非参数方法在金融资产定价中的应用
Copyright © 2019 by author(s) and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). /licenses/by/4.0/
2. 非参方法的应用
需要事先设定函数的具体形式并估计其中参数的方法主要有参数法和半参法，这两种方法容易产生 模型设定偏误从而使估计结果产生偏差；而非参方法不用先设定分布函数，从而克服了模型设定误差带 来的一系列问题。非参数方法是通过从总体中抽取样本来估计总体分布的密度函数，从而有利于统计模 型的选定。总体密度函数的估计方法显得尤为重要，常用的方法是运用核函数来估计总体的密度。 Nadaraya [1]和 Watson [2]提出了核回归函数：
Finance 金融, 2019, 9(1), 34-40 Published Online January 2019 in Hans. /journal/fin https:///10.12677/fin.2019.91005
Application of Nonparametric Method in Financial Asset Pricing
Open Access
1. 绪论
随着学者们对研究方法的不断探索，经济计量分析将面临更多复杂的数据结构，尤其在金融领域有 些模型需要数以万计的参数才得以完整表达。随着大数据时代的到来，经典的参数模型已被广泛应用， 数据处理的方法不断进步，但较前者取得的成果，数据分析的工具及方法的探究却相对薄弱。模型如何 设定是计量经济学中较易被质疑的问题。 于是学者们开始聚集于自由度更大的非线性非参数方法的研究， 减少人为主观因素对模型设定所产生的干扰，着眼于观测到的经济数据再建立更接近经济实际情况的计 量模型。
2.3. 基金定价模型
Cazals et al. [25]应用 Robust 非参方法研究共同基金业绩表现的影响因素， 同时为了克服非参估计对 极端数据及异常数据的敏感性，运用了非参的前沿估计方法。Daraio & Simar [26]引入多变量，定义了预 期 m 阶投入效率得分，同时通过数据驱动的方法来选择窗宽。 Chi & Jwu [27]运用非参线性规划的方法-数据包络分析法(DEA)来衡量基金的业绩表现。与夏普比率 相比， DEA 方法考虑了基金的交易成本及超额收益。Mohammad [28]用非参 DEA 方法分析了美国共同基 金的相对业绩表现，并采用了以 DEA 方法为基础的 Tornqvist 效率指数。李义超等[29]运用非参状态实 证分法分析了 Fama-French 三因子模型，研究了股指期货对阳光私募基金绩效的影响。Javier et al. [30] 研究了全球共同基金的短期业绩表现，运用参数与非参相结合的方法研究成本与收益间的关系，并用非 参 DEA 方法检验了负相关关系， 得出全球股权基金符合均值方差有效性。 结论与委托代理理论不谋而合， 提出为了提高基金的业绩表现，给基金经理增加激励费。 刘晓倩&周勇[31]在研究两步预期不足(ES)非参数估计时采用了两步核估计的方法，得出了两步核光 滑 ES 估计，经沪深两市封闭式基金实证研究得出，与 VaR 计算出的风险调整周收益率排名相比，基于 ES 计算出的风险调整周收益率排名更加稳定。黄金波等[32]运用了三种方法估计基金的业绩衡量指标条件在险价值，经蒙特卡洛模拟得出非参方法下的核估计和经验分布法估计的误差小而稳定，不易受肥 尾和有偏程度的影响，而非正态分布下，方差法估计的结果存在系统性偏差。
ˆ H ( x) = m
1 n ∑ WHi ( X i ) Yi n i =a
KH ( x − Xi ) 1 n ∑ KH ( x − X j ) n j =1
ˆ H ( x ) 为条件期望 WHi ( X i ) 为权重矩阵，其具体公式如下： 其中， m
WHi ( x ) =
其中，H 为窗宽。Silverman’s [3]运用大姆指法则得出最优窗宽的表达式为：
Keywords
Non-Parametric Methods, Kernel Function, Optimal Window Width
非参数方法在金融资产定价中的应用
余小青
东华大学，上海
收稿日期：2018年12月27日；录用日期：2019年1月15日；发布日期：2019年1月22日
摘
要
随着第五届互联网大会在浙江乌镇召开，重点讨论了人工智能、大数据、5G、数字丝路等主题，随着这 些技术的不断发展，我国经济尤其金融数据结构也将不断地发生变化，对数据的分析要求也越来越高。 较之传统的参数建模，非参数在模型假设及设定方面有更大的灵活性。文章介绍了非参数方法在期权定
