Memperkirakan risiko portofolio valuta asing: Menggunakan VaR

dan CVaR berdasarkan

pada model EVT-kopula GARCH?
ABTRAK

Makalah ini memperkenalkan GARCH? Model EVT-kata kerja penghubung dan berlaku untuk
mempelajari risiko asing
portofolio valuta. Multivariat Copulas, termasuk Gaussian, t dan orang-orang Clayton, yang
digunakan untuk menggambarkan struktur risiko portofolio, dan untuk memperpanjang analisis
dari bivariat ke sebuah
n-dimensi alokasi aset problem.Weapply metodologi ini untuk mempelajari kembali dari
portofolio empat mata uang asing utama di Cina, termasuk USD, EUR, JPY dan HKD. kami
Hasil penelitian menunjukkan bahwa alokasi investasi yang optimal adalah sama di seluruh
Copulas berbeda
dan tingkat keyakinan. Selain itu, kami menemukan bahwa investasi yang optimal
berkonsentrasi pada
investasi USD. Secara umum, t kopula dan Clayton kopula lebih baik menggambarkan
struktur korelasi beberapa aset dari normal kopula.

1. PENDAHULUAN

Value-at-Risk (VaR), ukuran statistik risiko downside dari portofolio keuangan,

merupakan salah satu langkah yang paling penting
risiko pasar. Telah banyak digunakan untuk manajemen risiko keuangan oleh lembaga
keuangan, regulator dan portofolio
manajer. Keuntungan terbesar dari VaR adalah bahwa hal itu dapat meringkas risiko
dalam satu nomor. Dalam beberapa tahun terakhir, VaR Bersyarat
(CVaR) telah muncul sebagai suplemen untuk VaR. Ini mengukur kerugian yang
diperkirakan mengingat bahwa kerugian lebih besar dari atau sama dengan VaR
pada tingkat kepercayaan tertentu (seperti 95%). Ini memberikan ukuran yang lebih
konservatif kerugian relatif terhadap VaR.
VaR biasanya berkaitan dengan peristiwa probabilitas rendah di ekor distribusi
pengembalian aset. Teori nilai ekstrem (EVT)
berfokus langsung pada ekor dan karena itu berpotensi bisa memberikan kita perkiraan
yang lebih baik dan perkiraan risiko. Tapi menerapkan EVT
seri kembali adalah tidak pantas karena mereka tidak independen dan identik
didistribusikan. Jadi berikut pendekatan
dari Frey dan McNeil [1], kami menggunakan model GARCH agar sesuai dengan seri
kembali dan menerapkan EVT untuk residual daripada pengembalian
seri. Beberapa rumah dan di luar negeri peneliti telah membuat kemajuan besar
menggunakan metode ini untuk mengukur VaR (misalnya Ref. [2? 4]
antara lain).
Di sisi lain, penelitian terbaru di I thank Pallop Angsupun telah menunjukkan berkali-kali
bahwa sistem ekonomi dan keuangan
adalah sistem yang kompleks diri adaptif yang terbuka dan waktu berkembang.
Kompleksitas yang terlibat dalam derivatif harga dan
manajemen risiko yang efektif merupakan perwujudan dari karakteristik dinamik
nonlinear ekuitas, tingkat bunga dan nilai tukar
pasar tingkat. Hal ini tidak jarang untuk melihat bahwa gangguan kecil di satu pasar
menyebabkan perubahan dramatis dalam seluruh sistem.
Dampak negatif dari suatu peristiwa yang tak terduga bisa mengubah struktur korelasi
antara risiko? Misalnya, risiko yang
yang sebelumnya dianggap tidak berkorelasi bisa menjadi berkorelasi, dll Hal ini karena
pasar keuangan sering menanggapi
gangguan eksternal dengan cara nonlinier. Jadi, ketika mengukur risiko portofolio multi-
aset, bagaimana model relasi
antara faktor-faktor risiko telah menjadi jalur aktif penelitian di bidang keuangan dalam
beberapa tahun terakhir.
Copulas banyak digunakan sepanjang garis ini penelitian, karena mampu mengekstrak
struktur ketergantungan dari sendi
fungsi distribusi probabilitas dan, secara bersamaan, untuk mengisolasi struktur
ketergantungan tersebut dari distribusi marjinal univariat.
Copulas merupakan era baru dalam analisis risiko dan analisis multivariat time-series,
dan terobosan dalam keuangan
metodologi pengukuran risiko. Selain copulas elips, yang simetris di sekitar mean,
copulas non-elips
dapat digunakan untuk model gerakan bawah bersama beberapa faktor risiko dengan
probabilitas yang lebih besar dari copulas elips.
Selain itu, Copulas dapat digunakan untuk secara akurat menggambarkan nonlinier,
struktur asimetris antara beberapa faktor risiko.
Pendekatan kami mengusulkan penggunaan copulas untuk representasi dependensi
spasial. Dalam hal ini, copulas memiliki
