股票收益率非线性相关性的嵌套因子模型

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《A nested factor model for non-linear dependences in stock returns》
---
作者：
R\\\'emy Chicheportiche and Jean-Philippe Bouchaud
---
最新提交年份：
2013
---
英文摘要：
  The aim of our work is to propose a natural framework to account for all the empirically known properties of the multivariate distribution of stock returns. We define and study a \"nested factor model\", where the linear factors part is standard, but where the log-volatility of the linear factors and of the residuals are themselves endowed with a factor structure and residuals. We propose a calibration procedure to estimate these log-vol factors and the residuals. We find that whereas the number of relevant linear factors is relatively large (10 or more), only two or three log-vol factors emerge in our analysis of the data. In fact, a minimal model where only one log-vol factor is considered is already very satisfactory, as it accurately reproduces the properties of bivariate copulas, in particular the dependence of the medial-point on the linear correlation coefficient, as reported in Chicheportiche and Bouchaud (2012). We have tested the ability of the model to predict Out-of-Sample the risk of non-linear portfolios, and found that it performs significantly better than other schemes.
---
中文摘要：
我们工作的目的是提出一个自然的框架来解释股票收益率多元分布的所有经验已知属性。我们定义并研究了“嵌套因子模型”，其中线性因子部分是标准的，但线性因子和残差的对数波动率本身具有因子结构和残差。我们提出了一个校准程序来估计这些对数体积因子和残差。我们发现，虽然相关线性因子的数量相对较大（10个或更多），但在我们对数据的分析中，只有两个或三个对数体积因子出现。事实上，一个只考虑一个对数体积因子的最小模型已经非常令人满意，因为它准确地再现了二元copula的特性，特别是中间点对线性相关系数的依赖，如Chicheportiche和Bouchaud（2012）所述。我们测试了该模型在样本外预测非线性投资组合风险的能力，并发现它的性能明显优于其他方案。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Risk Management        风险管理
分类描述：Measurement and management of financial risks in trading, banking, insurance, corporate and other applications
衡量和管理贸易、银行、保险、企业和其他应用中的金融风险
--
一级分类：Quantitative Finance        数量金融学
二级分类：Portfolio Management        项目组合管理
分类描述：Security selection and optimization, capital allocation, investment strategies and performance measurement
证券选择与优化、资本配置、投资策略与绩效评价
--
一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
--> A_nested_factor_model_for_non-linear_dependences_in_stock_returns.pdf (2.52 MB)

2022-6-27 09:29:31 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：股票收益率 线性相关 股票收益 收益率 非线性

STOCKRETURNSR’EMY CHICHEPORTICHE和JEAN-PHILIPPE BOUCHAUDAbstract中非线性依赖的嵌套因子模型。我们工作的目的是提出一个自然的框架来解释股票收益率多元分布的所有经验已知性质。我们定义并研究了“嵌套因子模型”，其中线性因子部分是标准的，但线性因子和残差的对数波动率本身具有因子结构和残差。我们提出了一种校准程序来估计这些对数体积因子和残差。我们发现，虽然相关线性因子的数量相对较大（10个或更多），但在我们的数据分析中，只有两个或三个对数体积因子出现。事实上，一个只考虑一个对数-体积因子的最小模型已经非常令人满意，因为它准确地再现了二元copula的特性，特别是中间点对线性相关系数的依赖性，如Chicheportiche和Bouchaud（2012）所述。我们测试了该模型在样本外预测非线性投资组合风险的能力，发现其表现明显优于其他方案。1、介绍金融资产或资产类别之间的依赖关系是现代投资组合选择理论的核心。

无论投资者的（凹）效用及其风险度量是什么，多元化都是可行的，但只有在充分了解基础依赖结构的情况下，才能实现最佳多元化。例如，著名的Markowitz最优投资组合设计理论（Markowitz，19521959；Bouchaud and Potters，2003）旨在确定池中每只股票的最优权重。它假设股票收益率是相关的随机变量xi，并且优化代理具有形式为U（w）=E[x·w]的“均值-方差”二次效用函数- uV【x·w】，参数u控制风险规避水平。因此，它依赖于股票收益的线性协方差矩阵ρ=E【xx+】，更重要的是依赖于其逆ρ-事实上，在没有其他约束（预算、交易成本、操作风险约束、禁止卖空等）的情况下，最佳权重由byw给出*ρ∝ ρ-1克≡ V∧-1V+g（1），其中g是篮子中资产的增益目标向量，ρ=V∧V+是协方差矩阵的谱分解，V是特征向量的平方矩阵，而∧是特征值的对角矩阵。ρ及其谱∧的经验估计值通常非常嘈杂，如果想要避免在样本模式中人为地增加低风险的权重，则需要在反演之前应用清洁方案，正如上述w的表达式所表明的那样*ρ表示∧-这将成为样本模式以外的高风险实现。到目前为止，所有这些都是相当标准的做法，并且考虑到信号建模（参数模型、因子模型、主成分分析）或噪声建模（基于RMT的Laloux et al.（1999、2000），已经设计了几种清洗方案；Ledoit和Wolf（2004）；Potters等人（2005年）；El Karoui（2010）；Bartz等人（2012年）），另见Tumminello等人。

