一、基于极值理论的深市Value-at-Risk和Expected Shortfall度量（论文文献综述）
陈璐[1]（2021）在《基于混频数据分析方法的金融风险测度研究》文中研究表明近年来,经济全球化发展迅速,各个经济体之间的联系日益紧密,市场之间的依赖性逐渐增强。金融自由化快速推进,金融创新层出不穷,金融系统日渐脆弱。这些都为金融危机的爆发提供了土壤,频繁发生的金融危机也让人们逐渐意识到金融风险管理的重要性。微观审慎监管和宏观审慎监管是现代金融风险管理中两种重要的监管方式,二者互为补充,缺一不可。在两种监管模式下,金融风险测度都最为关键,如何提供准确的金融风险测度既是监管当局思考的重要问题也是学者们研究的重要课题。在金融风险测度过程中,由于不同来源的风险因子观测频率不一致等原因,存在着混频数据问题,即解释变量与被解释变量或解释变量之间的观测频率不一致。传统的处理方法主要依赖于数据同频化处理,要么将高频数据聚合为低频数据,要么将低频数据插值为高频数据。但这两种做法都会产生较大的误差,导致风险测度结果的不准确,需要研究新的金融风险测度模型与方法。基于此,本文提出“基于混频数据分析方法的金融风险测度研究”的研究课题,将混频数据抽样模型（Mixed data sampling,MIDAS）分别引入微观审慎监管和宏观审慎监管过程中,旨在解决混频数据环境下的金融风险测度问题。MIDAS方法通过利用频率对齐等手段,可以不改变原有数据的频率,直接利用混频数据进行建模,突破了传统回归模型中要求数据同频的束缚,克服了传统混频数据处理方法的缺陷。因此,本文提出利用MIDAS方法解决金融风险测度过程中的混频数据问题,在微观审慎视角下,构建了混频数据Expectile回归模型和联合可导出混频数据模型,分别实现了对金融风险的间接测度和直接测度;在宏观审慎视角下,构建了动态条件相关混频数据t分布模型,用于系统性金融风险的测度。具体研究工作和主要创新如下:（1）提出了混频数据Expectile（ER-MIDAS）回归模型,给出了 VaR（ES）测度的新方法。为了能够充分利用高频数据中的信息,本文将MIDAS方法引入Expectile回归模型,建立了 ER-MIDAS模型,给出了模型表达式、参数选择以及模型估计的方法。其次,设计数值模拟实验,评估ER-MIDAS模型在测度VaR和ES方面的准确性,并与传统的RiskMetrics模型、GARCH-t模型、GJRGARCH-t模型、Realized GARCH-t模型、CARE等模型进行比较,发现高频信息的加入有助于提高风险测度的准确性。最后,利用ER-MIDAS模型对上证指数、标准普尔500指数和英国富时指数等国际常用股票指数的周度风险进行了测度,实证结果表明ER-MIDAS模型适用于风险厌恶型投资者以及稳健的金融风险管理。（2）提出了联合可导出混频数据（JE-MIDAS）模型,给出了 VaR（ES）测度的新方法。联合可导出回归模型能够同时得到VaR和ES的估计值,实现了对ES的直接测度。本文将MIDAS方法引入联合可导出回归模型,建立JE-MIDAS模型,使其能够直接利用高频数据中的信息测度低频的风险,提高风险测度的准确性。本文给出了两种模型表达式,以及参数选择和模型估计的方法。通过数值模拟,将JE-MIDAS模型与GARCH-t模型、realGARCH-t模型、JE-AL模型和ES-CAViaR等模型进行比较,证实了其在VaR和ES测度方面的优越性。对上证指数、标准普尔500指数和英国富时指数进行实证研究,发现市场波动会增加风险,利率对标准普尔500指数和富时指数的风险有正向影响,而对上证指数则有负向影响。（3）修正了动态条件相关混频数据（DCC-MIDAS-N）模型的分布假设,提出了 DCC-MIDAS-t模型,给出了 CoVaR（CoES）测度的新方法。考虑到金融时间序列具有尖峰厚尾的特征,本文将DCC-MIDAS模型原来的正态分布假设修改为学生t分布,构建了 DCC-MIDAS-t模型,将修正后的DCC-MIDAS-t模型应用于CoVaR和CoES的测度。首先,给出了 DCC-MIDAS-t模型的估计方法以及利用该模型测度CoVaR和CoES的方法。其次,对中国银行业的系统性金融风险进行了实证研究。选取2015年中国股市崩盘前后为实证期间,利用工业增加值、货币供应量和生产者价格指数等宏观经济变量对银行业的系统性金融风险等进行了测度。并细致考察了各家银行在危机前、危机中和危机后的波动性、相关性和风险溢出等表现。本文将混频数据分析模型扩展至金融风险测度领域,开发出新的风险测度模型,并给出了模型表示、参数选择和模型估计等一整套建模方法,丰富了金融风险测度的理论研究内容,也充实了混频数据分析模型的应用研究内容。同时,将新提出的混频数据风险测度模型应用于国际重要股指和中国银行业的风险测度,有助于投资者把握市场风险趋势,做出正确的投资策略,也有助于金融机构和监管者提升风险管理水平,制定有效的风险管理政策。
肖杨[2]（2020）在《沪港通和深港通背景下中国股市对亚洲主要股市的极端风险溢出研究》文中进行了进一步梳理沪港通和深港通项目的实施是中国金融市场“自由化”过程中至关重要的一步,对亚洲股市一体化有重要意义。然而,中国股市是拥有过度投机特点的新兴金融市场,不仅受到投资者追涨杀跌行为的影响,而且在“羊群效应”效应的冲击下经常出现股价极端变化的事件。最近几年,沪港通和深港通进一步加强了中国股市与亚洲股市的联系。因此在这新背景下,研究中国股市对亚洲股市的极端风险溢出效应就显得尤为必要。本文主要的工作和创新体现在以下几方面:（1）论文研究了中国股市与亚洲股市的相关性变化。针对线性模型不能有效地度量非线性的相关关系,本文使用了DCC-GARCH模型和Time-varying copula模型,从线性和非线性两方面度量了中国股市与亚洲股市的动态相关性。结果发现沪港通和深港通开通后,中国股市与亚洲股市的动态相关性波动增强。（2）考虑到单机制GARCH模型不能准确地度量不同经济结构下波动率的变化,论文采用多机制GARCH模型进行刻画股市中的有偏、厚尾和波动聚集性等典型事实。拟合结果显示亚洲股市存在非对称的多机制波动率,而且模型滤波后的标准残差通过了BDS检验,证明序列为独立同分布,这有利于应用EVT对股市的极端尾部分布进行建模研究。（3）对于描述亚洲股市间的极端尾部相关性,论文采用了EVT与vine copula模型相结合,这有利于刻画亚洲股市间复杂的非线性尾部依赖结构。从拟合结果发现沪港通和深港通前后的依赖结构有不同特点,这主要表现为以下几个方面。第一,深港通和深港通实施前后,中国股市与香港股市有最强的依赖性,其中特别的是,中国股市与亚洲其他股市的依赖结构基本上都是非对称的。第二,中国股市与亚洲股市以香港股市为条件的依赖性并没有其直接依赖性强,而且一些时期并不存在条件依赖性,可是有一些时期Kendall系数为负却说明反向条件相关性的存在。（4）使用CoVaR和拓展的CoES方法度量了中国股市对亚洲股市的动态极端风险溢出效应,并且采用KS检验证实了极端风险溢出效益的显着性。量化的动态CoVaR和CoES提供了非常有用的结论,其主要包括以下几方面。第一,在沪港通和深港通前后,中国股市对亚洲股市产生了显着的极端风险溢出效应。第二,亚洲股市的下尾CoVaR和CoES在沪港通和深港通前后都高于上尾,并且CoVaR和CoES在2015年中国股灾期间取得最大值。第三,两种方法度量的风险溢出效应基本上都在沪港通和深港通开通后更高。第四,沪港通开通前后与深港通开通前后相比较,中国股市对亚洲股市的间接风险溢出效应存在一些差异。