terbukti menjadi alat yang baik untuk mewakili ketergantungan antara variabel input
pada kedua model sistem yang sederhana dan kompleks.
Dalam model keandalan sistem, mereka adalah alternatif jika penyebab umum tidak
diketahui atau tidak dimaksudkan untuk dimodelkan.
Literatur tentang subjek cukup kaya (misalnya Ref. [5? 10] antara lain). Misalnya,
Geman dan Kharoubi [11]
memperkenalkan fungsi kopula untuk memiliki representasi yang lebih baik dari struktur
ketergantungan Futures minyak dengan indeks ekuitas.
Fernandez [12] menggambarkan bagaimana tes ekor-ketergantungan dapat menyesatkan
sebagai alat untuk memilih kata kerja penghubung yang erat meniru
struktur ketergantungan data, menggunakan data saham AS. Selain itu, Fernandez [5]
menyajikan model untuk memilih lindung nilai optimal
rasio portofolio yang terdiri dari jumlah sewenang-wenang komoditas, menggunakan
kata kerja penghubung untuk memperhitungkan pengembalian co-movement.
Namun, penelitian terbaru empiris telah berfokus pada risiko ekuitas menggunakan
Gaussian kerja penghubung dan t kopula. Di antara beberapa
studi yang tidak fokus pada risiko nilai tukar, analisis ini terbatas pada dua dimensi.
Misalnya, Patton [13]
berlaku kopula terhadap pemodelan distribusi gabungan waktu bervariasi dari Mark?
Dolar dan nilai tukar Dollar Yen?
kembali, dan menemukan bahwa ketergantungan bersyarat antara nilai tukar ini
asimetris. Patton [14] menganggap
perpanjangan dari teori Copulas untuk memungkinkan struktur ketergantungan bersyarat
nilai tukar tersebut, dan menunjukkan
bahwa Mark? Dolar dan Yen? exchange rates lebih berkorelasi ketika mereka depresiasi
terhadap Dollar
daripada ketika mereka menghargai. Tursunalieva [15] memperluas pekerjaan Patton dan
menunjukkan bahwa SJC-kopula menangkap ekor
 ketergantungan antara kurs di masa pra-euro dan pasca transisi, sementara diputar
menangkap Gumbel kopula
ketergantungan selama masa transisi.
Di Cina, Wu dan Ye [16] adalah yang pertama untuk menganalisis portofolio dua aset
valuta asing menggunakan Archimedes kopula. Sun
dan Bai [17] menganggap EUR / CNY dan JPY / USD nilai tukar, menggunakan
berbagai Archimedes Copulas agar sesuai dengan data dan
memperoleh kopula optimal untuk menangkap korelasi antara dua variabel. Wang dan
Chen [18] menggunakan EVT untuk mengukur
risiko valuta asing, dan membangun model kerja penghubung-EVT untuk menghitung
VaR untuk portofolio nilai tukar EUR / CNY dan
JPY / USD dengan simulasi Monte Carlo. Di sisi lain, beberapa peneliti menggabungkan
model GARCH dan kata kerja penghubung untuk secara dinamis
mempelajari hubungan dan risiko aset keuangan [19? 22].
Menerapkan copulas manajemen risiko keuangan telah menunjukkan potensi besar dan
banyak kemajuan telah dibuat
dalam literatur terbaru. Namun, ketika mempelajari kata kerja penghubung multivariat,
kebanyakan peneliti berfokus pada Gaussian kerja penghubung dan t
Kopula. The Archimedes kopula jarang digunakan karena masalah implementasi. Dalam
tulisan ini, kita cocok dengan Clayton kerja penghubung ke
portofolio valuta asing.
Kontribusi dari paper kami adalah dua kali lipat. Pertama, selain Gaussian kerja
penghubung dan t kopula, kita menggunakan multivariat
Kopula Archimedes, khususnya Clayton kerja penghubung, untuk menganalisis struktur
ketergantungan asimetris dan ukuran
hubungan nonlinear yang kompleks antara pengembalian aset keuangan. Kedua, kami
memperluas analisis dari bivariat ke sebuah
n-dimensi masalah alokasi aset. Secara khusus, kami menggunakan GARCH bersarang
copulas dengan margin EVT untuk memperkirakan risiko
dari portofolio valuta asing empat dimensi.
Sisa kertas ini disusun sebagai berikut. Bagian 2 menggambarkan distribusi marginal
menggunakan GARCH? Model EVT dan
memberikan gambaran singkat mengenai teori kopula. Hal ini juga memperkenalkan
estimasi parameter dari kata kerja penghubung. Bagian 3 menyajikan
Algoritma simulasi menggunakan kopula n-variabel untuk menggambarkan struktur
korelasi dan menganalisis risiko portofolio. bagian 4
berlaku GARCH? EVT-kerja penghubung untuk mengukur risiko dalam portofolio
valuta asing empat dimensi, dan pilih kopula optimal
untuk model struktur ketergantungan kumpulan data. Bagian 5 menyimpulkan.

