论文网
关于金融危机方面论文范文,与基于时变Copula理的金融危机传染效应存在性相关毕业论文模板
本论文是一篇关于金融危机方面毕业论文模板,关于基于时变Copula理的金融危机传染效应存在性相关毕业论文的格式范文。免费优秀的关于金融危机及金融市场及函数方面论文范文资料,适合金融危机论文写作的大学硕士及本科毕业论文开题报告范文和学术职称论文参考文献下载。
)][C[KG-*2/3]/(t,t)1-t等于lim[DD(]t→1-[DD)][[AKC-](1-t,1-t)1-t等于2-lim[1-C(t,t)1-tλL等于lim[DD(]t→0+[DD)][C(t,t)t
对于Joe-ClaytonCopula函数有：λU等于2-2[1κ,λL等于2[-1γ
由上式可以发现,Joe-ClaytonCopula函数的条件上尾相关系数完全由参数κ来决定,而其条件下尾相关系数完全由相关参数来决定.因此我们可以构建时变Joe-ClaytonCopula函数的条件尾部相关系数的动态演化方程来刻画随机变量的动态相依结构.依据Patton（2006）的构建时变Copula模型演化方程的思想可以得到时变Joe-ClaytonCopula函数的条件尾部相关系数的动态演化方程：
λUt等于Λ[JB(〔]ωU+βUλUt-1+αU×[110∑[DD(]10i等于1[DD)][JB(|]ut-i-vt-i[JB)|][JB)〕]
λLt等于Λ[JB(〔]ωL+βLλLt-1+αL×[110∑[DD(]10i等于1[DD)][JB(|]ut-i-vt-i[JB)|][JB)〕]
其中函数为Logistic转换函数：Λ(x)等于(1+e-x)-1,该函数保证了条件尾部相关系数都处于之内.尾部相关系数演化方程的最后一项将滞后q期内概率积分变换后的变量的差的绝对值作为外生变量,作为度量数据与完全正相关之间距离的指标.
金融危机传染效应实证分析
本文应用上述动态Copula函数研究金融危机时期金融危机传染效应的存在,主要研究美国和英国股票市场对中国大陆股票市场的传染效应的存在,主要选取了中国大陆股市（沪深300指数）、欧洲股票市场（英国FTSE100指数）、美国股票市场（美国S&P500指数）.由于金融危机传染效应存在于危机发生前后一段时间内,因此本文主要考察2008年金融危机发生的前后两年内的主要金融市场间相关结构的变化,样本期从2006第一个交易日到2010年最后一个交易日,即2006年1月9日到2010年12月31日.由于国际资本市场节假日不一致,休市日期不一致,因此需要对样本数据做简单匹配处理,经过处理之后,原始样本数据有1212个.去除数据异方差常用的方法是对原始数据取对数,做差分处理,这样就可以得到市场指数收益率数据,即：指数收益率序列为Rt等于log(Pt)-log(Pt-1),经过收益率处理后,样本数据为1211个.本文研究所有数据均来自Wind数据库,模型研究采用的主要软件有：Eviews5.1和MatlabR2010a.
根据市场指数收益率数据和收益率序列图,我们可以发现指数收益率都在零附近波动,收益率接近于零,表1给出了各个资本市场指数收益率的描述性统计分析,由统计分析可以发现各个指数收益率都近乎零.
对于具有尖峰厚尾、波动聚类特征,并且不服从正态分布的高频金融数据来说,普遍采用的方法是建立波动率模型,如ARCH模型、GARCH模型等.如果要建立Copula模型,第一步就是对自身建立自回归的波动率模型（AR-GARCH模型）,然后剥离出每个序列的残差；然后对于残差做高斯分布或者t分布等假定,在这些假定前提下进行积分概率变换,得到新的序列；最后对新的序列建立Copula模型回归分析.由此可见,残差的分布假定会对回归结果产生一定影响.为了避免这种假定对结果产生影响,本文将采用非参数-MLE估计方法,分阶段建立Copula模型.