平原[3]（2019）在《基于高频数据的已实现波动率模型研究》文中提出本文主要研究了基于高频时间序列的已实现波动率的建模和预测问题,并将重点放在考虑跳跃过程和微观结构噪声影响下的已实现波动率的建模及预测问题上。高频数据的产生带来一个重要的问题,即随着取样频率的逐渐增加,市场的微观结构噪声也越来越大。此外,中国资本市场尚处于发展阶段,资产价格剧烈波动的现象时常发生,这使得学者们纷纷将跳跃行为引入到已实现波动率预测问题的研究中。本文主要基于证券市场微观结构理论对跳跃行为进行研究,对考虑跳跃行为的已实现波动率预测模型进行了改进,并在此基础上进一步考虑时变和多模型的已实现波动率预测模型,以期进一步提升对我国证券市场未来波动率的预测精度。本文从以下几个方面对基于高频时间序列的已实现波动率的建模及预测问题进行了研究和讨论:一、我们提出了一个新的截断的双尺度已实现波动率估计量（TTSRV）,并从理论上论证了其在刻画真实波动率上的优势,我们数值模拟的结果也表明这一新的已实现波动率估计量TTSRV在有跳跃过程和市场微观结构噪声影响的条件下可以更加有效的刻画真实波动率,从而有效提升对未来波动率的预测精度。二、我们将截断的双尺度已实现波动率估计量（TTSRV）引入到经典的HAR-RV类模型中来对中国沪深300股票指数的波动率进行预测。我们先对经典的HAR-RV模型和HAR-TTSRV模型的样本外预测能力进行了比较,又对考虑了隔夜回报、杠杆效应和测量误差的两类已实现波动率预测模型样本外预测能力进行了比较,得出了TTSRV在各种情况下都有效提升了模型预测精度的结论,从而从实证的角度有效支持了TTSRV这一估计量对跳跃过程刻画更为精确的理论假设,也在此基础上构建了更为有效的基于高频数据的已实现波动率预测模型。三、我们将融资买入和融券卖空约束这一因素引入到已实现波动率模型中去,使得跳跃过程能够得到更为准确的预测,从而增加预测模型整体的预测精度。我们首先从样本内的预测结果出发,发现无论基于融资买入约束、融券卖出约束或是两者共同考虑的情况下,预测模型的结果都清晰的表明融资买入和融券卖出约束对波动率有着十分显着的影响。不仅如此,我们还发现引入融资买入约束和融券卖出约束提高了跳跃过程的刻画精度。本文还将经典的基于HAR-RV模型的跳跃部分的系数,由不随时间变化的常数变为随融资融券买入卖空约束的强弱而改变的时变系数,并基于中国股票市场波动率的样本外预测结果得到了将跳跃过程时变后的模型预测精度显着提高的结论。这就进一步从流动性冲击的角度验证了融资融券买入卖空约束对于跳跃过程以及波动率预测的重要意义。四、我们考虑构建时变动态的已实现波动率预测模型,引入了Kalman Filter规则使得单个模型的参数随时间而变化,并且通过实证研究验证了基于时变参数的单个已实现波动率的预测模型效果要明显优于基于固定参数的预测模型。在此基础上,我们进一步考虑多模型动态时变已实现波动率预测模型,将DMA及其改进后的ADMA方法引入其中,通过构建一个模型族并赋予每个模型的权重来消除单个模型预测效果不稳定的缺陷,我们的实证结果也表明基于不同参数的DMA和ADMA方法的预测模型的预测精度比大多数单个模型都要高,体现了基于动态平均方法的多模型已实现波动率预测模型在预测效果上的稳健性。五、我们利用基于高频数据的已实现波动率对中国股票市场上的尾部风险进行测度。我们引入了极值理论来刻画尾部风险,并将基于高频数据的已实现波动率引入到尾部风险的度量中,以沪深300股指期货为样本,构建了RV-EVT模型来度量其尾部风险,并将本文构建的基于已实现波动率的预测模型与经典的基于已实现波动率的预测模型进行比较。我们的实证结果表明,引入极值理论可以更为准确地刻画极端条件下的尾部市场风险,同时对未来波动率预测精度的提升也可以有效地提高对市场尾部风险的刻画精度。
周威皓[4]（2019）在《中国商业银行利率衍生品风险管理研究》文中认为金融全球化程度的加剧以及中国利率市场化改革的深度开展,加速了中国利率衍生品市场的发展。利率衍生品市场的发展对中国金融体系意义重大。中国商业银行作为我国利率衍生品市场的重要主体,利率衍生品的利用及其风险管理一定会对其是否能有力地参与同业竞争起着至关重要的作用。从国际上看,发达国家的利率衍生品市场基本都是在利率市场化完成后发展相对成熟并形成比较严谨完备的管理体系。在中国,银行业一直享受着因利率管制而带来的红利,创新利率衍生品的动力不足,交易的数量不仅小,而且交易很不活跃。就目前而言,中国商业银行利率衍生品的发展离商业银行强烈的避险需求差距甚远,与利率市场化水平也没有达到完美契合,利率衍生品风险管理的意识与手段还远不能适应金融形势发展的需要,更缺乏对利率衍生品风险管理的完善体系。商业银行在利率衍生品种类的开发、交易的基础制度建设、法律法规健全完善等方面都是非常有限的,其利率衍生品风险的管理,无论是策略,还是技术或方法,都还不及发达国家来得成熟和自如,尤其是对于VaR和CVaR模型的运用凸显着差强人意。所以如何不断创新发展利率衍生品市场并科学有效地管理其风险,建立成熟完备的利率衍生品风险管理体系就成为中国商业银行必须深入研究和迫切需要解决的问题。本篇论文立足于一个宏观和多层次的视角,对比、参考并借鉴国际经验,以利率衍生品及其风险管理的有关理论为基础,结合金融学研究方法,研究利率衍生品的特点与功能优势、商业银行利率衍生品风险的形成机理和一般传导路径,利用金融理论、数学统计、计量分析多种手段和方法对市场上利率衍生品的VaR和CVaR风险,以及CVaR风险对于商业银行股票收益率溢出效应进行实证分析,旨在通过对中国商业银行利率衍生品风险管理的理论和实证研究,强调中国商业银行利率衍生品风险管理的重要性,剖析中国商业银行利率衍生品风险管理存在的主要问题,以此为据提出相应的解决之策。具体研究内容分七个部分进行:第一部分内容是绪论,主要是从理论借鉴的角度出发,对问题提出的背景及研究目的,相关文献的研究现状,论文的研究思路、方法、对象界定、创新与不足等进行阐述和说明。第二部分内容是介绍利率衍生品风险管理的相关模型和方法,如VaR和CVaR风险度量模型及估计方法,矢量自回归模型,利率衍生品定价模型,奠定论文研究的模型、方法与基础。第三部分内容是商业银行利率衍生品发展状况及问题分析:包括利率衍生品概念界定、分类、特点及功能;国外利率衍生品发展及商业银行利率衍生品风险管理经验启示;国内利率衍生品发展历程及商业银行利率衍生品风险管理现状,并剖析存在的问题。第四部分内容是在剖析问题的基础上对中国商业银行利率衍生品的风险管理的相关问题作理论分析,包括商业银行利率衍生品风险的成因及一般传导路径等问题的分析,并针对中国商业银行利率衍生品使用的实际情况提出利率衍生品市场性风险、操作性风险和信用性风险的识别、估测、评价和管理的基本方法。