2. Estimasi parameter GARCH? Model EVT dan kopula

2.1 model garch-evt
Menyadari heteroskedastisitas dan volatilitas alam pengelompokan time series,
pertama kita menggunakan GARCH (1, 1) untuk model
time series. Model ini:

dimana w> 0; ? ? 0; ? 0; ? C <1; rt adalah actual return,? adalah pengembalian yang

diharapkan dan t adalah volatilitas kembali
 pada hari t.
Keacakan dalam model datang melalui variabel stokastik, yang merupakan residu
atau inovasi dari
proses. Secara konvensional residual ini diasumsikan mengikuti distribusi normal.
Namun, distribusi bersyarat
Model GARCH telah terbukti memiliki ekor lebih berat daripada distribusi normal,
yang menyediakan pendekatan yang lebih baik
seri waktu keuangan yang sebenarnya.

Selain itu, EVT tampaknya menjadi pendekatan yang tepat untuk memodelkan
perilaku ekor. Namun, menerapkan EVT ke
random variabel rt tidak tepat sebagai rt tidak independen dan identik didistribusikan.
Oleh karena itu, model yang marjinal kami
dibangun pada model EVT GARCH?, di mana kita menggunakan model GARCH
agar sesuai dengan data kembali sejarah, maka kita model standar
inovasi dengan dua distribusi: oleh distribusi GPD di bagian bawah atau atas ekor
dan oleh distribusi empiris di
bagian yang tersisa. Distribusi inovasi diikuti oleh (lihat rincian di Ref [23].):

mana,? adalah skala dan bentuk parameter, masing-masing, uR.uL / adalah atas (bawah)
threshold.
Untuk memperkirakan,? tepatnya kita harus memilih ambang yang tepat. Pilihan ambang
optimal bisa rumit
karena ada pertukaran antara presisi tinggi dan varians rendah. Jika kita memilih ambang batas
yang terlalu rendah, kita mungkin
mendapatkan perkiraan bias karena teorema limit tidak berlaku lagi. Di sisi lain, jika kita
memilih batas tinggi,
maka akan menghasilkan perkiraan dengan kesalahan standar yang tinggi karena sejumlah
pengamatan. Sebuah badan besar penelitian tentang
statistik yang digunakan model regresi eksponensial untuk memilih ambang optimal [24? 26].
Terutama, Fernandez [12] memberikan
Aplikasi memuaskan metode tersebut berdasarkan data saham AS. Di sisi lain, Frey dan McNeil
[1] menunjukkan bahwa GPD
Metode tampaknya lebih efisien daripada metode Hill. Metode GPD juga terbukti lebih stabil
terhadap
Pilihan data ekstrim. Neftci [27] memilih 1:65? sebagai ambang batas. Du? Mouchel [28]
mengusulkan memilih pelampauan menjadi
yang ke-90 (atau 10) persentil sampel. Ini adalah kompromi antara kebutuhan praktis untuk
cukup pengamatan untuk andal
memperkirakan parameter? dan keinginan teoritis untuk menggambarkan perilaku CDF. Dalam
studi ini, kami memilih pelampauan
menjadi persentil ke-10 sampel dan menggunakan plot MEF sampel dan Hill plot untuk
menentukan ambang batas yang sesuai.

2.2 Estimasi parameter kopula

Teorema berikut ini dikenal sebagai Sklar Teorema [29]. Ini adalah teorema yang
paling penting tentang fungsi kopula karena
digunakan dalam berbagai aplikasi praktis.
Teorema. Biarkan F menjadi c.d.f.-n dimensi dengan margin terus menerus F1; F2;
:::; Fn. Kemudian memiliki kopula unik berikut
representasi:

Struktur ketergantungan ultivariate dapat dipisahkan. Dengan asumsi bahwa struktur

ketergantungan tidak berubah dengan waktu,
kita memilih tiga jenis struktur ketergantungan, kopula yaitu Gaussian, t kopula dan
Clayton kerja penghubung untuk memperkirakan sendi
distribusi. Pada bagian berikut, kami jelaskan bagaimana mengestimasi parameter
masing-masing kata kerja penghubung.
(1) n-variabel Gaussian kopula.
Biarkan ?? menjadi standar multivariat distribusi normal dengan matriks korelasi?.
The Gaussian kopula dapat
didefinisikan sebagai berikut:

mana? 􀀀1 menunjukkan kebalikan dari fungsi distribusi kumulatif normal. Dari

rumus (2) kita tahu bahwa marjinal
distribusi Fi.z /. Berdasarkan fz1t data historis; z2t; :::; g ZNT; t D 1; 2; :::; T, kita
menetapkan:

Therefore we can get the simple expression: CGu.ut / D __._t /. And using MLE method, _ is estimated as follows:
Oleh karena itu kita bisa mendapatkan ekspresi sederhana:.? CGu.ut / D ?? t /. Dan
menggunakan metode MLE,? diperkirakan sebagai berikut:

