[论文解读] Switching-GAS Copula Models for Systemic Risk Assessment

Mauro Bernardi, Leopoldo Catania|arXiv (Cornell University)|Apr 14, 2015

Financial Risk and Volatility Modeling参考文献 69被引用 7

一句话总结

本文提出了一种切换-GAS 皮尔逊相关系数（SGASC）模型，利用马尔可夫切换广义自回归分数（GAS）动态机制，捕捉金融收益中的非线性、非对称依赖关系。该模型在CoVaR回溯测试中优于竞争模型，特别是在预测欧洲市场系统性风险贡献方面表现突出。

ABSTRACT

Recent financial disasters have emphasised the need to accurately predict extreme financial losses and their consequences for the institutions belonging to a given financial market. The ability of econometric models to predict extreme events strongly relies on their flexibility to account for the highly nonlinear and asymmetric dependence observed in financial returns. We develop a new class of flexible Copula models where the evolution of the dependence parameters follow a Markov-Switching Generalised Autoregressive Score (SGASC) dynamics. Maximum Likelihood estimation is consistently performed using the Inference Functions for Margins (IFM) approach and a version of the Expectation-Maximisation (EM) algorithm specifically tailored to this class of models. The SGASC models are then used to estimate the Conditional Value-at-Risk (CoVaR), which is defined as the VaR of a given asset conditional on another asset (or portfolio) being in financial distress, and the Conditional Expected Shortfall (CoES). Our empirical investigation shows that the proposed SGASC models are able to explain and predict the systemic risk contribution of several European countries. Moreover, we also find that the SGASC models outperform competitors using several CoVaR backtesting procedures.

研究动机与目标

• 为解决现有皮尔逊相关系数模型在捕捉金融收益中非线性和非对称依赖关系方面的局限性。
• 提升对互联金融体系中极端金融损失和系统性风险的预测能力。
• 开发一类灵活的皮尔逊相关系数模型，通过动态参数演化适应依赖结构的制度转换。
• 以更高的精度估计条件风险价值（CoVaR）和条件预期短缺（CoES），以支持系统性风险监控。
• 通过在欧洲金融数据上的回溯测试程序验证模型性能。

提出的方法

• 提出一类新型皮尔逊相关系数模型，其中依赖参数通过马尔可夫切换广义自回归分数（GAS）动态机制演化，以捕捉时变且与制度相关的依赖关系。
• 采用边际函数推断（IFM）方法，实现模型参数的一致最大似然估计。
• 将期望最大化（EM）算法改进以处理SGASC框架中潜在的马尔可夫切换状态与分数驱动动态机制。
• 通过CoVaR和CoES衡量系统性风险，定义为当某一资产处于困境时，另一资产的风险价值与预期短缺。
• 采用制度切换结构，允许依赖关系中出现结构性断裂，增强在市场压力期间对尾部依赖关系建模的灵活性。
• 将模型应用于欧洲国家的多变量金融收益数据，以评估系统性风险贡献。

实验结果

研究问题

• RQ1 与静态或非切换模型相比，具有制度切换依赖动态的皮尔逊相关系数模型是否能更有效地捕捉金融收益中的非线性和非对称依赖关系？
• RQ2 在金融压力时期，SGASC模型在CoVaR和CoES指标下预测系统性风险的能力如何？
• RQ3 在分数驱动皮尔逊相关系数框架中引入马尔可夫切换动态机制，是否能提升模型在样本外预测性能，相较于基准模型？
• RQ4 所提出的SGASC模型估计的各欧洲金融机构的系统性风险贡献是多少？
• RQ5 与竞争模型相比，SGASC模型在标准CoVaR回溯测试程序下的表现如何？

主要发现

• SGASC模型成功捕捉了金融收益中的非线性和非对称依赖结构，尤其在市场压力时期表现显著。
• 该模型在系统性风险预测方面表现出色，在多项CoVaR回溯测试中持续优于竞争模型。
• 引入马尔可夫切换动态机制显著增强了模型适应依赖关系结构性变化的能力，提升了预测准确性。
• 实证结果表明，SGASC模型能有效估计并预测多个欧洲国家的系统性风险贡献。
• IFM-EM估计方法提供了稳定且一致的参数估计，使得在存在潜在制度状态的情况下仍能实现可靠推断与预测。
• 该模型的动态依赖结构使得更准确识别欧洲市场中金融机构之间的系统性风险溢出效应成为可能。