第五部分内容是基于理论分析,进一步对市场上的以利率互换为代表的利率衍生品的市场性风险进行实证分析。主要是基于收集的相关公开数据,利用Matlab软件,通过VaR和CVaR理论模型及采用多种不同的方法,对利率衍生品应用过程中产生的市场性VaR和CVaR风险进行估测,计算出市场上的以利率互换为代表的利率衍生品产生的VaR和CVaR风险数值,并进行返回测试,对比出各种方法的优缺点,旨在研究得出Copula-GARCH-EVT-CVaR方法模型最适于中国商业银行建立利率衍生品市场性风险度量、压力测试和最优资产配置体系,同时给出了商业银行利率衍生品市场性风险管理的最优资产配置的相应计算过程,实现利率衍生品CVaR风险管理和收益最大化。第六部分内容是将第五部分Copula-GARCH-EVT-CVaR方法模型计算出的四种利率互换为代表的利率衍生品的CVaR风险数值导入到Eviews软件中,通过矢量自回归模型实证分析利率衍生品的CVaR风险对中国商业银行股票收益率的溢出效应,并得出利率衍生品的CVaR风险与商业银行股票收益率呈现负相关关系的结论,即降低利率衍生品的CVaR风险可以增加商业银行的股票收益率,旨在从侧面印证中国商业银行对于利率衍生品风险进行管理的实际意义和重要性。第七部分内容是结论、对策建议与研究展望。主要是结合前文理论与实证分析的结果进行总结,得出相应的结论,最后对比参考国际先进的管理经验,根据存在的问题和得出的结论提出相应的风险管理对策和建立风险管理体系,并提出研究展望。
乐海波[5]（2019）在《融资融券与崩盘敏感性》文中认为个股崩盘敏感性指市场崩盘时个股出现崩盘的条件概率,其数值越大意味着个股对市场崩盘风险的暴露程度越大。当市场出现崩盘时,往往绝大部分个股也会同时崩盘,投资者无法有效地分散这一崩盘风险,因而崩盘敏感性是个股的一种系统性风险。融资融券制度为我国资本市场引入卖空机制,改变长期以来“单边市”的局面,旨在提高资本市场定价效率。从融资融券制度的视角探讨国内个股崩盘敏感性的影响因素,有助于加深对个股崩盘风险成因的认识,进而有利于增强投资者的风险识别能力;同时为监管部门优化市场制度、维护市场稳定提供决策支持,具有十分重要的现实意义。为考察融资融券制度的政策效应,本文利用2009年-2016年上市公司的季度数据考察了融资融券制度实施后对个股崩盘敏感性的影响。研究发现:首先,融资融券制度加剧了个股的崩盘敏感性;其次,考虑实际交易规模,融资融券交易整体上加剧了个股的崩盘敏感性;区分融资交易和融券交易后,融资交易显着正向影响个股崩盘敏感性,而融券交易显着负向影响个股崩盘敏感性。进一步分析发现,上市公司信息环境及投资者情绪会影响融资融券交易与个股崩盘敏感性之间的关系。在考虑到可能的内生性问题以及一系列相关的稳健性检验后,本文的研究结论依然成立。本文的主要贡献在于从融资融券制度的视角探究了我国证券市场中个股崩盘敏感性差异的成因,丰富和拓展了关于股价崩盘敏感性的研究,为投资者、特别是崩盘风险厌恶型投资者的投资决策提供参考。
张天雅[6]（2018）在《基于VaR模型的中证100指数风险度量研究》文中进行了进一步梳理自20世纪中后期,全球金融市场成长迅速,金融环境也变得越来越复杂。随着利率、汇率波动加剧,金融市场的波动也日益加剧,金融自由化和全球化迅猛发展,金融业管制日益放松,金融风险的管理成为各金融机构最为关心的内容,专家学者也在风险测量领域展开了深入的研究。但是随着资产结构日益复杂,传统风险管理方法的缺陷变得越来越明显,由此诞生出了一种用途广泛、可直观测定金融风险的方法即VaR方法。VaR法采用了统计学领域技术,与其他传统风险管理方法相比,VaR方法能够更加准确地反映金融风险状况,使风险管理变得更为科学,目前受到广泛应用。本文首先介绍了国际上各种度量风险的方法,并对金融风险理论以及VaR理论进行了概述,为后文实证研究奠定了理论基础,然后应用三种模型,第一个模型是传统的方差——协方差模型,它是以数据服从正态分布为前提,考虑到实际金融数据的尖峰厚尾不对称性等特征,又采用了加入极值理论和GARCH理论的改进VAR模型来计算风险,基于GARCH理论的VaR模型可以对波动率进行估计,而基于极值理论的VaR模型可以对极端事件进行考虑,然后分别求得这两个模型的计算的VaR的值,最后对三个模型进行有效性检验,得到最优的风险测度模型。在此理论基础上,本文选取中证100指数2012年到2017年的收盘价点位共1458个数据为样本进行实证分析,选择中证100指数的主要原因是它可以代表沪深股市中具有较大规模股票的波动情况,具有现实意义,然后计算收盘价点位的对数收益率,一阶差分更容易观测并且更符合金融时间序列特征,经济学意义显着,接着建立模型并计算各个模型的VaR估计值,最后通过模型的有效性检验对三个模型计算出的VaR估计值进行分析、比较和研究,选出较为有效的风险模型,从而对中证100指数风险进行较为精准的度量。
苏辛,谢尚宇,周勇[7]（2018）在《金融风险度量的建模理论与方法的一些进展及其应用》文中指出本文综述了金融风险度量的建模的理论和方法最近的发展。介绍了常用的矩度量和现代风险度量技术,包括在险价值VaR、预期不足ES和期望分位数Expectile等现代风险度量技术和方法,以及复杂风险因素下的非/半参数风险度量方法。违约概率和违约相关性是信用风险度量中的两个基本概念,本文还介绍了信用违约风险中违约概率和违约相关性的常用度量方法。最后,通过一些应用案例介绍如何在金融风险度量中应用现代风险度量技术度量和识别风险。
潘雪艳[8]（2017）在《基于极值理论和Copula模型的市场风险度量研究》文中提出市场风险作为金融风险一个重要的组成部分,研究如何准确度量市场风险对于做好金融风险管理工作非常有必要。极值理论作为一种对数据尾部极端值进行建模的统计理论,Copula模型作为一种用来确定随机向量的联合分布和多个随机变量间相依结构的统计模型,它们被广泛运用到金融风险度量中。论文选用目前应用最广泛的风险值（VaR）作为度量市场风险的工具,着眼于极端事件对金融市场的冲击及各种成分资产间的相依结构,研究在极值理论和Copula模型下的市场风险度量方法,并针对不同领域的金融产品和投资组合的风险值进行了实证分析。具体的工作和结论有:（1）一元资产市场风险度量。这一部分主要结合时间序列模型和极值理论进行研究,实证分析了原油市场和外汇市场的市场风险。原油市场采用WTI市场原油现货的日对数收益率作为样本序列。首先,为了刻画出该序列的非正态、尖峰厚尾、异方差和波动集聚性等特点,在AIC准则下选择合适的GARCH类模型对数据进行过滤得到渐近独立的新息序列。其次,为了突出极端事件对市场风险造成的重要影响,采用极值理论中的超阈值模型对新息序列建模;最后估计出静态和动态两种情形下的VaR,并通过回测检验比较该模型估计出的静态VaR和传统的方差-协方差方法估计出的VaR,发现该模型的预测结果更精确和有效。为了克服传统极值理论假设序列尾部是独立同分布的不足,论文结合Iglesias给出的新估计尾指数方法和传统的Hill估计尾指数方法,将极值理论和GJR-GARCH模型相结合,估计外汇市场的VaR。