文章引用: 余小青. 非参数方法在金融资产定价中的应用[J]. 金融, 2019, 9(1): 34-40. DOI: 10.12677/fin.2019.91005
余小青
价、债券定价、基金定价及股票定价方面的运用，对非参模型及其估计方法的研究具有重要的理论和现 实意义。
关键词
非参数方法，核函数，最优窗宽
2.2. 债券定价模型
Keith et al. [17]运用参数和非参数的方法评估了德国股票、德国及欧洲和全球的债券基金的市场机会 和风格机会，两种方法都表明没有明显的利好时机。但在预测 2000~2009 年期间市场机会产生了分歧， 参数方法暗示了这期间市场明显不利于投资者， 而非参方法暗示了不利时机相对很少。 孙春燕等[18]以对 余额宝收益率的内外影响因素为基础建立了半参数可加回归模型，发现货币供应量及汇率对收益率的影 响具有非参交互作用，同时研究表明半参可加模型拟合度很好，具有较强适用性，能较好反映各影响因 素对余额宝收益率的影响。 江良等[19]运用美国债券数据作为样本， 建立了包含风险补偿因子的半参数短 期利率模型，应用 P-样条方法估计了漂移项，结果发现半参模型将增加似然函数的估计值，对于模型的 拟合效果起到改善作用。 江良等[20]选取高斯核函数利用核估计出短期利率的均值随机波动率模型。陈荣达等[21]在样本分布 未知的情形下，运用非参数方法建立了债券的违约回收率模型，发现非参数边界核估计方法要优于相应 的 Beta 分布刻画方法。只要合理地选择窗宽，非参数方法能够较好地估计出真实分布密度。
1 2 Q − Q1 1 n −5 ˆ h Xi − X ) , 3 = 1.06 min ( n ∑ rot 1.34 n − 1 i =1
其中，Q1、Q3 分别为 Xi 的 1/4、3/4 分位数。数据分布越接近正态分布，该公式越精确。Dittmar [4]研究 了三次方核函数定价模型。Douglas J. Hodgson [5]等在椭圆对称的收益分布情形下，运用半参估计出了多 维随机误差密度函数的回归模型，虽然此分布仍有许多肥尾特征，但此模型的受限因素却较少。Peter [6] 采用 Nadaraya-Watson 权重矩阵，运用高斯核函数，利用最小二乘法估计最优窗宽。因为时间序列不满 足标准正态分布，因此未用大姆指法则估计最优窗宽。Jose & Elioth 基于自由分布及 Robust 回归的核估
Xiaoqing Yu
Donghua University, Shanghai Received: Dec. 27 , 2018; accepted: Jan. 15 , 2019; published: Jan. 22 , 2019
th th nd
Abstract
With the 5th Internet Conference held in Wuzhen, Zhejiang Province, the topics such as artificial intelligence, big data, 5G, digital silk road were mainly discussed. With the continuous development of these technologies, the economic data structure of China’s economy will continue to change. The analytical requirements for data are more and more increasing. Compared to traditional parametric modeling, there is greater flexibility in model assumptions and settings for non-parametric ones. This paper introduces the application of non-parametric methods in option pricing model, bond pricing model, fund pricing model and stock pricing model. There is important theoretical and practical significance for the study of non-parametric models and their estimation methods.
