摘要：

當資產收益率分布較為復雜時,研究它們之間的相關關系就變得較為困難。特別是股票市場中資產的收益率分布非正態(tài)時,我們幾乎不可能去精確模擬幾種資產收益率之間的聯(lián)合分布函數(shù)。然而Copula函數(shù)恰恰可以解決這類問題。Copula函數(shù)是用來描述隨機變量間相依結構的一種統(tǒng)計方法。為了估計多資產收益率之間的聯(lián)合分布,本文借鑒了Jondeau和Rockinger(2006)提出的Copula-GARCH方法的思路,考慮到估計單個資產收益率分布時,其波動率經常會存在杠桿效應,因此采用GJR-GARCH模型來刻畫資產波動率的杠桿效應,結合Copula函數(shù)得到估計多資產收益率聯(lián)合分布的新方法---Copula-ARIMA-GJR-GARCH方法。實踐證明,這種方法是分析資產收益率之間相關關系的重要手段。這種方法首先利用ARIMA-GJR-GARCH模型來刻畫單個資產的收益率及其波動率,然后使用Copula函數(shù)擬合兩種資產收益率模型殘差序列的聯(lián)合分布,從而得到兩種資產收益率的聯(lián)合分布。本文使用到的Copula連接函數(shù)包括Gaussian Copula函數(shù)和Student-t Copula函數(shù)。在實證分析中,本文結合中國股票市場,通過Copula-ARIMA-GJR-GARCH模型估計滬深300指和上證綜合指數(shù)的聯(lián)合分布,并使用相應的檢驗方法驗證了模型的合理性,并通過對兩種股票指數(shù)的未來收益率進行預測,發(fā)現(xiàn)該模型能夠很好的捕捉股票指數(shù)之間的條件相關性。

展開

總結

以上是生活随笔為你收集整理的gjr garch Matlab,基于Copula-ARIMA-GJR-GARCH模型的股票指数相关性分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。