结合我国政府和涉及外汇业务的机构的实际情况,选择人民币作为基准,分析研究了几种重要外汇对人民币汇率的VaR,实证结果表明新尾指数方法相对于传统方法估计出的VaR更有效。（2）二元投资组合市场风险度量。在这一部分中,论文在理论研究和实证分析两方面都进行了一些研究和探讨。理论研究部分主要分为边缘分布建模和成分资产间相依结构建模两部分。边缘分布建模部分,考虑极端事件对市场风险的影响,在已有的一些研究基础上,结合核密度估计和极值理论中超阈值模型建立了半参数的边缘分布模型,并指出了该模型的收敛性。相依结构建模部分,为了克服单一Copula函数往往难以全面和准确刻画变量间相依结构的不足,通过构造混合Copula函数来建模。一方面,借鉴模型平均理论中的权重选择方法,采用模型平均理论中的S-AIC权重准则构造了混合Copula函数,并在此基础上建立了估计投资组合VaR的混合Copula模型。另一方面,在构造混合Copula函数的已有文献基础上,构造了基于Kendall秩相关系数的混合Copula函数,并给出了生成服从该混合Copula函数的伪随机数的算法,构建了在VaR最小化准则下优化投资组合投资权重的模型。二元投资组合风险度量研究的实证分析部分主要分为三部分。第一部分,采用五种常用的单一 Copula函数和基于极值理论的半参数边缘分布模型,对由美元对人民币汇率和港币对人民币汇率组成的投资组合建模,估计投资组合的VaR,并对估计效果进行比较,结果表明t-Copula模型的估计效果最优。第二部分,采用基于S-AIC准则构造的混合Copula模型对由WTI市场原油现货和上证指数组成的投资组合建模,估计投资组合的VaR,通过与单一Copula模型中的结果进行检验比较,发现混合Copula模型拟合数据的效果和估计VaR的效果优于另外三种单一 Copula模型。第三部分,利用基于Kendall秩相关系数的混合Copula模型实证分析了由上证指数和深成指数组成的投资组合,在VaR最小化的准则下,给出投资组合最优权重的求解方法和步骤,得出投资组合权重建议,可以为投资者提供有效的投资建议。（3）多元投资组合的市场风险度量。为了克服多元Copula函数刻画多元变量间相依结构的不足,同时为了突出极端事件对市场风险的影响,论文结合极值理论和vine-Copula结构构建了度量投资组合市场风险的模型,并给出极值理论下的vine-Copula模型模拟和估计VaR的具体步骤,用流程图简洁明了的描述了整个建模和模拟过程。为了比较各模型估计投资组合VaR的效果,论文实证分析了一个五元投资组合的市场风险值,该投资组合的成分资产是亚洲五个重要经济体的股市指数,实证结果表明单一的多元Copula模型高估了风险,虽然三种vine-Copula模型都可以通过检验,但R-vine-Copula模型回测检验的效果最优。可以看出实证分析选用的投资组合覆盖了亚洲主要经济体的股票市场,由它们组成的投资组合具有一定的分散风险能力;而通过vine-Copula模型研究该投资组合的市场风险不仅可以预测VaR,为投资者或投资机构控制风险提供建议,也有利于了解亚洲各股市间风险的相依性,为各经济体的股票市场监管机构防范和应对大面积的股票市场大波动提供建议。这些结论可以为投资者和投资机构做好风险准备金储备和规避风险提供一定的建议。
吴俊传[9]（2014）在《基于POT模型的中国股市动态风险价值研究》文中研究表明大量研究表明金融资产收益率序列数据具有尖峰厚尾,非对称及波动集聚等特性,传统的以金融市场收益率分布服从正态分布的假设严重低估了实际风险。为了提高风险度量的精确性,大量学者提出采用极值理论EVT （Extreme Value Theory）来进行风险度量,该方法仅对数据的尾部进行建模,不对数据的整体分布做任何假设,突出了对尾部风险的刻画,有利于捕捉市场的极端风险状况。由此本文采用极值理论中的POT （Peaks Over Threold）模型结合其它波动率模型对原始收益率序列进行动态风险度量。目前金融市场最常用的风险管理方法仍然为VaR （Value at Risk）,由于该方法不满足一致性、未考虑超出VaR后的市场风险等,使得仅仅应用该方法来进行风险度量存在较大的缺陷,为了该善VaR在风险度量方面的缺陷,本文将ES （Expected Shortfall）方法作为风险度量的有效工具来拟补VaR方法的缺陷。观察投资者的投资行为能够发现,一般的投资者均会将资金分散投资于不同资产上,即进行组合投资,很少有投资者将其所有资金全部注入单一资产。而不同资产之间的相关结构对于组合投资的研究变得极其重要,Copula函数作为描述资产间相关结构的强有力工具,使得其在投资组合风险价值的分析中得到广泛应用。基于以上分析,本文的研究工作将从以下几方面展开：1)采用TARCH模型过滤原始收益率数据得到其标准收益率数据,分别采用常用的正态分布、t分布、广义误差分布、偏t分布及基于POT模型的广义帕累托分布GPD（Generalized Pareto Distribution）拟合过滤后的标准收益率序列,并得到其动态VaR测度。在VaR的基础上进一步推导出不同分布下的ES测度公式,进一步得到其动态ES测度。然后分别实证对比沪深序列不同分布下的动态VaR、ES回测效果,证明POT模型在单维资产风险价值测度方面的优越性。2)采用JC-Copula函数连接标准收益率序列的边缘分布,分别假设其边缘分布为正态分布、t分布等,得到边缘分布服从不同形式下的动态VaR及ES测度。再分别实证对比沪深序列组合投资在不同分布下的动态VaR、ES回测效果,证明POT模型在多维资产风险价值测度方面的优越性。对沪深序列单维资产及由其组成的投资组合的动态VaR, ES回测检验表明：ES方法较VaR方法更为稳健,且TARCH-GPD及JC-Copula-TARCH-GPD模型取得优于其它模型的动态ES回测效果。本论文是国家自然科学基金资助项目《基于已实现测量非参数方法的金融资产跳跃行为研究》（NO.71171056）的阶段性研究成果。
王泽[10]（2014）在《基于t-Copula下信用资产组合的综合风险度量及实证研究》文中研究指明对信用资产组合的风险度量研究一直以来都是学者关注的重点，基本模型主要分为结构模型、简约模型。这些模型的最终意图都是发展出一套科学系统的体系来度量风险，以求合理定价或防范未来可能发生的损失。而对于组合的相关性结构以及组合风险计算的复杂性却鲜有研究，直到2008年金融危机的爆发，由于尾部风险的忽略而导致的违约事件急剧增加才引起了学者们对于组合风险的相关结构的研究。为此，本文研究一种能够刻画异质性信用资产组合尾部相关性的有效度量风险的方法，并对上市股票相关数据做实证分析。首先，本文概括性介绍了模型的理论基础。主要介绍了结构模型的定义，阐述结构模型的基本思想和推导的相关衍生模型。同时详细阐述了组合相关性结构选取所采用的Copula系函数的定义、类别、对应参数估计方式以及所推导的各类相关系数定义公式。其次，本文针对组合的相关性结构进行了详细的研究。针对传统的组合之间采用正态Copula模型构建相关性，本文采用了t-Copula模型来构建并考虑了组合之间的尾部相关关系，以更好准确的测量风险值。