(2007); Potters和Bouchaud（2009）。然而，现在已经确定，市场的运作超越了高斯线性机制。对于网心科技而言，众所周知，单个股票收益率是非高斯的，超出均值和方差的矩已经引起了人们的极大兴趣（例如，过度峰度或其低矩估计）。但更重要的是，股票收益率并不是高斯分布的：成对股票之间的依赖结构与高斯copula不兼容，因此，效用函数中的惩罚应该比投资组合方差更微妙，并包括风险的非线性度量（如尾部事件、二次相关性等），以便更好地满足代理人的风险规避偏好。只有在多元高斯设置中，这些非线性依赖关系才能完全用线性相关性表示。非线性相关性在结构化产品和衍生品组合的定价和风险管理中也非常重要。例如，对冲期权的支付具有V形，具有线性渐近线和二次核心，见图1。因此，由多个此类对冲期权组成的投资组合具有先锋性，其特征是基础股票的绝对和二次相关性（伽马风险）。2 R.CHICHEPROTICHE和J.-P.BOUCHAUD0 5 10 15 20-不对冲dk=10，x0=8，C=1xtσ t=0σ t=30 5 10 15 20-边缘φ=-1 2K=10，x0=8，C=1xtσ t=0σ t=3图1。期权的预期收益作为标的股票当前价格的函数。左：未边缘化；右图：通过卖空对冲|φ|=1/2的基础股份。图示为在初始价格x=8的股票上，在波动率σ与Bachelier差异之后，行使xK=10、价格C=1的看涨期权。

细线是到期付款（σt=0），厚曲线是到期前支付的预期值（σt=3）。在投资组合层面上估计风险所需的这些振幅的相关性甚至比线性相关性更具噪音，因此需要一个可靠的线性和非线性依赖关系模型。在前一篇文章（Chicheportiche和Bouchaud，2012）中，我们表明股票每日收益的联合分布也不是“椭圆”分布，也就是说，股票不会受到影响所有股票的唯一波动性的影响。事实上，我们排除了所有具有单一随机波动率σ的模型，其形式为xi=σi、 （2）联合高斯（和相关）残差我们认为，这揭示了非线性依赖的内部结构，并为考虑多种波动模式的描述开辟了道路。然而，我们的结果也表明，任何以单个挥发物形式出现的描述xi=σii、 （3）对于σi之间的任意依赖性，也无法成功解释经验联合分布。我们特别关注二元copulas的中间点C（，），这是两个变量同时低于其中值的概率。所有伪椭圆模型（由公式（3）定义）导致了中间连接与线性相关系数之间的简单关系，参见Chicheportiche和Bouchaud（2012）中的讨论：Cij（，）=+2πArcinρij不同地说，有效相关ρ（B）ij≡ 余弦2πCij（，）（4） 对于这些模型，等于ρij，而经验数据显示与该预测存在显著偏差，见图。2.

正如Chicheportiche和Bouchaud（2012）所讨论的，每个岩石对的ln |ρ/ρ（B）| vsρ的散点图并不集中在椭圆预测周围（虚线水平线在0处穿过y轴），而是平均曲线（黑线）与预测显著偏离。此外，随机对（Xi，Xj）的copula C（ui，uj）是变量分别低于其边缘（ui，uj）第个分位数的联合概率：C（ui，uj）=P[Xi<P-1<，i（ui），xj<P-1<，j（uj）]，其中P<，ide表示xi的累积分布函数（CDF）。上标（B）代表“Blomqvist”，因为ρ（B）与Blomqvist的β系数有关，请参见（Blomqvist，1950）。股票非线性相关性的嵌套因子模型回报率为30.0 0.2 0.4 0.6 0.8 1.0-1.5-1-0.5 0.0 0.5 1.0 1.5ρijlog |ρijcos（2πCij（0.5，0.5））|（a）2000–20040.0 0 0.2 0.4 0.6 0.8 1.0-1.5-1-0.5 0.0 0.5 1.0 1.5ρijlog |ρijcos（2πCij（0.5，0.5））|（b）2005–20090.0 0 0.2 0.4 0.6 0.8 1.0-1.5-1-0.5 0.0 0.5 1.0 1.5ρijlog |ρijcos（2πCij（0.5，0.5））|（c）2009-2012图2。ln |ρ/ρ（B）| vsρ，对于每对股票，见等式（4）。该图量化了copula C（，）中点与式3定义的伪椭圆基准的距离，对于该基准，预测为0（虚线）处的直线水平线。经验值显示为所有股票对（灰色云）以及二元平均数（黑线）的散点图，在这里考虑的3个时期。平均行为的“主导波动模式”预测（见第4节）以红色显示，与数据非常吻合，并正确捕捉其时间演变。