DOI: 10.12677/fin.2019.91005 35 金融
余小青
计，选取 Nadaraya-Watson 核估计模型，将高斯分布函数作为核密度函数，运用大拇指法则选取了窗宽， 最终得出了半参形式的资产回报率[7]。
2.1. 期权定价模型
CAPM 模型广泛应用于多种资产的收益率，如股票、债券等，随着 CAPM 非参模型的研究，许多学 者也开始将非参方法应用于具体的金融资产收益率研究。 Jerome et al. [8]用非参方法从期权价格中提取出 中性密度函数(RNDs)，得到一个连续、平滑、单调、凸性的二阶可导期权定价函数，优化了现有 RND 评估方法出现负概率的缺陷。Ren-raw & Oded [9]基于 S&P500 的经验分布函数，建立了期权定价模型预 估 S&P500 股指，消除了很多文献中提到的理论价格与实际价格存在着微笑波动率(即微笑曲线)的情形， 使得预测的理论价格与实际价格更接近。 杨维强&杨丽[10]基于非参估计方法求出倒向随机微分方程的非 参估计式，对股票价格和期权定价进行了数值模拟，取得了比较好的效果。吕世瑜等[11]将多因素不确定 风险引入实物期权定价模型，并基于最小相对熵理论对风险中性概率进行了非参估计，与 Copeland 多项 式模型结合构建了熵的多阶段动态非参实物期权决策模型，减少了主观因素的影响，提高了模型的实用 性。李庆&杨青龙[12]通过变量变换将期权价格支付函数先变为含随机误差概率密度函数的积分函数，再 运用不同形式的概率密度函数得到新的单指标非参期权定价模型，并运用上证 50ETF 期权数据，通过可 变窗宽局部线性估计得出单指标半参模型拟合效果最好。Black-Scholes 模型要求资产的价格服从对数正 态分布， 这使得它在保险定价方面的运用具有一定的局限性， 而游桂云&冯晶[13]运用 Parzen 核密度估计 方法拟合了环境责任险的损失分布，得到了基于非参方法的障碍期权定价模型，由于分布函数是基于历 史经验数据拟合而来，因此运用非参数方法进行资产定价比较符合现实市场的定价。吕世瑜等利用非参 方法建立了多阶段风险投资实物期权模型，减少了人为主观因素和经验参数估计的影响，提高了模型的 精确度。区诗德等[14]基于核密度函数的非参数估计对欧式期权价值进行评估，期权定价的结果不同于 Black-Scholes，经上海证券市场的历史数据实证研究后发现非参数方法更接近市场。 由于个股和小范围指数收益率数据具有肥尾和更为复杂的变化规律，通常的参数随机波动模型拟合 效果较差，非参数随机建模不需要先对尾部进行分布假设，源于金融数据求其近似概率分布，因此灵活 性强，能够拟合参数模型难以捕捉的数据特征。权证是期权的一种，樊鹏英等[15]首次将非参数估计方法 用于权证定价，基于中国权证市场和香港权证市场数据检验发现在价值非单调条件下，非参数模型修正 定价方法效果最好，参数定价模型效果最差。蒋远营&张波[16]运用非参数贝叶斯方法随机建模，有助于 捕捉期权的时变波动性质，对于期权定价和金融风险管理具有重要义。
GMM方法在金融领域的发展与应用
GMM方法在金融领域的发展与应用【摘要】本文介绍了广义矩估计（GMM）方法在金融领域的发展与应用。
在我们分别从背景介绍、研究意义和研究目的三个方面入手，引出了文章的主要内容。
接着，在我们详细探讨了GMM方法在金融风险管理、金融市场预测、金融产品定价、金融数据分析和金融机构监管等方面的应用案例。
在我们对GMM方法的优势和局限性进行了分析，并展望了未来发展方向。
通过本文的研究，读者可以更好地理解GMM 方法在金融领域的价值和应用前景。
【关键词】GMM方法, 金融领域, 应用, 发展, 风险管理, 市场预测, 产品定价, 数据分析, 机构监管, 优势, 局限性, 发展方向, 结语1. 引言1.1 背景介绍金融领域作为社会和经济发展的核心领域之一，一直是各界关注的焦点。
