說明動態(tài)相關(guān)的一階滯后在動態(tài)相關(guān)的求解中起到了決定性作用；而第二、三棵樹上的系數(shù)顯著性較第一棵樹明顯降低，說明擬合參數(shù)值的波動域更寬，動態(tài)因素更強，也說明在第二、三棵樹上以基建為條件變量時，動態(tài)參數(shù)的影響增大。根據(jù)四維C-Vine動態(tài)結(jié)構(gòu)的具體參數(shù)，畫出相應(yīng)的兩兩動態(tài)相關(guān)圖9，可以看出考慮到條件因素后的相關(guān)圖波動更為劇烈，從某個方面說明基建變量在動態(tài)趨勢中的支配作用。以上分析與我們的先驗知識也是一致的，佐證了擬合結(jié)果的合理性。

（七）VaR的仿真與回溯檢驗

在確定了四維動態(tài)C-Vine Copula結(jié)構(gòu)之后，按照該結(jié)構(gòu)進行318×10000次的動態(tài)仿真，并且按照第二節(jié)中步驟（2）（1）的對應(yīng)參數(shù)進行還原，模擬出包含318×10000個收益率仿真數(shù)據(jù)的數(shù)據(jù)集合，對于318次中每10 000次的仿真數(shù)據(jù)，通過計算機程序選擇排序左端對應(yīng)顯著性水平的數(shù)值作為每10 000次仿真產(chǎn)生的一個VaR值，如此得到包含318個元素的VaR值序列組，然后運用318組樣本外數(shù)據(jù)進行返回檢驗，并且與靜態(tài)C-Vine的結(jié)果進行比較。

為了使研究更具有一般意義，隨機選取兩種組合比例分別為（25%，25%，25%，25%）與（10%，30%，20%，40%），所產(chǎn)生的對應(yīng)的組合風(fēng)險序列分別為VaR1和VaR2。

按照如上的方法進行仿真，求得1%，5%，10%三種顯著性水平兩種比例的VaR序列組VaR1和VaR2，與相應(yīng)的樣本外數(shù)據(jù)比較。以5%顯著性水平VaR1的超越情形為例分別繪制動態(tài)和靜態(tài)模型的超越圖10-圖11，比較發(fā)現(xiàn)，動態(tài)模型較之靜態(tài)模型更能靈活捕捉變化的風(fēng)險。最后運用Kupiec Test方法進行回溯檢驗，得到無條件覆蓋（UC）檢驗結(jié)論，如表7所示。而表8則證明了動態(tài)C-Vine模型風(fēng)險計算結(jié)果的穩(wěn)定性。表7中可以看出，動態(tài)C-Vine模型每次都能通過回溯檢驗，而靜態(tài)C-Vine每次都不能通過檢驗，盡管其穩(wěn)定性較好，仍然認(rèn)為動態(tài)C-Vine可以用于股市行業(yè)風(fēng)險組合計量，靜態(tài)C-Vine模型則不符合風(fēng)險建模要求。

根據(jù)投資學(xué)理論，我們知道馬科維茨投資組合有效集的最優(yōu)邊界即為有效前沿。結(jié)合上文，基于動態(tài)C-Vine Copula模型的VaR能夠在相應(yīng)的顯著性水平下準(zhǔn)確地捕捉到左尾極端風(fēng)險事件，據(jù)此可以繪制出原始投資組合和動態(tài)C-VineCopula的資產(chǎn)組合有效前沿圖12。圖中與靜態(tài)C-Vine Copula作比較，發(fā)現(xiàn)動態(tài)和靜態(tài)C-Vine的資產(chǎn)有效前沿相較于原始投資組合均發(fā)生了形狀改變。靜態(tài)C-Vine由于模型設(shè)定問題，對于原始投資組合的風(fēng)險傾向沒有準(zhǔn)確刻畫，而動態(tài)C-Vine則完全擺脫了原始投資組合的軌跡，顯示理性投資者因為更準(zhǔn)確地捕捉到風(fēng)險而表現(xiàn)出風(fēng)險厭惡，資產(chǎn)組合有效前沿完全左移，投資者因此采取保守型投資策略，規(guī)避風(fēng)險帶來的損失。也進一步說明基于動態(tài)C-Vine Copula模型的風(fēng)險計量對于投資者來說具有重要的現(xiàn)實意義。

七、研究結(jié)論與意義

本文運用兩階段建模方法開展研究：第一階段采用ARMA-GJR-GARCH模型和GPD模型擬合實現(xiàn)PIT序列；第二階段進行四維變量的動態(tài)C-Vine Copula建模。之后進行風(fēng)險變量的仿真逆運算，并且與靜態(tài)C-Vine Copula的風(fēng)險效果作比較，進一步分析資產(chǎn)組合前沿曲線的移動情形。

本文研究得出如下結(jié)論：（1）動態(tài)C-Vine Copula模型可以用于股市行業(yè)組合風(fēng)險計量，而靜態(tài)C-Vine Copula模型則不滿足行業(yè)組合風(fēng)險計量要求；（2）動態(tài)C-Vine Copula模型的有效前沿擺脫了原始投資組合的軌跡完全左移，顯示理性投資者因為更準(zhǔn)確地捕捉到風(fēng)險而表現(xiàn)出風(fēng)險厭惡；而靜態(tài)C-Vine由于模型設(shè)定問題，無法準(zhǔn)確刻畫資產(chǎn)組合有效前沿，相較于原始投資組合沒有固定的風(fēng)險偏好或者厭惡傾向。