Untuk menangkap properti ekornya yang berlemak, kami memperkenalkan siswa

multivariat t kopula yang menunjukkan pengamatan lebih dalam
ekor dari Gaussian.
(2) n-variabel t kopula.
Biarkan tv;? menjadi standar multivariat t distribusi dengan matriks korelasi? dan v
derajat kebebasan. T kopula
dapat didefinisikan sebagai berikut:
From formula (2) we know that the marginal distribution is Fi.z/. Based on the historic data fz1t ; z2t ; : : : ; znt g; t D
1; 2 : : : ; T and the given degree of freedom v, we set:

Dari rumus (2) kita tahu bahwa distribusi marjinal Fi.z /. Berdasarkan fz1t data
historis; z2t; :::; g ZNT; t D
1; 2:::; T dan derajat diberikan kebebasan v, kita menetapkan:

Therefore we have : Ct .ut / D tv;_._t /. The parameter matrix _ is also estimated using the MLE method which is the same
as the Gaussian Copula, and it can be calculated as follows:
(1) The initial matrix is the correlation coefficient matrix of multivariate normal Copula function estimated from (6).
(2) We can get the correlation coefficient matrix O_nC1 of multivariate t Copula through the following iterative calculation
method:

Oleh karena itu kami memiliki: Ct .ut / D tv; t /?.?. Parameter matriks? juga
ditentukan dengan menggunakan metode MLE yang sama
sebagai Gaussian kopula, dan dapat dihitung sebagai berikut:
(1) Matriks awal adalah matriks koefisien korelasi multivariat fungsi kopula yang
normal diperkirakan dari (6).
(2) Kita bisa mendapatkan koefisien korelasi matriks O? NC1 multivariat t kopula
melalui perhitungan iteratif berikut
metode:

Repeat the above process until O_nC1 D O_n, so using MLE we can get the correlation coefficient matrix _ of t Copula
which can be O_ D O_n.
In addition to the fat tails, we can try to check whether asymmetry exists in the tails which the t Copula cannot detect.
We use the Clayton Copulas, one of the Archimedean families better known in capturing left tail dependence.
(3) n-variable Clayton Copula.
The Clayton Copula was first proposed by Clayton [30]. The Cumulative distribution functions are defined by the
following:

Ulangi proses di atas hingga O? NC1 DO? N, sehingga dengan MLE kita bisa
mendapatkan matriks koefisien korelasi? t kopula
yang dapat O? D O? N.
Selain ekor gemuk, kita dapat mencoba untuk memeriksa apakah asimetri ada di ekor
yang t kopula tidak dapat mendeteksi.
Kami menggunakan Clayton Copulas, salah satu keluarga Archimedes lebih dikenal
dalam menangkap ketergantungan ekor kiri.
(3) n-variabel Clayton kopula.
The Clayton kopula pertama kali diusulkan oleh Clayton [30]. Fungsi distribusi
kumulatif didefinisikan oleh
berikut:

Based on the historic data fz1t ; z2t ; : : : ; znt g; t D 1; 2 _ _ _ T and formula (2), we have ui D Fi.zit /. Thus, we can directly
estimate the parameter _ of n-variable Clayton Copula using MLE method.

Berdasarkan fz1t data historis; z2t; :::; g ZNT; t D 1; 2? ? ? T dan formula (2), kita memiliki D
Fi.zit ui /. Dengan demikian, kita bisa langsung
memperkirakan parameter? n-variabel Clayton kopula menggunakan metode MLE.

3. Algoritma simulasi dan analisis risiko portofolio

3.1 simulasi algoritma
(1) simulasi return via copula gaussian
 Langkah 1 Untuk O? berasal dari rumus (6), kita melakukan dekomposisi
Cholesky dan kemudian memiliki? D A0A;
Langkah 2 Menggambar vektor n-dimensi independen dari beberapa distribusi
normal x D .x1; x2; :::; xn / 0, xi? N.0; 1 /.
Biarkan y D A0x, maka z D .F􀀀1
.? 1 y1 //.; F􀀀1
.? 2 y2 //.; :::; F􀀀1
1.?. Yn ///, di mana F􀀀1
i, i D 1; 2; :::; n adalah kebalikan dari distribusi
Fi dalam rumus (2);
Langkah 3 Mengulangi langkah di atas dan simulasi M kali, kita bisa
mendapatkan .z1m vektor; Z2m; :::; znm / 0; m D 1; 2? ? ? M. kemudian
mengembalikan ke rumus (1) kita bisa mendapatkan M kembali pada saat t C1.
Distribusi gabungan kembali residual 'adalah Gaussian ini
Kopula. Pengembalian dapat didefinisikan oleh rTC1 D .r1m; R2M; :::; RNM / 0
D 1Cz1m 1;.?? TC1;?? 2Cz2m 2; TC1; :::;?? NCznm n; TC1 / 0;
di mana saya;?? TC1, i, i D 1; 2; :::; n dihitung dengan GARCH (1, 1) model.
(2) simulasi return via copula t