与此同时，本文将资产组合同质的限制扩展到了异质组合的条件之下，刻画组合之间的非线性相关关系，其所得结果更加贴近现实。然后，本文研究了Copula模型下重要抽样技术。普通蒙特卡罗模拟在组合样本数量急剧增加下模拟时间将会大大延长，国内外对于统计学中的重要抽样技术的研究较多，而应用于组合风险中的研究却较少，尤其是基于Copula函数的基础之上的相关研究。本文介绍了正态Copula下组合风险值计算方法，在此基础上研究了t-Copula下重要抽样技术的风险值计算公式。对于传统中的重要抽样技术均值漂移项所采用的高斯牛顿法，本文引入了同时兼有梯度法和牛顿法更加智能的Levenberg-Marquardt算法。通过数值模拟比较了正态Copula和t-Copula两模型的重要抽样下的蒙特卡罗模拟的有效性，发现重要抽样技术的确能更加快速有效的测量风险值。最后，本文选取上交所中房地产、零售业、金融保险业的上市股票相关数据做实证分析。通过Black-Scholes Merton模型的求解得到了结构模型所需要的每支股票的时刻公司资产价值以及标准收益率，通过核密度估计得到每支股票的边际分布。利用t-Copula系函数以及非线性估计我们分别得到了组合的相关结构以及异质资产组合的各因子系数，进而得到了组合的整体违约概率。结合重要抽样技术，我们计算得到了组合的风险VaR值和ES值，结果表明重要抽样技术在保证精确度的前提下的确减少了抽样的方差，同时引入ES值可以更好的进行风险监管。综上所述，本文考虑异质性组合的非线性相关关系，通过t-Copula系函数构造组合之间的相关关系能更准确的刻画组合的违约概率，同时结合重要抽样技术可以更加有效的测算组合的风险VaR和ES值，为极端事件的研究以及投资者配置经济资本和监管者进行风险监管提供了依据。
二、基于极值理论的深市Value-at-Risk和Expected Shortfall度量（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于极值理论的深市Value-at-Risk和Expected Shortfall度量（论文提纲范文）
（1）基于混频数据分析方法的金融风险测度研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 金融风险测度研究 |
| 1.2.2 广义分位数回归研究 |
| 1.2.3 混频数据分析研究 |
| 1.2.4 文献评述 |
| 1.3 研究内容和方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 主要创新与结构安排 |
| 1.4.1 主要创新 |
| 1.4.2 结构安排 |
| 第二章 金融风险管理相关理论、模型与方法 |
| 2.1 金融风险测度理论与方法 |
| 2.1.1 微观审慎监管和宏观审慎监管 |
| 2.1.2 微观审慎视角下的金融风险测度 |
| 2.1.3 宏观审慎视角下的金融风险测度 |
| 2.2 广义分位数回归模型与方法 |
| 2.2.1 经典分位数回归模型 |
| 2.2.2 Expectile回归模型 |
| 2.2.3 联合可导出回归模型 |
| 2.3 混频数据分析模型与方法 |
| 2.3.1 混频数据均值回归模型 |
| 2.3.2 混频数据波动率模型 |
| 2.4 本章小结 |
| 第三章 基于混频数据Expectile回归模型的VaR和ES测度研究 |
| 3.1 问题提出 |
| 3.2 混频数据Expectile回归模型构建 |
| 3.2.1 模型表示 |
| 3.2.2 参数选择 |
| 3.2.3 模型估计 |
| 3.2.4 风险测度 |
| 3.3 数值模拟 |
| 3.3.1 数据生成 |
| 3.3.2 实验过程 |
| 3.3.3 结果讨论 |
| 3.4 应用研究 |
| 3.4.1 数据选取与描述 |
| 3.4.2 模型估计 |
| 3.4.3 结果比较 |
| 3.5 本章小结 |
| 第四章 基于联合可导出混频数据模型的VaR和ES测度研究 |
| 4.1 问题提出 |
| 4.2 联合可导出混频数据模型构建 |
| 4.2.1 模型表示 |
| 4.2.2 参数选择 |
| 4.2.3 模型估计 |
| 4.3 数值模拟 |
| 4.3.1 数据生成 |
| 4.3.2 实验过程 |
| 4.3.3 结果讨论 |
| 4.4 应用研究 |
| 4.4.1 数据选取与描述 |
| 4.4.2 模型估计 |
| 4.4.3 结果讨论 |
| 4.5 本章小结 |
| 第五章 基于动态条件相关混频数据模型的CoVaR和CoES测度研究 |
| 5.1 问题提出 |
| 5.2 动态条件相关混频数据模型构建 |
| 5.2.1 模型表示 |
| 5.2.2 模型估计 |
| 5.2.3 风险测度 |
| 5.3 应用研究 |
| 5.3.1 数据选取与描述 |
| 5.3.2 模型比较 |
| 5.3.3 风险测度结果 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.1.1 主要研究工作 |
| 6.1.2 主要研究结果 |
| 6.2 研究展望 |
| 6.2.1 高维变量选择问题研究 |
| 6.2.2 非线性混频数据模型研究 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（2）沪港通和深港通背景下中国股市对亚洲主要股市的极端风险溢出研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及水平 |
| 1.2.1 沪港通和深港通的研究现状 |
| 1.2.2 单机制和机制转换GARCH模型的研究现状 |
| 1.2.3 金融资产分布研究现状 |
| 1.3 文献评述 |
| 1.4 研究内容、研究创新和技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 研究创新 |
| 1.4.3 技术路线 |
| 第2章 股市中典型事实和相关性的刻画 |
| 2.1 基于异方差模型刻画股市的波动率 |
| 2.1.1 单机制GARCH模型 |
| 2.1.2 单机制EGARCH模型 |
| 2.1.3 机制转换GARCH模型 |
| 2.1.4 机制转换EGARCH模型 |
| 2.2 基于动态相依关系模型刻画股市间的相依性 |
| 2.2.1 DCC-GARCH模型 |
| 2.2.2 Time-varying copula模型 |
| 2.3 本章小结 |
| 第3章 量化股市的极端风险 |
| 3.1 基于Copula模型刻画股市间的依赖结构 |
| 3.1.1 常用的Copula函数 |
| 3.1.2 Vine Copula |
| 3.2 基于极值理论计算股市的尾部风险 |
| 3.2.1 EVT |
| 3.2.2 VaR和ES |
| 3.3 计算股市间的极端风险溢出效应 |
| 3.4 本章小结 |
| 第4章 中国股市对亚洲股市的极端风险溢出效应 |