随着金融市场的不断发展和金融产品的日益复杂化，金融风险管理、市场预测、产品定价、数据分析以及金融机构监管等问题也愈发突出。
在这样的背景下，金融领域对于高效、准确和可靠的分析方法和工具的需求日益增长。
本文将重点探讨GMM方法在金融领域的发展与应用，分析其在金融风险管理、市场预测、产品定价、数据分析和金融监管等方面的具体应用情况，旨在深入了解GMM方法对金融领域的重要作用，并为金融研究和实践提供更多的参考和借鉴。
1.2 研究意义金融领域一直是社会经济发展中不可或缺的重要领域，随着金融市场的不断发展和金融产品的不断创新，金融市场风险管理变得日益重要。
在这一背景下，对于有效的金融风险管理工具和方法的研究变得尤为重要。
研究GMM方法在金融领域的发展与应用具有重要意义。
通过深入挖掘GMM方法在金融领域中的应用，可以为金融风险管理、市场预测、产品定价、数据分析和监管等问题提供更有效的解决方案，促进金融行业的可持续发展和稳健增长。
1.3 研究目的研究目的是为了深入探讨GMM方法在金融领域中的应用情况，从而更好地了解其在金融风险管理、金融市场预测、金融产品定价、金融数据分析和金融机构监管等方面的具体作用和效果。
rho相关系数
rho相关系数Rho相关系数是一种用于确定两个数据集之间关联性的常见方法。
它被广泛应用于统计学、金融学、计算机科学以及其他领域。
在本文中，我们将详细介绍Rho相关系数的概念、计算、意义和应用。
概念Rho相关系数也称为斯皮尔曼秩相关系数，它是一种用于衡量两个数据集之间关联程度的统计量。
它基于两个数据集的等级，而不是它们的实际值。
如果两个数据集之间存在明显的线性关系，那么Rho相关系数将接近1；如果两个数据集之间不存在线性关系，则Rho相关系数将接近0。
Rho相关系数的计算Rho相关系数的计算方法比较简单。
首先，将两个数据集按照值的大小进行排序。
然后，将两个数据集中的每个值用它们的排名替代。
最后，计算两个数据集中每个排名之间的差异，并计算Rho相关系数。
具体来说，Rho相关系数的计算公式如下：Rho = 1 - (6Σd^2 / n(n^2-1))其中Σd^2是两个数据集之间所有排名差的平方和，n是数据集的大小。
意义和应用Rho相关系数是一种非参数方法，它不需要对数据分布进行假设。
因此，它适用于各种统计问题，特别是在小样本情况下。
另外，Rho相关系数在不同的领域中被广泛应用，以下是两个例子：1. 金融分析在金融领域中，Rho相关系数可以用于比较不同资产价格的动态关系。
通过计算Rho相关系数，投资者可以确定两个或多个资产之间的相关性水平，从而确定是否需要进行分散投资。
2. 社会科学在社会科学领域中，Rho相关系数可以用于研究两个或多个变量之间的关系。
例如，社会科学家可以使用Rho相关系数来确定家庭收入和婚姻满意度之间的关联性。
通过比较大量数据，他们可以获得有关这种关系的更深层次的洞见。
总结Rho相关系数是一种用于衡量两个数据集之间关联程度的统计量。
它不仅适用于各种统计问题，而且在不同领域中的应用也非常广泛。
作为一个非参数方法，Rho相关系数在小样本情况下非常有用，并且不受数据分布的影响。
因此，它是研究和分析数据集相关性的有力工具。
高斯过程回归模型在金融数据分析中的应用
高斯过程回归模型在金融数据分析中的应用随着计算机技术和数据处理技术的不断发展，金融数据分析的方法也越来越多样化和高效化。
其中，高斯过程回归模型是一种经典的数据分析方法，也是近年来金融界广泛采用的一种模型。
本文将介绍高斯过程回归模型的基本原理和应用，以及它在金融数据分析中的应用。
一、高斯过程回归模型的基本原理高斯过程回归模型（Gaussian Process Regression Model，简称GP回归）是一种非参数模型，它通过考虑潜在函数的高斯分布来对数据进行建模和预测。