Langkah 1 Untuk O? berasal dari rumus (9) kita lakukan Cholesky dekomposisi
untuk mendapatkan? D A0A;
Langkah 2 Hasilkan m vektor acak yang didistribusikan secara independen dan
identik, seperti x D .x1; x2; :::; xn / 0,
xi? N.0; 1 /. Biarkan y D A0x, maka kami memproduksi random vektor s, tunduk
pada distribusi Chi-square dan independen x. kemudian
kita set: z D .F􀀀1
1 .t.
py1
s=v
//; F􀀀1
2.?. T.
py2
s=v
///; :::; F􀀀1
i.?.
Pyi
s=v
/// Mana F􀀀1
i, i D 1; 2; :::; n adalah kebalikan dari distribusi
Fi dalam rumus (2);
Langkah 3 Ulangi langkah di atas M kali, kita bisa mendapatkan .z1m vektor;
Z2m; :::; znm / 0, m D 1; 2? ? ? M. Kemudian mengembalikan ke
Rumus (1) kita bisa mendapatkan kembali M pada waktu t C 1 distribusi
gabungan Pengembalian residual 'adalah t ini kopula. Pengembalian dapat
didefinisikan oleh rTC1 D .r1m; R2M; :::; .? RNM / 0 D 1 C z1m 1;? TC1,? 2 C
Z2m 2;? TC1; :::;?? N C znm n; TC1 / 0;
(3) simulasi return via copula clayton

Sebuah rintangan untuk implementasi praktis dari setiap kata kerja penghubung Archimedes
multivariat adalah tidak adanya metode yang efisien untuk
menghasilkan keuntungan. Marshall dan Olkin [31] mengusulkan metode alternatif, yang
komputasi mudah daripada
pendekatan distribusi bersyarat. Hal ini membutuhkan menghasilkan variabel tambahan.
Mengingat fungsi invers dari Gamma. 1
? ; 1 / 's transformasi LT OGa􀀀1 D t􀀀? 􀀀1, itu berkaitan erat dengan generator
Clayton kopula: .t / D 1
? .t􀀀? 􀀀 1 /. Dua ekspresi hanya berbeda dengan faktor 1
? , Yang tidak akan mempengaruhi
pembangkit Clayton kopula. Akibatnya, Clayton kopula adalah kata kerja penghubung LT-
Archimedes dan algoritma simulasi pengembalian
melalui Clayton kopula adalah sebagai berikut:
Langkah 1 Menghasilkan variabel acak M Ym; m D 1; 2; :::; M yang memenuhi fungsi Gamma.
1
? ; 1 /, di mana parameter
? diestimasi dengan menggunakan MLE;
Langkah 2 Simulasikan seragam independen variabel acak y1; y2; :::; yn;
Langkah 3 Biarkan UIM D Ga.􀀀ln.yi /
ym
/, I D 1; 2; :::; n; m D 1; :::; M, maka distribusi bersama u D .u1; u2; :::; un /
adalah
n-dimensi Clayton kerja penghubung dengan parameter?, maka zim DF􀀀1
i .uim /, i D 1; 2; :::; n; m D 1; :::; M;
Langkah 4 Mirip dengan langkah terakhir dari simulasi melalui Gaussian kopula
atau t kopula di atas, kita bisa mendapatkan M kembali pada saat t C 1
dan distribusi gabungan kembali residual 'adalah t ini kopula. Pengembalian dapat
didefinisikan oleh rTC1 D .r1m; R2M; :::; RNM / 0 D
.? 1 C z1m 1;? TC1,?? 2 C Z2m 2; TC1; :::;? N C znm n; TC1 / 0?.

3.2 analisis portofolio risiko

(1) VaR dan CVaR portofolio berbobot sama.

Menggunakan algoritma di atas, kita dapat mensimulasikan kembali dari n-dimensi time series
pada t C 1, menggunakan tiga kata kerja penghubung
fungsi untuk menggambarkan struktur korelasi. Sekarang anggaplah kita ingin menghitung VaR
empiris dan CVaR dari sama-sama
portofolio tertimbang. Dengan asumsi portofolio berbobot sama dengan aset n, maka berat badan
pada setiap aset adalah sama, yaitu,
w D T1
n; 1
n; :::; 1
n
U0. Kemudian, dengan menggunakan sampel MS kembali dari simulasi yang dijelaskan di atas,
kita dapat getM total kembali dari
portofolio: Pengembalian D rTC1? w D .r1m; R2M; :::; RNM /? w. Akibatnya, kita bisa
mendapatkan distribusi empiris dan dengan demikian VaR
dan CVaR dari portofolio berbobot sama.

(2) Portofolio optimal dengan risiko minimal.