| 4.1 数据来源及选择 |
| 4.2 动态相关性分析 |
| 4.3 市场间的非线性依赖结构 |
| 4.3.1 极端风险边缘分布刻画 |
| 4.3.2 非线性依赖系统刻画 |
| 4.4 极端风险溢出计算 |
| 4.4.1 CoVaR方法溢出效应度量 |
| 4.4.2 CoES方法溢出效应度量 |
| 4.5 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（3）基于高频数据的已实现波动率模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文的研究背景 |
| 1.2 问题的提出 |
| 1.2.1 基于高频数据的波动率度量研究 |
| 1.2.2 基于高频数据的波动率预测模型研究 |
| 1.3 选题的意义 |
| 1.4 论文的结构与创新 |
| 1.4.1 本文内容结构 |
| 1.4.2 本文的创新点 |
| 第二章 国内外文献综述 |
| 2.1 波动率度量问题的文献综述 |
| 2.2 波动率预测问题的文献综述 |
| 2.2.1 波动率预测模型的文献综述 |
| 2.2.2 考虑微观结构噪音的波动率预测的文献综述 |
| 2.2.3 资产价格波动率序列跳跃过程文献综述 |
| 2.3 基于波动率的风险刻画问题的文献综述 |
| 2.4 文献评述 |
| 第三章 截断的双尺度已实现波动率估计量 |
| 3.1 非参数波动率测度的理论框架 |
| 3.2 考虑跳跃过程和市场微观结构噪声的已实现波动率 |
| 3.3 跳跃过程的门槛截断方法 |
| 3.4 截断的双尺度已实现波动率估计量的统计性质 |
| 3.5 截断的双尺度已实现波动率估计量的模拟研究 |
| 3.6 本章小结 |
| 第四章 已实现波动率模型研究:基于截断的双尺度已实现波动率 |
| 4.1 跳跃过程的准确刻画 |
| 4.2 基于截断双尺度已实现波动率的波动率预测模型 |
| 4.2.1 已实现波动率预测模型的演变过程 |
| 4.2.2 异质自回归已实现波动率模型(HAR-RV) |
| 4.2.3 基于截断双尺度已实现波动率(TTSRV)的已实现波动率模型 |
| 4.3 基于TTSRV的波动率预测模型实证研究 |
| 4.3.1 样本数据来源说明及统计性描述 |
| 4.3.2 样本外滚动时间窗口技术及波动率模型评价比较方法 |
| 4.3.3 基于TTSRV的已实现波动率预测模型样本内估计 |
| 4.3.4 基于TTSRV的已实现波动率预测模型样本外预测能力 |
| 4.3.5 考虑隔夜回报、杠杆效应和测量误差的样本外预测能力 |
| 4.4 本章小结 |
| 第五章 已实现波动率模型研究:基于融资融券约束 |
| 5.1 流动性冲击视角下的跳跃过程 |
| 5.2 一个重要的流动性因素:融资融券约束 |
| 5.2.1 我国资本市场融资融券业务发展历程 |
| 5.2.2 融资融券约束对于波动率的影响 |
| 5.2.3 有效度量融资融券约束 |
| 5.3 基于融资融券约束的已实现波动率模型 |
| 5.4 基于融资融券约束的波动率预测模型实证研究 |
| 5.4.1 融资融券约束指标描述性统计 |
| 5.4.2 基于融资融券约束的波动率预测模型样本内预测 |
| 5.4.3 基于融资融券约束的波动率预测模型样本外预测 |
| 5.4.4 基于融资融券约束的波动率预测模型稳健性检验 |
| 5.5 本章小结 |
| 第六章 动态多模型已实现波动率研究 |
| 6.1 动态时变的已实现波动率预测模型 |
| 6.2 贝叶斯模型平均(BMA) |
| 6.2.1 两模型BMA原理 |
| 6.2.2 多模型BMA原理 |
| 6.2.3 BMA方法在金融领域的应用 |
| 6.3 动态模型平均(DMA)方法及其改进方法(ADMA) |
| 6.3.1 动态时变模型(TVP)的迭代 |
| 6.3.2 动态平均建模(DMA)方法 |
| 6.3.3 调整后的动态平均建模(ADMA)方法 |
| 6.4 动态时变的已实现波动率预测模型实证研究 |
| 6.5 动态时变的已实现波动率预测模型稳健性检验 |
| 6.6 本章小结 |
| 第七章 基于高频数据的已实现波动率尾部风险测度研究 |
| 7.1 系统性金融风险的度量与管理 |
| 7.2 沪深300 现货与期货市场的投资者结构与市场风险传导机理 |
| 7.3 VaR和 CoVaR的基本原理 |
| 7.3.1 VaR度量的经典方法 |
| 7.3.2 基于高频价格波动的VaR方法 |
| 7.3.3 基于极值理论(EVT)和已实现波动率(RV)的RV-EVT模型 |
| 7.3.4 基于高频价格波动的CoVaR方法 |
| 7.4 实证分析 |
| 7.4.1 样本数据获取及统计特征分析 |
| 7.4.2 沪深300 股指期货市场风险的实证结果分析 |
| 7.4.3 基于RV-EVT框架下的尾部风险度量 |
| 7.4.4 基于CoVaR的沪深300 股指现货与期货市场的风险溢出效应 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文总结 |
| 8.2 研究展望 |
| 附录1 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（4）中国商业银行利率衍生品风险管理研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景、目的及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 文献综评 |
| 1.3 研究的基本思路与方法 |
| 1.3.1 研究的基本思路 |
| 1.3.2 研究方法 |
| 1.4 研究对象的界定 |
| 1.5 创新与不足 |
| 1.5.1 创新之处 |
| 1.5.2 不足之处 |
| 第2章 商业银行利率衍生品风险管理模型及方法 |
| 2.1 VaR和CVaR风险度量模型及估计方法 |
| 2.1.1 VaR和CVaR风险度量模型 |
| 2.1.2 VaR和CVaR模型的估计方法 |
| 2.2 矢量自回归模型 |
| 2.3 利率衍生品定价模型 |
| 2.4 本章小结 |
| 第3章 商业银行利率衍生品的发展与管理问题分析 |
| 3.1 利率衍生品的概念、分类、特点及功能 |
| 3.1.1 利率衍生品概念 |
| 3.1.2 利率衍生品分类及特点 |
| 3.1.3 利率衍生品的功能 |
| 3.2 国外利率衍生品的发展与管理经验启示 |
| 3.2.1 国外利率衍生品的发展 |
| 3.2.2 管理经验启示 |
| 3.3 国内利率衍生品的发展与问题分析 |
| 3.3.1 利率衍生品的发展 |
| 3.3.2 商业银行利率衍生品风险管理现状 |
| 3.3.3 问题分析 |
| 3.4 本章小结 |
| 第4章 商业银行利率衍生品风险管理的理论分析 |
| 4.1 商业银行利率衍生品风险及其成因分析 |