GP回归的核心思想是将观测数据看作一个随机函数在某些点上的取值，用高斯过程对这个随机函数进行建模，然后利用这个模型对未观测数据进行预测。
GP回归能够有效地处理非线性函数关系、自由度无限、数据噪声存在等问题，并对随机误差的影响保持敏感。
GP回归的数学表达式为：$$f(x) \sim GP(m(x), k(x,x'))$$其中，$f(x)$是随机函数，$m(x)$是该函数的均值函数，$k(x,x')$是协方差函数，它描述了同一变量在不同位置的取值之间的相关性。
对于给定的数据，我们可以根据观测值来构建均值函数和协方差函数，然后利用这两个函数来预测未观测的数据。
二、高斯过程回归模型的应用在金融数据分析中，高斯过程回归模型被广泛应用于股票价格预测、风险管理、衍生品定价等领域。
下面我们分别介绍一下这些应用。
1. 股票价格预测对于股票价格预测，我们可以使用历史的股票价格来构建GP回归模型，然后利用该模型预测未来的股票价格。
在构建模型时，我们需要选择合适的均值函数和协方差函数。
通常情况下，使用高斯核或者指数核作为协方差函数，使用常数函数或者线性函数作为均值函数。
然后我们通过对历史数据的训练来获得协方差函数和均值函数的参数，从而得到一个GP回归模型。
最后，我们可以利用这个模型对未来的股票价格进行预测。
2. 风险管理风险管理是金融界的一个重要领域，GP回归模型可以用来进行风险管理。
CAPM模型中β系数的非参数估计
加 权 最 小 二 乘 估 计 方 法 对 模 型 中的 系数 Ｂ进 行 估 计 ， 并研 究 了 模 型 中局 部 权 系统 的 决 定 问题 ， 模 型 是 一 般 线 性 回 归 模 型 的 该
推 广 。 由于 系数 的 可 变性 ， 得 估 计 结 果 更 适 应 实 际 数 据 的 变 使
理 论
探 索
【 摘要 】在 资产定价模 型的 实证检 验 中 ， 由于证 券期 望收 益与 系数 Ｂ值之 间未必存在严格 的线性 关系， 因此使用一般线
性 回 归 方 法 对 Ｂ进 行 估 计 必 然 会 导 致 模 型 的 不 准确 。作 为对 这 种 估 计 方 法 的 修 正 ， 文提 出 了 可 变 系数 回 归 模 型 ， 用 局 部 本 利
多因素模型 （ Ｍ ） ＭＰ 由于具 有较强的解释性 而成为 目前投 资实践中的主导模型 。 从统计的观 点看 ， 多因素模型通过许多因
子来确定证券的价格 ， 所考虑因素的范围较广 。与 ＣＡ Ｍ 模型 Ｐ 仅从证券市场本身的历史来研究股价不同 ，多因素模型把证券 的价格与通货膨胀 率、 失业率 、 工业生产总值 、 利率水平 、 汇率水
区别 ， 在数学处理 上却有共 同之处 ， 但 即假定证 券期望 收益与
系数 Ｂ值之间存在严格的线性关 系 ， 并使用一般线性回归方法
用于整个经济学领域 。这一模型在现 实的投资组合绩效 、 证券
估价 、 确定资本预算及管理 公共事业 股票 中得到了普遍应用。
在一组严 格的假定下 ， Ａ Ｍ 模型可简单地表达为 ： Ｃ Ｐ
＝仅＋Ｂｒ＋￡ ， Ｍ
对其系数进行估计 。 然而 ， 实证检验表明 ， 证券期望收益与 Ｂ 值
之 间是 否存 在严格 的 线性 关 系仍然 值得 怀疑 。Ｂａｋ等 以及 ｌ ｃ
非参数统计方法及其应用领域
非参数统计方法及其应用领域统计学是一门研究收集、整理、分析和解释数据的学科。
在统计学中，参数统计方法和非参数统计方法是两种常用的分析工具。
本文将重点介绍非参数统计方法及其应用领域。
一、非参数统计方法的概念非参数统计方法是指在进行统计推断时，不对总体的概率分布做出任何假设的方法。
与参数统计方法相比，非参数统计方法更加灵活，适用于数据分布未知或非正态分布的情况。