Diskusi di atas difokuskan pada memperkirakan VaR dan CVaR dari portofolio berbobot sama.
Namun, untuk komersial
bank dan investor individu, salah satu keprihatinan utama adalah untuk meminimalkan risiko
portofolio investasi. Untuk mengatasi hal ini
kekhawatiran, algoritma berikut menghitung bobot optimal setiap aset yang meminimalkan
risiko portofolio.
Asumsikan bahwa berat aset individual dalam portofolio adalah w D TW1; w2; :::; WnU0, di
mana 0? wi? 1 dan
w1Cw2C? ? ? CWN D 1 Rupanya, ada banyak vektor berat yang memenuhi kondisi ini. Untuk
setiap investasi yang diberikan
vektor bobot w, kita bisa mendapatkan M pengembalian portofolio; yaitu, Pengembalian D
rTC1? w D .r1n; R2N; :::; RNM /? w. kita bisa
kemudian menghitung VaR portofolio ini pada tingkat kepercayaan tertentu. Setelah
mendapatkan semua nilai VaR sesuai dengan semua
vektor berat, kita dapat menemukan minimum VaR. Hal ini memungkinkan kita untuk
mendapatkan berat badan di setiap aset yang meminimalkan VaR; bahwa
adalah, min VaR? D risk.b1; b2; :::; bn /. Selain itu, kita dapat menghitung nilai CVaR di vektor
bobot ini berasal dari
portofolio risiko minimal.
4. Studi empiris di pasar valuta asing
Pada bagian ini kita memilih empat tukar mata uang asing termasuk USD / CNY, EUR /
CNY, JPY / USD dan USD / CNY
menunjukkan penerapan model EVT-kopula GARCH?. Seperti yang kita semua tahu,
Cina telah mulai menerapkan baru
kebijakan nilai tukar sejak 21 Juli 2005 Seri data yang digunakan di sini adalah dari 25
Juli 2005 sampai dengan 25 Juli 2008 (Sumber data
dari http://www.safe.gov.cn/model_safe/index.html). Kami menggunakan kembali
logaritma harian didefinisikan sebagai rt D ln Pt 􀀀 ln Pt􀀀1,
dimana Pt adalah harga tengah nilai tukar pada waktu t. Seri Data memberi kita 732
observasi untuk setiap nilai tukar.
4.1. Ringkasan statistik
Statistik deskriptif pengembalian logaritmik harian disajikan pada Tabel 1 Jelas, semua
seri memiliki ekor berat dan
mereka tidak mengikuti distribusi normal. Sebagai contoh, semua seri memiliki skewness
non-nol, dan kemiringan dari USD / CNY dan
HKD / CNY terutama besar. Selain itu, semua seri memiliki kurtosis lebih dari tiga.
Ambil USD / CNY sebagai contoh. Hasil pengujian ADF menunjukkan bahwa tidak ada
unit root dan seri mengikuti stasioner
proses stokastik. The ARCH LM test menunjukkan bahwa USD / CNY adalah proses
stokastik stasioner, tetapi dengan heteroskedastisitas.
Hasil di tiga lainnya tukar serupa. Akibatnya, kita dapat menggunakan GARCH (1, 1)
sebagai model dalam Pers. (1) untuk mempelajari
pergerakan nilai tukar. The auto-correlogram USD / CNY seri kembali dan kuadrat
kembali diperlihatkan
Gambar. 1 dan 2.
4.2. Aplikasi GARCH? EVT-kopula
Kami menerapkan GARCH? EVT-kopula model untuk mempelajari risiko nilai tukar.
Pertama, kita cocok dengan model EVT GARCH? Untuk masing-masing
seri nilai tukar dan mendapatkan distribusi marginal residual. Kedua, kita menggunakan
multivariat Gaussian, t dan
Clayton Copulas untuk menggambarkan korelasi residual dan mendapatkan parameter
kopula. Akhirnya, kami menggunakan Monte Carlo simulasi untuk menghasilkan
keuntungan berdasarkan struktur korelasi ditentukan di setiap Copulas. Kami kemudian
menghitung risiko
portofolio dan menurunkan berat portofolio optimal pada tingkat kepercayaan yang
diberikan. Kami menjelaskan rincian
prosedur di bawah ini.
(1) GARCH? Model EVT.
Pertama, kita menggunakan model GARCH agar sesuai dengan pengembalian dan
menghilangkan heteroskedastisitas. Parameter model diestimasi dengan menggunakan
Metode MLE dan hasil estimasi GARCH diberikan pada Tabel 2.
The Durbin? Watson Statistik menunjukkan bahwa tidak ada auto-korelasi antara
residual. Dengan demikian, spesifikasi
dipertahankan. Validitas persamaan AR diverifikasi dari correlogram tersebut. Korelasi
di semua tertinggal telah ditemukan
tidak signifikan, menyiratkan bahwa seri kembali stasioner, suatu kondisi yang
diperlukan untuk menggunakan model GARCH. GARCH The
Spesifikasi juga menangani pengelompokan volatilitas. Namun, sebagaimana
dikemukakan pada bagian sebelumnya, hal ini tidak cukup sebagai
statistik deskriptif dari residual standar jelas menunjukkan bahwa distribusi bersyarat
 memiliki ekor yang lebih berat dari itu dari
distribusi normal.
Seperti dijelaskan dalam bagian sebelumnya, kita akan menggunakan metode POT
menggunakan GPD untuk estimasi ekor dan memilih
pelampauan menjadi persentil ke-10 sampel. Kami menggunakan plot sampel MEF dan
Hill petak bersama-sama untuk menentukan
threshold yang tepat. Gambar. 3? 6 menunjukkan plot MEF sampel dan Hill plot USD /
CNY, EUR / CNY, JPY / USD dan USD / CNY. Kami
menurunkan ambang batas dari empat CNY nilai tukar pada Tabel 3 Parameter lainnya
dapat diperoleh dengan menggunakan metode
kemungkinan maksimum.
Kami plot grafik residual GPD pas USD nilai tukar / CNY ini (Gbr. 7) dan grafik
estimasi ekor atas (Gbr. 8).
Dari Gambar. 8, diagram menunjukkan bahwa GPD cocok residual dari USD / CNY nilai
tukar kembali dengan sempurna.
(2) deskripsi korelasi dengan menggunakan kata kerja penghubung dan analisis risiko
portofolio.
Setelah mendapatkan parameter GPD dan residu jerawat; i D 1; 2; 3; 4; t D 1; 2; :::; T, kita
mengganti jerawat ke dalam rumus
(2) dan mendapatkan marjinal distribusi ui D f .zi /. Menurut metode estimasi parameter
dalam Bagian 2.1 kita bisa mendapatkan
parameter Copulas. Itu adalah matriks korelasi? Gaussian kerja penghubung,? dan derajat
kebebasan v t kopula, yang
parameter? Clayton kopula.
Menerapkan algoritma simulasi yang dijelaskan dalam Bagian 2.2 di atas, kita dapat
mensimulasikan kembali pada waktu t C 1 berdasarkan
struktur korelasi ditentukan dalam tiga jenis kata kerja penghubung. Dengan portofolio
berbobot sama dari empat bursa asing
(USD, EUR, JPY dan HKY), kita dapat menghitung VaR dan CVaR portofolio (Tabel 4).
Selain itu, kita dapat menemukan optimal
Berat portofolio yang meminimalkan risiko portofolio. Hasilnya dapat dilihat pada Tabel 6.
Tabel 4 menunjukkan bahwa di bawah tingkat kepercayaan yang sama, VaR (CVaR)
dihitung dari t kopula dan Clayton kopula kurang
Selain itu dari Gaussian kopula. Itu karena t dan Clayton kopula mempertimbangkan korelasi
ekor tapi Gaussian kopula
tidak.
Di sisi lain, dalam rangka untuk memilih kata kerja penghubung optimal untuk model
struktur ketergantungan kumpulan data, kita menyelidiki
yang kopula kebaikan-of-fit pendekatan berdasarkan transformasi Rosenblatt [32]. Kami
juga mengadopsi? Tes Sayang Anderson

