基于非对称幂分布的中国开放式基金业绩评价和检验

证券投资基金是现代金融业的重要组成部分。随着基金业的迅速发展,证券投资基金已成为我国资本市场最大、最有影响力的机构投资者。目前,开放式基金的数量和规模已远远超过封闭式基金,因此,本文主要探讨开放式基金的业绩评价和排名。已有大量实证研究发现基金收益具有尖峰厚尾性、非对称性和强正相关性,基于此,本文使用非对称幂分布(Asymmetric Power Distribution,APD)来拟合基金收益率分布。不同于其它文献的是,我们主要着眼于Sharpe比率估计量SR,研究36只开放式基金实际日收益率下SR和基于APD标准差和VaR的修正SR,并使用双样本统计量对SR进行假设检验,结论证明了假设检验是显著的,且在基金排名和评价的应用中是非常可行的。

面板数据贝叶斯自适应Lasso分位数回归——基于非对称指数幂分布的研究

分位数回归的贝叶斯推断目前几乎都建立在非对称拉普拉斯分布(ALD)之上。ALD中尾且缺乏控制尾部参数的弊端使得其在实际数据出现尖峰厚尾以及偏斜分布时不能灵活地反映数据特征,导致贝叶斯分位数估计出现偏差。为克服这一缺陷,本文采用具有左右尾参数的非对称指数幂(AEP)分布和基于Gibbs的自适应Metropolis–Hastings抽样方法,对经典贝叶斯分位数回归方法进行了扩展与改进,形成了基于AEP分布的贝叶斯自适应Lasso分位数回归方法,并将该方法首次应用于面板数据中。同时,为检验AEP方法的有效性,本文将该方法与基于偏指数幂(SEP)分布和基于ALD分布的贝叶斯自适应Lasso分位数回归方法进行了模拟比较。结果显示,AEP方法比SEP和ALD方法更不易受极端值的影响,性能更稳定。并且,在不同扰动项分布假设和不同分位数水平下,该方法具有更高精度的变量筛选功能。最后,选取36家我国零售类上市公司为实证研究对象,运用AEP方法对其股票收益率影响因素进行筛选和回归估计,进一步验证了该方法在实际问题中进行变量选择和参数估计的能力。

一种基于ALD和AEP分布的贝叶斯分位数回归

本文采用非对称指数幂分布(AEP)与非对称拉普拉斯分布(ALD)对分位数回归模型的误差项进行假定,对此进行贝叶斯分位数回归的参数估计。针对参数后验密度的复杂性,采用吉布斯抽样算法,对ALD分布和AEP分布进行后验参数抽样。通过数值模拟结果可知,服从AEP分布的误差假定对数据的适应性比ALD分布的要强。

资产相关结构对投资组合风险测度的影响分析

文章从分析金融资产收益率的统计特征入手,以GARCH模型为基础,用非对称幂分布描述组合资产中各金融资产收益率的边缘分布函数,在多种Copula函数情形下计算组合资产的风险值VaR及ES。结果表明:基于由多元Clayton Copula和多元Gumbel Copula组成的混合Copula函数较好地刻画了多只股票的相关结构,而且ES比VaR能够较准确地估计组合资产的尾部风险。

CAPM的新模型研究——基于美国银行信用违约互换数据的研究

采用Jin(2011)以及Zhuo(2013)提出的新模型和新方法,对Sharpe(1964),Lintner(1965)以及Mossin(1966)论文中提出的资本资产定价模型(CAPM)进行了实证研究。本文使用极大似然法对新的模型参数进行了估计。极大似然估计的程序是用Mat Lab编写的。最后发现,对于美国银行信用违约互换而言,非对称指数幂分布模型(AEPD),以及标准化非对称指数幂分布模型(SSAEPD)都适用。通过比较发现,基于标准化非对称指数幂分布模型(SSAEPD)的资本资产定价模型具有更好的样本适用性。

一种基于AEPD的贝叶斯参数估计方法

本文基于非对称指数幂分布(AEPD),采用MCMC中的M-H算法进行贝叶斯参数估计,针对后验密度的复杂性,采取随机游走链的建议分布为中心对称分布。通过数值模拟,在M个大样本下进行N次迭代,模拟结果显示,该算法对具有非对称指数幂分布的贝叶斯参数估计具有实用性。