| 4.1.1 利率衍生品风险种类及特点 |
| 4.1.2 利率衍生品风险成因分析 |
| 4.2 商业银行利率衍生品风险的一般传导路径 |
| 4.3 商业银行利率衍生品风险的识别与防范 |
| 4.3.1 风险识别 |
| 4.3.2 风险估测 |
| 4.3.3 风险评价和管理 |
| 4.4 本章小结 |
| 第5章 利率衍生品市场性VaR和CVaR风险实证分析 |
| 5.1 模型及风险估计方法选取 |
| 5.2 样本选取与数据处理 |
| 5.3 VaR和CVaR风险计量模型构建 |
| 5.4 实证结果呈现及分析 |
| 5.5 本章小结 |
| 第6章 CVaR风险对商业银行股票收益率溢出效应的实证分析 |
| 6.1 模型及拟合方法选取 |
| 6.2 样本选取与数据处理 |
| 6.3 矢量自回归模型构建 |
| 6.4 实证结果呈现及分析 |
| 6.5 本章小结 |
| 第7章 结论、对策与研究展望 |
| 7.1 研究结论 |
| 7.2 对策 |
| 7.3 研究展望 |
| 附录 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的科研成果 |
（5）融资融券与崩盘敏感性（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 研究基本框架 |
| 2 文献综述 |
| 2.1 崩盘敏感性及相关研究 |
| 2.2 融资融券的政策效果 |
| 2.3 创新点 |
| 3 混合Copula及崩盘敏感性 |
| 3.1 Copula简介 |
| 3.2 崩盘敏感性指标的定义与估计 |
| 3.2.1 崩盘敏感性指标的定义 |
| 3.2.2 崩盘敏感性指标的估计 |
| 4 研究设计 |
| 4.1 样本选择 |
| 4.2 研究方法及模型 |
| 5 实证结果与分析 |
| 5.1 描述性统计分析 |
| 5.2 主要实证结果 |
| 5.3 进一步分析 |
| 6 稳健性检验 |
| 6.1 安慰剂效应检验 |
| 6.2 控制沪深300 股指期货的影响 |
| 6.3 固定效应模型 |
| 7 结论 |
| 参考文献 |
| 致谢 |
（6）基于VaR模型的中证100指数风险度量研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.4 研究内容、方法及框架 |
| 2 VaR基本原理及金融风险理论概述 |
| 2.1 VaR基本原理 |
| 2.2 金融风险理论概述 |
| 3 三种模型简介 |
| 3.1 基于方差-协方差的VaR模型 |
| 3.2 基于GARCH模型的VaR模型 |
| 3.3 基于极值理论的VaR模型 |
| 4 实证研究 |
| 4.1 数据的基本统计分析处理 |
| 4.2 基于方差-协方差的VaR模型的计算 |
| 4.3 基于GARCH模型的VaR模型的计算 |
| 4.4 基于极值理论的VaR模型的计算 |
| 4.5 模型有效性检验 |
| 5 总结与展望 |
| 5.1 结论 |
| 5.2 创新 |
| 5.3 展望 |
| 参考文献 |
| 攻读硕士期间的主要成果 |
| 附录 |
| 致谢 |
（7）金融风险度量的建模理论与方法的一些进展及其应用（论文提纲范文）
| 0 引言 |
| 1 金融风险度量的研究现状综述 |
| 3 金融风险度量中统计建模及其发展 |
| 3.1 均值方差模型 |
| 3.2 市场模型和投资组合的关系及风险管理 |
| 3.3 Va R模型的数学定义 |
| 3.4 Va R的非参数估计 |
| 3.5 Va R光滑非参数估计 |
| 3.6 ES模型的介绍 |
| 3.7 带有风险因素的金融风险度量 |
| 4 期望分位数风险度量 |
| 5 违约概率及相关的风险度量 |
| 6 风险度量的应用 |
| 6.1 一个具体应用的例子:中国债券市场周内效应分析 |
| 6.2 其它金融风险度量方法及应用 |
| 7 结论与展望 |
（8）基于极值理论和Copula模型的市场风险度量研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文选题背景和选题意义 |
| 1.1.1 论文选题背景 |
| 1.1.2 论文选题意义 |
| 1.2 研究现状和研究问题的提出 |
| 1.2.1 研究现状 |
| 1.2.2 研究问题的提出 |
| 1.3 研究方法与内容 |
| 1.3.1 研究方法 |
| 1.3.2 研究内容 |
| 1.4 论文结构安排与主要创新 |
| 1.4.1 结构安排 |
| 1.4.2 特色和创新点 |
| 第二章 基于极值理论的市场风险度量研究 |
| 2.1 市场风险度量简介 |
| 2.1.1 市场风险度量背景 |
| 2.1.2 市场风险度量方法 |
| 2.2 极值理论的背景和极值分布类型 |
| 2.2.1 极值理论的背景 |
| 2.2.2 极值分布类型 |
| 2.3 常用的极值理论模型 |
| 2.3.1 BMM模型 |
| 2.3.2 POT模型 |
| 2.3.3 尾指数估计方法 |
| 2.4 POT模型及其对原油市场风险值的预测 |
| 2.4.1 问题的提出 |
| 2.4.2 传统POT模型及实证分析 |
| 2.4.3 动态POT模型及实证分析 |
| 2.5 基于尾指数方法的外汇市场风险度量 |
| 2.5.1 问题的提出 |
| 2.5.2 模型的建立及参数的估计 |
| 2.5.3 模型中风险值的计算公式 |
| 2.5.4 实证分析 |
| 2.5.5 结论 |
| 2.6 本章小结 |
| 第三章 基于极值理论的Copula模型的构建及实证分析 |
| 3.1 问题的提出 |
| 3.2 Copula模型相关理论介绍 |
| 3.2.1 Copula函数的定义和基本性质 |
| 3.2.2 Copula函数的估计和最优Copula函数的选择 |
| 3.3 常见的Copula函数 |
| 3.3.1 基本Copula函数 |
| 3.3.2 正态Copula函数和t-Copula函数 |
| 3.3.3 Archimedean Copula函数 |
| 3.4 基于极值理论的Copula模型的构建 |
| 3.4.1 Copula-VaR模型的构建方法 |
| 3.4.2 基于极值理论的Copula-VaR模型的构建 |
| 3.5 实证分析 |
| 3.5.1 数据的选取 |
| 3.5.2 模型求解 |
| 3.6 本章小结 |
| 第四章 基于混合Copula模型和极值理论的风险值估计 |
| 4.1 问题的提出 |
| 4.2 基于S-AIC准则和极值理论的混合Copula模型的构建及实证分析 |
| 4.2.1 基于S-AIC准则的混合Copula函数的构造 |
| 4.2.2 基于S-AIC准则和极值理论的混合Copula模型的构建 |
| 4.2.3 实证分析 |
| 4.3 基于Copula函数的相关系数 |
| 4.3.1 Kendall秩相关系数 |