1.模型构建
采用非参数-MLE估计方法研究金融危机传染效应的存在性分为三个步骤:
（1）非参数核密度估计.Pazen（1962）在论文中证明了采用非参数的核密度方法估计的核密度函数具有渐进相容性和渐进正态性.本文先对每个研究对象进行非参数估计得出每个时间序列的核密度函数.
（2）Copula模型估计.通过第一步核密度估计后得到了每个时间序列的核密度函数,然后通过概率积分变换就可以得到对应每个时间序列的新时间序列,如果这些新的时间序列服从（0,1）均匀分布,那么就说明通过非参数估计得到的核密度函数能够充分描述每个收益率序列的边缘分布,因此可以用来估计Copula模型的参数和时变相关系数的参数.
（3）相关系数时变过程与变点检测.通过第二步得到相关系数的相关参数估计,选择合适的动态相关系数,得到动态相关系数图和序列,通过动态图和变点检测分析在样本期内相关系数是否发生了显著变化来确定是否存在金融危机传染效应.
2.模型估计
实证研究的第一步是非参数核估计,得到每个资本市场指数收益率的核密度函数,先确定核函数,然后再寻求最优窗宽.如果研究对象样本足够大,核函数可以选取正态核函数,正态核函数具有良好的光滑性.然后再选取合适的窗宽,一般采用Bowman（1997）提出的最优窗宽选择原理来选取最优窗宽.表1给出了各个资本市场指数的最优窗宽结果.
图1给出了三个资本市场指数收益率的核密度函数估计图,通过观察上述核密度函数估计图可以发现,资本市场指数收益率序列都具有尖峰厚尾的特征,峰度很大,且都有不同程度的左偏或者右偏.股指收益率右偏,也就是描述统计量中偏度系数为正值,说明股指上涨的可能性大于下跌的可能性,反之则反是.这些特征都符合高频金融时间序列的基本特征,如果仅从收益率二阶矩出发研究风险度量、资产定价等主题是不合适的.因此如果基于收益率序列做总体分布假定,如正态分布、学生t分布等,在此假定下做概率积分变换并估计Copula模型,得到的实证结果必然是不准确的,非参数核估计的优势正在于此.
对资本市场指数收益率序列进行概率积分变换[注：本文对数据做概率积分变换时没有调用Matlab2010a中自带的经验累积分布函数（ecdf.m）,而是编程采用经验累积分布函数Fi(x)等于[1T+1∑[DD(]Tj等于1[DD)]1(xi,j≤x),这里的1是示性函数,即1{A}等于[JB({]1,若A为真
0,若A为假[JB)].二者的不同之处在于本文采用的经验累积分布函数的分母为（T+1）,而Matlab中的分母为T.之所以不用软件自带的程序代码是因为,该程序在计算过程中会出现无穷大的值,这将使得程序自动报错而停止,因此本文采用A.J.Patton提出的经验累积分布函数程序,程序来自：econ.duke.edu/~ap172/],也就是在每个指数收益率序列拟合的核密度函数下,计算每个指数收益率的经验分布函数.三个市场指数收益率序列顺序分别为：①沪深300指数；②美国标准普尔500指数；③英国富时100指数.经过概率积分变换后的序列理论上服从（0,1）均匀分布,即每个值出现的概率都一致.
通过SPSSStatistica17.0软件中基于Kolmogorov-smirnov检验和Eviews5.1软件中的Q-Q图检验（图2）发现,经过概率积分变换后,每个序列中每一个值出现的频次都为1,每个序列都不能拒绝服从（0,1）均匀分布的原假设,因此可以认为概率积分变换序列服从U（0,1）分布.检验概率积分变换序列的自相关性,如表2结果显示在5%的显著水平下,所有的序列都不能拒绝序列为随机序列的原假设,概率积分变换序列具有独立性.
对概率积分变换后的序列进行经验分布检验和独立性检验,表明序列服从U（0,1）分布,并且具有独立性,可以认为
关于金融危机方面论文范文,与基于时变Copula理的金融危机传染效应存在性相关毕业论文模板参考文献资料：