非参数统计方法不依赖于总体的参数，而是基于样本的秩次或分布来进行推断。
二、非参数统计方法的基本原理非参数统计方法的基本原理是通过对数据的秩次或分布进行分析，从而得出总体的统计推断。
常用的非参数统计方法包括秩和检验、秩次相关分析、K-S检验等。
这些方法不依赖于总体的参数，而是根据样本数据的排序或分布情况进行分析。
三、非参数统计方法的应用领域1. 生态学研究生态学研究中常常需要对生物群落的多样性进行评估。
非参数统计方法可以用来比较不同生物群落的物种多样性，例如使用Shannon指数和Simpson指数等进行比较分析。
非参数统计方法还可以用来研究生物群落的相似性和差异性，通过计算样本的秩次或分布来进行推断。
2. 医学研究医学研究中常常需要比较不同治疗方法的疗效。
非参数统计方法可以用来比较两个治疗组之间的差异，例如使用Wilcoxon秩和检验或Mann-Whitney U检验等。
非参数统计方法还可以用来研究药物的剂量反应关系，通过计算样本的秩次或分布来进行推断。
3. 金融风险管理金融风险管理中需要对资产收益率的分布进行建模和分析。
非参数统计方法可以用来拟合资产收益率的分布，例如使用核密度估计方法或分位数回归方法等。
非参数统计方法还可以用来研究资产收益率的尾部风险，通过计算样本的秩次或分布来进行推断。
4. 社会科学研究社会科学研究中常常需要对调查数据进行分析。
非参数统计方法可以用来比较不同群体之间的差异，例如使用Kruskal-Wallis检验或Friedman检验等。
统计学中的金融风险评估方法
统计学中的金融风险评估方法金融领域的风险评估是一项重要任务，能够帮助金融机构和投资者评估和管理各类风险。
统计学是金融风险评估中的重要工具之一，它提供了一系列方法和模型，能够帮助我们定量分析和预测金融市场中的风险。
本文将介绍统计学中常用的金融风险评估方法。
一、方差-协方差方法（Variance-Covariance Method）方差-协方差方法是金融风险评估中最常用的方法之一，它基于统计学中的方差和协方差的概念。
该方法假设资产收益率服从正态分布，并通过计算资产之间的协方差来评估风险。
方差-协方差方法简单易懂，但其基于正态分布的假设限制了其适用范围。
二、历史模拟法（Historical Simulation）历史模拟法是一种非参数方法，它基于历史数据来评估风险。
该方法假设未来的市场情况可能与过去的某个时期相似，因此通过使用历史数据中的观察值来模拟未来的收益率分布。
历史模拟法简单直观，但它忽略了市场和环境的变化，对极端事件的预测能力较弱。
三、蒙特卡洛模拟法（Monte Carlo Simulation）蒙特卡洛模拟法是一种模拟方法，通过生成大量的随机路径模拟资产收益率的分布。
该方法可以考虑各种不确定因素，并基于模拟结果评估风险。
蒙特卡洛模拟法能够更全面地捕捉风险来源，但计算复杂度较高，需要大量的计算资源。
四、价值-at-风险法（Value-at-Risk）价值-at-风险法是一种通过计量金融资产在特定置信水平下可能的最大损失来评估风险的方法。
该方法可以通过统计分析来估计不同置信水平下的价值-at-风险，并帮助投资者制定风险管理策略。
价值-at-风险法直观有效，但它对资产收益率分布的假设比较敏感。
五、条件风险法（Conditional Risk）条件风险法是一种基于条件概率分布的方法，它考虑了金融市场中的非线性特性。
该方法通过建立条件期望值和条件方差来评估风险。
条件风险法相对复杂，但能够更好地反映市场的非线性特征，提供更准确的风险评估。
CAPM模型的非参数估计理论
CAPM模型的非参数估计理论作者：吕迎周文兴来源：《商场现代化》2009年第10期[摘要] 资本资产定价模型是金融学的基石,国内现有的对条件CAPM的实证研究大部分采用的是参数估计方法,在做实证研究时。