statistik [33], metode reduksi dimensi yang diusulkan oleh Genest et al. [34], Panchenko [35]
dan Berg dan Bakken [36]
untuk memilih fungsi kopula optimal. Algoritma dan prosedur adalah sebagai berikut:
Langkah 1 Untuk vektor acak kontinu Xj D .Xj1; :::; Xjd /; j D 1; :::; n dengan empiris F1
distribusi marginal; :::; fd,
mana OFi.x / D 1
n
pn
jD1 IfXji? xg, kita dapat memperoleh vektor Uj D .Uj1; :::; Ujd / D. OF1.Xj1 /; :::; OFd.Xjd //; j
D 1; :::; n;
Langkah 2 Di bawah hipotesis nol, H0 V C 2 fC? V? 2? G, di mana C adalah diketahui, tetapi
diasumsikan termasuk kelas kata kerja penghubung, kami
memperkirakan parameter O? D arg? max
pn
jD1 log.c.U1; :::; Ud /; ? / Dari kata kerja penghubung, di mana c.U1; :::; Ud / menunjukkan
densitas
dari kata kerja penghubung tersebut.
Langkah 3 Mendapatkan R.U / D E D .E1; :::; Ed / 2, 0; 1 / d oleh bersyarat probabilitas
transformasi integral, dan kemudian mengurangi nya
dimensi. Artinya, Vj D
Pd
ID1 􀀀1.Eji / 2; j D 1; :::; n
Langkah 4 menyamakan fungsi distribusi V, Gw / DF? 2
d
.V /, Dan menghitung OG.s distribusi empiris / D 1
n
pn
jD1
1.Vj? s /.
Langkah 5. Hitunglah AD statistik D 􀀀n􀀀 1
n
pn
jD1.2j􀀀1 /? Tln. OG.Vj /// Cln.1􀀀 OG.Vn􀀀jC1 /// U, di mana V.1 /? V.2 /? ? ? ? ? V.n /
adalah statistik urutan V.
Langkah 6 Pertimbangkan cukup besar bilangan bulat positif N .Nd 500 /. Untuk setiap k D
1; :::; N, menghasilkan random sampel Y dari
CO? . Ulangi langkah 1? 5 dan mendapatkan statistik AD?
1; :::; AD?
N.
Langkah 7 Hitung perkiraan p-value (Penolakan Rate), p D 1
NC1
PN
ID1 1.AD?
i> AD /.
Hasilnya dapat dilihat pada Tabel 5.
Hasilnya menunjukkan bahwa tingkat penolakan Normal kerja penghubung, t kopula dan
Clayton kopula adalah 0,0579, 0,0140, 0,3772 dan,
masing-masing. Seperti yang kita lihat, t kopula memiliki tingkat penolakan terendah. Oleh
karena itu, berdasarkan analisis kami, t kopula paling tepat menggambarkan
struktur ketergantungan devisa dalam portofolio ini