请注意，当ρ增加时，ln |ρ/ρ（B）|趋于0，这表明高度相关的股票更为“椭圆”，即确实暴露于相同的波动模式。这些对的相关性越低，它们偏离椭圆双变量分布的距离就越远，这就需要更丰富的描述，而不仅仅是暴露在共模波动下的振幅。这一点，再加上其他观察值（如copuladiagonals）的经验值和理论值的比较，激发了对具有多种波动模式的股票收益率的描述，但不包括σi可以乘法分解为市场贡献ω、部门贡献bωs（其中股票i属于部门s）的模型，剩余贡献eωias：σi=σeω+bωs+eωi。相反，我们提出，由于因子峭度和剩余峭度的相互作用，加性非高斯因子应该能够产生异常的中值，这是由Chicheportiche和Bouchaud（2012）中提出的C（，）的toymodel所激发的。对多元依赖关系的理论描述的探索导致了关于copulas的文献激增。除了上文讨论的椭圆连接函数外，还提出了几个连接函数族：阿基米德（Clayton、Franck和其他）、Vine、Liouville等。不幸的是，正如Chichepatiche和Bouchaud（2012）所强调的，这些连接函数通常是没有财务解释的理论片段，因此应该单独考虑怀疑。（这些可选的copulasalso无法再现股票回报的经验依赖性）。我们在Chicheportiche和Bouchaud（2012）中主张，需要基于直觉和合理性构建有意义的连接词。

因此，本文的目的是构建一个通用因子模型，该模型足够灵活，可以再现股票收益率经验联合分布的所有已知类型化事实，但仍然足够简单，可以根据数据进行简单校准。我们希望我们的股票回报多元模型能够：o用少量因素再现线性相关性的结构。o生成具有非高斯因子和残差的厚尾收益序列如Cizeau等人（2001年）所观察到的，考虑残差波动率和因子波动率之间的相关性；Allez和Bouchaud（2011年）。o重现Chicheportiche和Bouchaud（2012）中确定的异常copula结构，尤其是对角线和反对角线以及上述中点，见图2。也有人指出，高度相关的股票对“更加椭圆”，在金融危机等高度动荡的时期，股票对的相关性和椭圆度都更高，显示出强烈的波动共同模式风险敞口通过减少参数数量，预测非线性（绝对值和二次）相关性的结构，以清除经验测量的依赖系数，并允许有效的样本外风险控制。4 R.CHICHEPROTICHE和J.-P.BOUCHAUDTable 1。

根据彭博社分类的经济部门，每个时期对应的个人数量。彭博社行业代码2000–04 2005–09 2009–12 2000–09通信#3 33 25 29 18消费者，周期性#4 60 49 33 40消费者，非周期性#5 67 75 53能源#7 19 21 34 15金融#8 57 55 75 37工业#11 51 50 50 42技术#13 38 43 35公用事业#14 27 27 28 24公司总数（N）352 345 359总天数（T）1258 755 2514As我们将在下面展示，我们通过一个“嵌套”因子模型来实现这一点，即标准因子模型，其中因子的波动率本身具有乘性因子结构。我们建立了因子波动率的因子模型，需要一个（或者两个）“主导模式”（也影响残差的波动性）加上特殊贡献。也许令人惊讶的是，这种主导波动率模式并不是线性因素模型的主导（市场）模式的波动率。最近的几项研究得出的结论与我们的结论部分重叠。Kelly等人（2012年）记录了个人股票回报波动性的强协动。他们发现，因子残差模型（如Fama和French（1993）或主成分分析）表现出强烈的波动依赖性，他们使用单因子（vol）模型捕捉到这种依赖性。据我们所知，这是股票文献中唯一一个在去除线性相关性后，将股票收益的波动性依赖性描述为二阶效应的尝试。然而，它只关注残差波动率，因此忽略了因子波动率相关性，如下文所示。如图1所示，期权界也非常关注期权组合风险描述的波动率依赖性，一些研究已经开始解决这个问题。

值得注意的是，Engle和Figlewski（2012）承认了单只股票期权隐含波动性的共同作用，并试图通过波动率指数的风险敞口来模拟其动态。最近，Christo Offersen等人（2013年）提议使用期权数据校准单因素模型，并使用其在期权定价方面的预测。他们将股票价格动态建模为一个共同的随机市场因素和具有相关创新的随机特质波动。我们的研究范围是多元分析和自下而上的copula描述。我们的模型只关注横截面特性，目前还没有动态内容，尽管这是一个自然的下一步，很容易做到（至少在概念上）。我们的嵌套因子比上述因子更为完整，因为它能够再现更多的程式化事实，特别是因子波动率和特质波动率的共同结构，以及二元经验copula的微妙性质。数据集。我们将构建并校准我们的模型，该模型基于在整个研究期间标普500指数中存在的公司股价的每日收盘至收盘对数回报率。我们将考虑大约5年的三个时期进行实证研究和模型校准：金融危机之前（2000年1月至2004年12月）；金融危机期间（2005年1月至2009年12月）；金融危机之后（2009年8月-2012年12月）。在最后一节中，样本内/样本外测试的滑动窗口过程使用了更长的数据集：在这里，我们考虑了2000-2009年的十年时间。根据公司的活动部门对公司进行分组将很有用，以便查看是否出现可解读的模式。为此，我们将使用彭博社的inTab汇总分类。1.概述。