本文着重介绍非参数估计理论,以解决条件CAPM在实证中的问题,从而提高检验的准确度。
[关键词] 静态CAPM 条件CAPM 随机折现因子核函数一、引言资本资产定价模型是金融学的基石,同时也是学术界研究最多,争论最多的理论。
在金融资产定价模型中,很多都是预测资产收益模型,如:资本套利模型、基于消费的均衡模型。
但是,没有一个模型能够像Sharpe-Lintner的条件CAPM模型一样受学术界的青睐。
CAPM模型是建立在市场组合均值—方差有效的假定基础之上,并且在这一假设下认为单个风险资产的收益与市场资产组合的风险收益是成比例,其中β为市场有价证券的系数,用来衡量市场有价证券收益对市场风险变动的敏感程度。
这个简单的CAPM模型就是众所周知的无条件或者是静态CAPM模型,在这个模型里,单个有价证券和市场资产组合的关系是不随时间变化的,也既是β不随时间和市场波动而变化。
在过去的几十年里,学者们对CAPM模型进行了大量的实证检验,静态CAPM模型的许多异像被发现。
Fmam—French( 1992)提出静态CAPM不支持实证研究的观点,就像重磅炸弹一样在理论界和实业界引起震动,很多人对CAPM模型的信心开始动摇,甚至有人认为CAPM已经死亡。
但是,仍然有很多学者是支持CAPM,他们为此进行着不懈的努力,有部分学者将注意力放在了β稳定性方面,Levy建议分市场研究β,Fabozzi 和Francis分别对牛市和熊市的β稳定性作了检验。
他们发现资产定价模型中的单个市场指数是不受牛市和熊市影响的。
另一方面,Keim和Stambaaugh,Breen,Glosten和Jagannathan 认为在CAPM框架中β不是静态的,而是时变的。
金融衍生品定价模型的研究与优化
金融衍生品定价模型的研究与优化随着市场的不断发展和变化，金融衍生品已经成为现代金融市场的重要组成部分。
金融衍生品在金融市场中具有广泛应用，并且对风险管理和投资组合优化起到了至关重要的作用。
作为一个与标的物或资产价值相关的金融工具，金融衍生品的定价模型是衍生品交易的基础之一。
因此，金融衍生品定价模型的研究和优化对金融市场的稳定和投资者的利益至关重要。
一、金融衍生品定价模型的研究金融衍生品定价模型是为了计算和估计这些产品的风险和回报而设计的数学模型。
在过去的几十年中，许多著名的数学家和经济学家已经开发了不同种类的金融衍生品定价模型，包括布莱克-斯科尔斯模型、酒鬼模型和孪生期权定价模型等。
这些模型作为经济学、金融以及统计学等领域的基础理论之一，对于评估和分析金融市场各类衍生品的风险和获利能力有着重要的意义。
1. 布莱克-斯科尔斯模型布莱克-斯科尔斯模型是衍生品定价模型中最广泛使用的一种模型，也是股票期权定价模型的主流模型之一。
该模型是由美国经济学家布莱克和斯科尔斯在1973年中提出的，它的主要思想是将期权看作是一种组合，即由股票和借贷两个组成部分构成。
借贷的成本是由无风险利率所决定的。
2. 酒鬼模型酒鬼模型是一种基于随机过程的衍生品定价模型。
其优点是能够考虑品种价格的时变性，更加复杂的金融产品可以用该模型来进行定价，但是其缺点是计算量大，需要收集大量数据来保证模型的精度。
3. 孪生期权定价模型孪生期权定价模型是一种比较新型的定价模型，他主要用于定价跨期的股票和商品。
使用孪生期权定价模型可以通过分析期权交易市场上交易的期权日历价差的数据来得到正式的定价。
孪生期权定价模型是一个比较有效的定价模型，但是由于需要特定的数据及计算，所以使用起来相对困难。
二、金融衍生品定价模型的优化在今天这个不断变化的时代中，金融衍生品定价模型的优化成为了金融市场研究领域的热点。
金融衍生品定价模型的优化可以让其更好地适应金融市场的需求，更加准确的进行风险和价值的评估，下面将要介绍一些金融衍生品定价模型的优化方法。
