另一个普遍使用的测度相关性的方法是Kendall’s tau。为了定义这个测度方法,我们考虑两个随机变量的两个观测值:(y1,x1)和(y2,x2)。如果y1>y2且x1>x2或者y1
1703536228
1703536229
τ=P(concordant)-P(not concordant)
1703536230
1703536231
=2P(concordant)-1 (2-20)
1703536232
1703536233
很明显这个测度值不会随着数据的单调转换而变化,并且它能从Copula直接计算得到。
1703536234
1703536235
所有这三种衡量方法——准相关方法,等级相关系数法和Kendall’s tau方法——都是对相关关系的非参数测度方法,因此,它们对所假设的分布和异常值来说都是稳健的。每个测度方法都描述了关于结果的全部范围的相关关系。
1703536236
1703536237
其他的一些测度方法考虑了关于极端值的依赖特征。一个关于极端值依赖性的测度方法是尾部相关性方法。这是一种测度联合极端值的方法。对于任何特别的分位数α,我们能够定义在另一个随机变量超过这个分位点的条件下,一个随机变量超过这个分位点的概率。通过变换下面的不等式(2-21),一个类似的定义可以用于上分位数
1703536238
1703536239
1703536240
1703536241
1703536242
低尾相关性(Lower tail dependence)被定义为分位数趋于0的概率极限:
1703536243
1703536244
1703536245
1703536246
1703536247
上尾相关性(upper tail dependence)是当分位数趋于1的概率极限。这是一种仅仅取决于分位数的测度方法,所以它是Copula的一个特征。
1703536248
1703536249
对风险管理来讲,测度低尾相关性是特别重要的。由于它是最重要的极端风险,所以有必要用一个Copula来准确地刻画多重资产同时出现极小收益率的概率特征。简单相关系数不能准确揭示出尾部相关性。一个非常重要的例子是高斯Copula。对于这样的联合密度函数,尾部相关性总是0,与其相关结构无关,因为极端事件总是没有关联。多元正态分布函数意味着极端风险能够被相当容易地分散。然而对于资产收益率的尾部行为表现,它不是一个好的描述。
1703536250
1703536251
尾部相关性对多重资产信用衍生工具定价和测度资产组合信贷风险来说也是非常重要的。如果违约是相关的,那么多重可违约债券的资产组合的风险会增加。在一个多样化的投资组合中,一个违约并不严重,但是许多违约将会带来灾难性的后果。当一个公司的重要的股票价值成为非常小的时候,公司会对债务违约,因为股票持有者只在债权人得到支付后才能得到价值。因此,一个公司违约的概率能解释为股票价格跌到一个低价格的概率。违约的概率因此能重新表述为股票价格跌到某个违约临界值的概率。举个例子,如果知道一年内的违约概率是1%,那么年末股票分布的1%分位点能作为违约边界。违约事件则是股票价格跌落到低于这个分位点。尽管这个事件发生的概率也许是已知的,但是这些事件的联合分布对信贷风险的模型来说是主要的。把违约事件间的相关性和股票价格联合分布的尾部相关性联系起来是直截了当的。
1703536252
1703536253
假设违约边界值由两个公司的违约概率α隐含定义,那么这两个指示变量间的相关性就是违约相关性:
1703536254
1703536255
1703536256
1703536257
[
上一页 ]
[ :1.703536208e+09 ]
[
下一页 ]