大类资产配置(2):应用极值理论和Copula实现动态资产配置

报告摘要:

本报告为大类资产配置的第三篇。我们认识到投资分散化并不能足够有效预防极端风险中的重大损失,对市场风险的动态判断并动态调整资产配置比例能够降低风险冲击同时保持获利的可能性。在本文中,我们一方面通过极值理论(ExtremeValueTheory)重新拟合各类资产的尾部分布特征,同时应用t-Copula更好的捕捉各类资产的相关性,尤其是在极端风险中各类大类资产趋向同时“变坏”的相关性。通过模拟未来资产收益率分布的可能性,计算不同配置比例下CVaR变化情况。最后对比了不同目标CVaR下最大化预期收益的配置比例的净值回测结果,同时提出了可以根据当前CVaR在历史CVaR的分位情况调整目标CVaR,控制可能出现极端风险时的几类资产的配置比例,从而实现更具前瞻性的风险控制。主要步骤如下:

1)首先,通过AR

(1)-GJR-GARCH(1,1)模型提取标准化的iid的各资产收益率残差。使用POT模型(peaksoverthreshold)估计各类资产收益率残差的边际分布。将残差分布分为尾部和中部分布的三部分,应用极值理论(EVT)中的Pareto模型估计尾分布的参数,中间部分使用高斯核估计或者经验分布进行分布估计;

2)计算第一步得到的标准化的残差对应分布模型下的概率值,并使用t-Copula模拟参数。应用模拟得到的Copula模型生成随机数,并推算预期收益率分布及不同配置比例下的CVaR;

3)通过控制CVaR,得到最大化收益的配置比例,同时根据CVaR的在历史模拟的CVaR的分位点,通过调整CVaR目标值实现风险控制的动态变化。

模型结果:我们分别测试了目标CVaR为7%,10%,12%以及当目前预测的CVaR处于之前全部预测CVaR的80%分位点时变更目标CVaR为7%否则为10%的情况。此外,由于我们可以计算平均状态下的未来21天三类资产的协方差矩阵,进而可以求解风险平价下的配置比例及净值变化。结果显示目标CVaR与基准相比较能够有效降低黑天鹅带来的冲击并且能够保留获得收益的能力,并且从配置比例变化情况来看,的确存在极端风险的预测能力。