Copula 函数的非参数估计方法
Copula 函数的非参数估计方法什么是 Copula 函数Copula 函数是指统计学中用于描述随机变量之间依赖关系的函数。
它可以将多个随机变量的边缘分布和之间的相关关系分离开来，从而使得分析更为简单。
常见的 Copula 函数有高斯 Copula、Clayton Copula、Gumbel Copula 等。
Copula 的使用场景Copula 函数在金融领域中被广泛使用，比如：1.风险管理：使用 Copula 函数来计算多个风险因素之间的相关性，从而更好地估计风险；2.投资组合优化：使用 Copula 函数来评估不同资产之间的相关性，从而寻找最优的投资组合；3.金融衍生品定价：使用 Copula 函数来模拟多个随机变量之间的联动性，进而估计金融衍生品的价格。
Copula 函数的非参数估计在实际应用中，我们需要对 Copula 函数进行估计。
常见的估计方法有参数估计和非参数估计。
其中，参数估计法假设 Copula 函数的形式，比较常见的假设有高斯 Copula 和Archimedean Copula 等。
我们通过最大似然估计法等方法来估计 Copula 函数中的参数。
非参数估计法则不需要假设 Copula 函数的具体形式，而是通过类似核密度估计的方法来估计 Copula 函数。
具体来说，我们以二元 Copula 为例进行说明。
假设我们有两个随机变量X和Y，它们都服从[0,1]上的均匀分布。
我们想要估计它们之间的 Copula 函数。
这时候，我们可以将X和Y的观测值(x1,y1),(x2,y2),...,(x n,y n)看成是对Copula 函数的一组样本观测。
我们定义u i和v i分别为x i和y i在X和Y上的经验分布函数值。
即，$$ u_i = \\frac{1}{n} \\sum_{j=1}^n I(x_j \\leq x_i) , v_i = \\frac{1}{n}\\sum_{j=1}^n I(y_j \\leq y_i) $$其中，I是指示函数。
非参数局部线性估计方法及对中国股市杠杆效应的实证分析
２０ 年第５ ０８ 期 （ 第 １ ５期 ） 总 ０
大 众 科
ＤＡ ＺＨＯＮＧ ＫＥ Ｊ
Ｎｏ ５。 ０ ８ ． ２ ０
（ ｍｕ ｔ ｅｙＮ ．Ｏ ） Ｃｕ ｌ ｉ ｌ ｏ１ ５ ａｖ
非参数局部线性估 计方法 及对 中国股 市杠杆 效应 的实证 分析
对非线性金融 时间序列的研究和 非参数金融 计量分析 已经成
为热点 ，这就给 非参数估计技 术的应用提供 了很多机 会。非
参数技术估计在 实际应用 中由于不必假 设考 察变量之 间的确
切函数关系 ，可以获得较 宽的非线性变化 ，这对减小偏 差、 提 高预报精度 、 了解序列的动态结构都是 极有用 的。 由于从线性模 型扩展到非线性 结构有无 穷多种可 能，非 参数方法在 随机模 拟方面提供 了统一 的和 一流的处理 。但非 参数估计技术 也存 在与其他 非线性分析技术 相类似 的问题 ， 如都对数据存在高度敏感性 ，以及对 小样 本问题无效 。另外 ， 非参数估计特 别易于导致过度 拟合 ，而这 是一个不太 容易通 过统计方法 克服 的问题 。在参 数模型设 定错 误导致 的风险与 过度拟合 导致 的风险之 间进行 比较 时，人们更希望让 数据 自
征。
（ ）引言 一
过去 ２ ０多年来 ，特别 是亚洲金融风暴发生后 ，金 融创 新
对 货 币经济学提 出了更进一步 的挑 战 。信息技 术的飞速 发展 和金 融市场 日趋全 国化的倾 向，导致新金融产 品不断涌现 ，
极大 地增加 了金融投 资和银行业 务韵 复杂性 。而区域性 的金 融风 暴和银行危机 都表明 ，需 要加强对金融稳 定 的研 究，对 金 融业进行谨慎 的管制，除 了急需构建不 同种 类新 的理 论模