| 4.3.2 Spearman秩相关系数 |
| 4.3.3 Gini关联系数和尾相关系数 |
| 4.4 基于Kendall秩相关系数的混合Copula模型的构建及应用 |
| 4.4.1 基于Kendall秩相关系数的混合Copula函数的构造 |
| 4.4.2 基于Kendall秩相关系数的混合Copula模型的构建 |
| 4.4.3 投资组合收益率的模拟及VaR的计算步骤 |
| 4.4.4 实证分析 |
| 4.4.5 小结 |
| 4.5 本章小结 |
| 第五章 基于极值理论的vine-Copula模型构建及实证分析 |
| 5.1 问题的提出 |
| 5.2 vine-Copula模型 |
| 5.2.1 多元Copula密度函数的分解 |
| 5.2.2 vine结构 |
| 5.2.3 vine-Copula模型的概率密度分解公式 |
| 5.2.4 vine-Copula模型的计算步骤 |
| 5.3 基于极值理论的边缘分布模型建立 |
| 5.4 模拟预测投资组合VaR的步骤 |
| 5.5 实证分析 |
| 5.5.1 数据选取及描述统计 |
| 5.5.2 边缘分布模型 |
| 5.5.3 vine-Copula模型估计 |
| 5.5.4 VaR估计结果和回测检验 |
| 5.5.5 结论 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 本文结论 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间正式发表学术论文情况 |
| 致谢 |
（9）基于POT模型的中国股市动态风险价值研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 选题背景 |
| 1.2 问题的提出 |
| 1.3 选题意义 |
| 1.4 结构安排与创新 |
| 1.4.1 结构安排 |
| 1.4.2 创新点 |
| 第二章 文献综述 |
| 2.1 极值理论的产生及其发展过程 |
| 2.2 极值风险价值研究现状 |
| 2.3 投资组合风险价值研究现状 |
| 2.4 存在问题及启示 |
| 第三章 POT模型下动态VaR及ES计算 |
| 3.1 极值概念及其类型 |
| 3.2 区间极值模型 |
| 3.2.1 区间极值模型原理 |
| 3.2.2 区间极值模型参数估计 |
| 3.2.3 区间极值模型VaR估计 |
| 3.3 POT模型 |
| 3.3.1 广义帕累托分布 |
| 3.3.2 条件超额分布 |
| 3.3.3 阈值的选取 |
| 3.3.4 POT模型的参数估计 |
| 3.4 POT模型及其它分布下的动态VaR及ES测度 |
| 3.4.1 TARCH模型 |
| 3.4.2 动态VaR、ES方法 |
| 3.4.3 POT模型下VaR及ES测度 |
| 3.4.4 其它常用分布下的VaR及ES计算 |
| 3.4.5 VaR及ES回测原理 |
| 3.5 沪深股市动态VaR及ES实证分析 |
| 3.5.1 数据来源及其统计特性分析 |
| 3.5.2 采用TARCH(1,1)拟合原始收益率 |
| 3.5.3 GPD及常用分布下的动态VaR及ES回测 |
| 3.6 本章小结 |
| 第四章 POT模型下投资组合动态VaR及ES计算 |
| 4.1 Copula理论 |
| 4.1.1 Copula函数的定义 |
| 4.1.2 Sklar定理 |
| 4.1.3 Copula函数的性质 |
| 4.1.4 Copula函数的类型 |
| 4.1.5 Copula函数的相关性度量 |
| 4.1.6 Copula函数的参数估计 |
| 4.2 基于Copula函数的投资组合风险价值分析 |
| 4.2.1 基于Copula函数的投资组合VaR测度原理 |
| 4.2.2 基于Copula函数的投资组合ES测度原理 |
| 4.3 JC-Copula函数下的沪深投资组合风险价值实证分析 |
| 4.3.1 JC-Copula函数估计结果 |
| 4.3.2 JC-Copula函数下沪深组合VaR回测 |
| 4.3.3 JC-Copula函数下沪深组合ES回测 |
| 4.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间参与科研项目及发表的学术论文 |
（10）基于t-Copula下信用资产组合的综合风险度量及实证研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 导论 |
| 第一节 选题背景及意义 |
| 第二节 国内外文献综述 |
| 第三节 论文的研究思路、内容及论文结构 |
| 第四节 论文的创新点 |
| 第二章 模型的理论基础 |
| 第一节 结构模型 |
| 第二节 证券组合联合违约概率 |
| 第三节 Copula 模型相关性 |
| 第四节 Copula 模型的参数估计方法 |
| 第五节 本章小结 |
| 第三章 Copula 模型下重要抽样技术的研究 |
| 第一节 重要抽样下组合风险 |
| 第二节 均值漂移项估计方法 |
| 第三节 风险度量指标 |
| 第四节 两类 Copula 组合的风险值的数值模拟 |
| 第五节 本章小结 |
| 第四章 实证研究 |
| 第一节 样本的选取 |
| 第二节 Black Scholes Merton 模型计算 |
| 第三节 t-Copula 组合风险测量 |
| 第四节 组合风险值度量 |
| 第五节 本章小结 |
| 第五章 结论与展望 |
| 第一节 本文的主要结论 |
| 第二节 本文的不足与展望 |
| 参考文献 |
| 附录 |
| 致谢 |
四、基于极值理论的深市Value-at-Risk和Expected Shortfall度量（论文参考文献）
- [1]基于混频数据分析方法的金融风险测度研究[D]. 陈璐. 合肥工业大学, 2021
- [2]沪港通和深港通背景下中国股市对亚洲主要股市的极端风险溢出研究[D]. 肖杨. 成都理工大学, 2020(05)
- [3]基于高频数据的已实现波动率模型研究[D]. 平原. 上海交通大学, 2019(01)
- [4]中国商业银行利率衍生品风险管理研究[D]. 周威皓. 辽宁大学, 2019(12)
- [5]融资融券与崩盘敏感性[D]. 乐海波. 西南财经大学, 2019(07)
- [6]基于VaR模型的中证100指数风险度量研究[D]. 张天雅. 山东科技大学, 2018(03)
- [7]金融风险度量的建模理论与方法的一些进展及其应用[J]. 苏辛,谢尚宇,周勇. 运筹与管理, 2018(01)
- [8]基于极值理论和Copula模型的市场风险度量研究[D]. 潘雪艳. 浙江工商大学, 2017(10)
- [9]基于POT模型的中国股市动态风险价值研究[D]. 吴俊传. 福州大学, 2014(10)
- [10]基于t-Copula下信用资产组合的综合风险度量及实证研究[D]. 王泽. 浙江财经大学, 2014(02)