本文的研究意義在于：（1）研究過程中首次將極值理論GPD模型與高維動態(tài)C-Vine Copula結(jié)合起來開展研究，并與相應(yīng)的靜態(tài)C-Vine Copula模型結(jié)論作比較；（2）研究結(jié)果為揭示多維行業(yè)風(fēng)險之間的相依性提供了一種高效可行的方法，具有廣闊的經(jīng)濟含義，可以借助高維動態(tài)C-Vine Copula方法進行有主導(dǎo)變量的多維風(fēng)險組合計量，以此計量結(jié)果為依據(jù)進一步估算經(jīng)濟資本。結(jié)合當(dāng)前的巴塞爾新資本協(xié)議的全面風(fēng)險管理要求，該研究結(jié)論對于金融監(jiān)管部門的多維行業(yè)風(fēng)險監(jiān)測與調(diào)控具有一定的借鑒價值。參考文獻：

[1]SKLAR AFonctions de répartition à n dimention set leursmarges[J].Publication de IInstitut de Statistique de LUniversit-é de Paris，1959（8）：229-231

[2]EMBRECHTS P，McNEIL A，STRAUMANN DCorrelation： Pitfalls and alternatives[J].Risk，1999，12（5）：69-71

[3]BOUY E，DURRLEMAN V，NIKEGHBALI ACopulas for finance：A reading guide and some applications[R].Working Paper，F(xiàn)inancial Econometrics Research Centre，City University Business School，2000

[4]ROCKINGER M，JONDEAU EConditional dependency of financial series：An application of copulas[R].Working paper，HEC School of Management， France，2001

[5]ROMANO CApplying copula function to risk management[R].Rome：University of Rome，2002

[6]EMBRECHTS P，Hing A，JURI AUsing copulae to bound the valueatrisk for functions of dependent risks[J].Finance and Stochastics，2003（7）：145-167

[7]RODRIGUEZ J CMeasuring financial contagion：A copula approach[J].Journal of Empirical Finance，2007，14（3）：401-423

[8]GHORBEL A，TRABELSI AOptimal dynamic hedging strategy with futures oil markets via FIEGARCH-EVT copula models[J].International Journal of Managerial and FinancialAccounting，2012，4（1）：1-28

[9]SO K P，YEUNG Y TVinecopula GARCH model with dynamic conditional dependence[J].Computational Statistics and Data Analysis，2014，76：655-671

[10]REBOREDO J C，UGOLINI ADownside/upside price spillovers between precious metals：A vine copula approach[J].North American Journal of Economics and Finance，2015，34：84-102

[11]杜子平，閆鵬，張勇.基于“藤”結(jié)構(gòu)的高維動態(tài)copula的構(gòu)建[J].數(shù)學(xué)的實踐與認(rèn)識，2009，39（10）：96-102.

[12]曹潔，程希駿.基于時變Paircopula的多資產(chǎn)投資組合VaR分析[J].中國科學(xué)技術(shù)大學(xué)學(xué)報，2011，41（12）：1047-1051.

[13]BERGER T.Forecasting valueatrisk using time varying copulas and EVT return distributions[J].International Economics， 2013，133：93–106.

[14]李強，周孝華，張保帥.基于Copula的我國臺灣和韓國股票市場相關(guān)性研究[J].管理工程學(xué)報，2014，28（2）：100-107.

[15]DOMINO K，BACHOWICZ T.The use of copula functions for modeling the risk of investment in shares traded on the Warsaw stock exchanges[J].Physica A：Statistical Mechanics and its Applications， 2014，413：77-85.

[16]劉瓊芳，張宗益.基于 Copula 房地產(chǎn)與金融行業(yè)的股票相關(guān)性研究[J].管理工程學(xué)報，2011，25（1）：165-169.

[17]趙寧，Winston T Lin，孫雪卿.基于Copula貝葉斯估計的行業(yè)風(fēng)險差異分析[J].數(shù)學(xué)的實踐與認(rèn)識，2015，45（10）：17-27.

[18]張幫正，魏宇.基于 R_Vine Copula 方法的上證行業(yè)指數(shù)相關(guān)性研究[J].北京理工大學(xué)學(xué)報（社會科學(xué) 版），2015，17（3）：100-108.

[19]RIGHI M B， CERETTA P S.Analyzing the dependence structure of various sectors in the Brazilian market：A Pair Copula Construction approach[J].Economic Modelling，2013，35：199-206.

[20]BARTRAM S M，WANG Y H.European financial market dependence：An industry analysis[J].Journal of Banking and Finance，2015，59：146-163.

[21]AAS K，CZADO C，F(xiàn)RIGESSI A，BAKKEN H.Paircopula constructions of multiple dependence[J].Insurance：Mathematics and Economics，2009，44（2）：182-198.

[22]KUPIEC P.Techniques for verifying the accuracy of risk measurement models[J].Journal of Derivatives，1995（2）：73-84.

[23]GLOSTENL R，JAGANNATHAN R，RUNKLE D E.On the relation between the expected value and the volatility of the nominal excess return on stocks[J].The Journal of Finance，1993，48（5）：1779-1801.

[24]PEIR A.Skewness in financial returns[J].Journal of Banking and Finance，1999，23（6）：847-862.