Tabel 6 menyajikan berat badan optimal portofolio di bawah risiko portofolio minimum, dan
VaR (CVaR) di bawah Copulas berbeda
dan tingkat keyakinan. Dari Tabel 6 dapat kita lihat:
? Bobot portofolio optimal adalah sama di seluruh Copulas berbeda dan tingkat kepercayaan.
Investasi ini berkonsentrasi pada
USD, meskipun USD secara konsisten terdepresiasi terhadap CNY sejak China memulai
reformasi nilai tukar pada bulan Juli 2005.
Namun demikian, USD tetap menjadi mata uang yang paling penting dalam cadangan devisa
nasional Cina, dan akan
terus menjadi mata uang utama investasi pemerintah dan swasta. Ini membantu menjelaskan
mengapa USD account untuk
Berat terbesar dalam portofolio valuta asing dengan risiko minimal, selama periode sampel kami
Juli 2005? 2008. dengan
tingkat keyakinan yang lebih tinggi, berat USD investasi menjadi lebih kecil sedangkan bobot
dari mata uang asing lainnya
menjadi lebih besar. Hal ini karena dengan tingkat kepercayaan yang lebih tinggi, investor akan
lebih toleran risiko dan karena itu bersedia
untuk mengambil lebih banyak risiko untuk mencapai hasil yang lebih tinggi diharapkan.
? Membandingkan nilai resiko dihitung dengan tiga Copulas, kita menemukan bahwa VaR
diperoleh dari t kopula kurang dari itu dari
Kopula Gauss. Hal ini karena meskipun t kopula memiliki ekor yang berat, ia mampu
menangkap korelasi ekor. ekstrem
Peristiwa pengembalian aset bisa saling mengimbangi karena korelasi yang rendah, maka VaR
yang lebih kecil. Kami mencapai kesimpulan yang sama
ketika menghitung VaR dan CVaR dari portofolio valuta asing berbobot sama.
? Kapan? D 0: 9, VaR menggunakan Clayton kopula lebih besar dibandingkan mereka yang
menggunakan t kopula dan Gaussian kopula. Namun, dengan tinggi
tingkat kepercayaan, Clayton kopula lebih baik menangkap korelasi dari bursa asing dan
menghasilkan VaR yang
mirip dengan VaR dengan t kopula. Akibatnya, di bawah tingkat kepercayaan yang lebih tinggi,
kita dapat memilih t dan Clayton Copulas untuk menghitung
risiko portofolio. Temuan ini dapat membantu investor valuta asing lebih baik mengelola risiko
valuta asing.
5. Kesimpulan
Dalam tulisan ini kami memperkenalkan GARCH? Model EVT-kata kerja penghubung dan
menggunakannya untuk mengukur risiko multi-dimensi asing
portofolio valuta. Ketika pemodelan struktur korelasi kita tidak hanya menerapkan Gaussian
konvensional dan t Copulas,
tetapi juga multivariat Clayton kerja penghubung yang jarang digunakan karena kompleksitas
yang terlibat dalam pemrograman.
Kami menemukan bahwa untuk portofolio valuta asing berbobot sama, VaR (CVaR) dihitung
dari t dan Clayton Copulas adalah
kurang dari itu dihitung dari Gaussian kopula. Hal ini karena t dan Clayton Copulas model
korelasi ekor tapi
Gaussian kopula tidak. Di sisi lain, ketika meminimalkan risiko portofolio, bobot portofolio
optimal adalah sama di seluruh
Copulas berbeda dan tingkat kepercayaan yang berbeda. Investasi yang optimal cenderung
berkonsentrasi dalam investasi USD. Hal ini
konsisten dengan fakta bahwa USD tetap menjadi mata uang yang paling penting dalam
cadangan devisa nasional Cina,
dan bahwa hal itu akan terus menjadi mata uang utama di kedua investasi pemerintah dan
swasta. Sementara itu, dengan lebih tinggi
tingkat kepercayaan, berat badan menurun USD sedangkan berat di EUR dan JPY meningkat.
Selain itu, kami menunjukkan bahwa t kopula terbaik
menggambarkan struktur ketergantungan antara bursa asing di portofolio kami. Hal ini juga
menangkap risiko portofolio lebih baik dari
Clayton dan Gaussian Copulas. Temuan ini dapat membantu investor valuta asing lebih baik
mengelola risiko valuta asing.